针对奇异值分解信号降噪方法中吸引子轨迹矩阵（Hankel矩阵）结构的确定，以及有效奇异值的选择两个关键问题，提出了一种基于遗传算法的奇异值分解信号去噪算法。首先，利用原始信号构造Hankel矩阵，运用遗传算法对矩阵结构进行优化，然后对含噪声信息的矩阵进行奇异值分解，最后通过K-medoids聚类算法确定有效奇异值个数，对有效奇异值和其对应的向量进行奇异值分解反变换，还原原始信号，达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换（FFT）去噪方法相比较，结果表明该算法具有良好的去噪效果。

在压缩成像应用中实现降噪的双阈值技术

摘 要:针对经典全变差正则化模型在去噪时图像边缘易模糊的不足， 在全变差正则化模型与调和去噪模型的基础上构建了一种改进的自适应全变差正则化模型， 并利用旋转不变性更好的梯度模值确定其自适应参数， 降低该自适应正则化模型对噪声的敏感性，以兼顾图像的平滑去噪与边缘保留 数值实验结果表明， 与MARQUINA 的改进全变差正则化模型相比， 自适应全变差正则化模型的复原图像在视觉效果和峰值信噪比上都有显著提高

根据图像块之间的相似性提出了3维块匹配(Block Method of 3-Dimension, BM3D)算法。该方法不仅有较高的信噪比，而且视觉效果也很好，但是时间复杂度相对较高。

BM3D 用于 BM3D 去噪算法的 C 程序 执行示例： 下面描述的执行循环也是由给定的bash脚本example_cycle完成的，可以直接执行，以免把所有的步骤都单独打出来。 执行 Makefile 通过调用“param_gen”生成参数文件示例： ./param_gen ht 11 9 50 25 50 50 0.321 0.101 0.3105 通过调用“noising”生成嘈杂的图像例如： ./noising 50 path/to/source_image.png target/path/ 通过调用“bm3d”执行主程序 示例： ./bm3d path/to/noisy/image.png path/to/params_file.txt 评论： 通过更改参数，执行时间会有很大的不同。 当您选择avg作为收缩类型时，循环所需的时间最短，因为这样将省略 DCT 的计算。

matlab语音小波去创建代码D-VDAMP & SUREMap 该存储库包含与 Christopher A. Metzler 和 Gordon Wetzstein 于 2021 年发表的 ICASSP 论文“D-VDAMP：压缩 MRI 的基于降噪的近似消息传递”以及论文“Suremap：预测基于 Cnn 的图像重建中的不确定性”相关的代码使用 Stein 的无偏风险估计，”ICASSP，2021 年，作者：Ruangrawee Kitichotkul、Christopher A. Metzler、Frank Ong 和 Gordon Wetzstein。 请注意，此代码与论文中用于生成结果的实现略有不同。 依赖关系 该代码已针对 Python 3.8.5 版进行了测试，并安装了以下软件包： numpy 、 matplotlib 、 Pillow 、 PyWavelets 、 torch 、 torchvision 、 tensorboard 、 h5py 、 statsmodel 、 bm3d和torch_dct 。 为了确保包的版本与我们测试代码的版本匹配，我们建议创建一个新的虚

该资源特为本人博客《音频信号加噪、滤波》一文所设，如有需要请自取

内含数据集以及源码以及教程

语音降噪-自适应滤波器，内含数据集以及源码

用于实现一维小波去噪的程序！包括重构法，模极大值，软硬阈值法！