煤矿智能视频监控中常常碰到许多雾尘图像且伴有各种随机噪声,对应的图像降质严重影响了后续视频图像处理工作,因此提出一种基于暗原色先验与双边滤波器的去雾除尘和同步去噪算法。结合已有的大气散射物理模型,推导建立煤矿雾尘图像退化模型。考虑煤矿雾尘图像的特点,设计基于暗原色先验知识的大气光、粗略透射率估计的方法与步骤。分析粗略透射率图的优化要求以及双边滤波器的特性,引入联合双边滤波器快速获得精细透射率图。依据图像退化模型构建正则化目标函数,求取转换图像并进行高斯双边滤波,获得复原图像并同步实现噪声的有效去除。实验结果验证了算法的有效性,与已有去雾算法相比计算效率有较大提高,且复原质量良好适合于煤矿智能视频监控环境。

matlab环境下心电信号去噪处理和QRS波检测的一些综合方法的比较，主要是利用小波变换的去噪方法

采用集合经验模态分解方法对心电信号进行去噪

信噪比matlab代码详解评估基于感知的语音增强损失 请在这里找到引用论文和脚本的脚本。 在此存储库中，我们提供用于训练/验证数据准备（包括感知加权滤波器的幅度响应），网络训练/验证（包括感知加权滤波器损耗和基于PESQ的损耗），网络推断，增强的语音波形的源代码。重建和测量。 该代码是基于由Juan Manuel Mart´ın-Donas编写的感知加权滤波器损失项目和PMSQE的项目。 然后由赵浩然进行整合和修改。 介绍 在该项目中，针对语音增强应用评估了两个基准损失和两个基于感知的损失。 将均方误差（MSE）损失和对数功率MSE损失作为基准进行测试。 对感知加权滤波器损失和基于PESQ的损失进行评估和比较。 先决条件 2014a或更高版本 3.6 CPU或NVIDIA GPU + 9.0 7.0.5 入门 安装 安装1.14.0和2.3.1 需要安装一些Python软件包，请在Python脚本中查看详细信息。 安装 数据集 请注意，在本项目中，干净的语音信号是从（降采样到8 kHz）中提取的，而噪声信号是从数据库中提取的。 为了在此项目中运行脚本，假定上述数据库在本地可用。 训练和

近期在研究webrtc代码，把WebRTC的噪声抑制模块提取出来，也做了一些细节优化，目前可以支持8k、16k采样率的pcm数据，实际测试效果还是挺不错的，大家可以测试下效果；

这是MWCNN图片去噪程序，PyTorch运行，有价值！

对于一个时间序列，通过奇异谱分析，实现去噪和平滑

基于人耳识别听觉系统基础的梅尔频谱倒谱系数（MFCC），本次设计采用经过小波包阈值降噪处理的音频文件，提取出其相应的MFCC特征矩阵，以便做接下来的分析！

利用小波分析法，对被污染信号进行去噪处理以回复原始信号，在整体的效果上取得不错的效果！

hsi matlab代码QRNN3D TNNLS 2020论文的实施 强调 我们的网络在高斯和复杂噪声情况下均优于ICVL数据集上的所有领先方法（2019），如下所示： 我们证明了在31频段自然HSI数据库（ICVL）上进行预训练的网络可用于恢复由于恶劣的大气和水吸收而被现实世界的非高斯噪声破坏的遥感HSI（> 100频段） 先决条件 Python> = 3.5，PyTorch> = 0.4.1 要求：opencv-python，tensorboardX，caffe 平台：Ubuntu 16.04，cuda-8.0 快速开始 1.准备训练/测试数据集 从以下位置下载ICVL高光谱图像数据库（我们仅需要.mat版本） 火车测试拆分可在ICVL_train.txt和ICVL_test_*.txt 。 （请注意，我们分别将101个测试数据分为高斯和复数降噪两部分。） 训练数据集 注意cafe（通过conda安装）和lmdb是执行以下说明所必需的。 阅读utility/lmdb_data.py的函数create_icvl64_31 ，并按照指令注释定义您的数据/数据集地址。 通过python