3.1 基于线性融合的拼接缝消除算法 3.1.1 直接平均法 该算法简单直观，假设 1 ( , )I x y 为图像 1 在点 ( , )x y 的像素值， 2 ( , )I x y 为图像 2 在位置 ( , )x y 的像素值， ( , )I x y 为融合的结果图像的像素值。则该算法表达式为： 1 1 1 2 1 2 2 2 ( , ) , ( , ) ( , ) ( , ) , 2 ( , ) , I x y x y I I x y I x y I x y x y I I I x y x y I         （3-1） 直接平均法的优点是简单、速度快，其缺点是得到的图像相当容易产生重影以 及会有较为明显的拼接痕迹。 3.1.2 加权线性融合方法 加权线性融合方法是在直接平均法的基础上引入加权函数得到的。假设 1 ( , )I x y 表示图像 1 在点 ( , )x y 处的像素值， 2 ( , )I x y 表示图像 2 在位置 ( , )x y 的像素值， ( , )I x y 表示融合后结果图像的像素值。则该算法可表达为： 1 1 1 1 2 2 1 2 1 2 2 2 ( , ) , ( , ) ( , ) ( , ) ( , ) ( , ) , ( , ) ( , ) ( , ) , I x y x y I w x y I x y w x y I x y I x y x y I I w x y w x y I x y x y I           （3-2） 线性加权融合方法的加权函数有好多种，例如帽子函数、渐入渐出函数等。 帽子加权函数，对于第 i 幅图像，其加权函数 ( , ) i w x y 表达如下： 1 1 ( , ) (1 ) (1 ) 2 2 i i i x y w x y width hight       （3-3） 该加权函数的效果是对图像中心处的像素赋予较高的权值，而对图像边缘地区 的像素赋予较低权值。

LTE-A(Long Term Evolution-Advanced)系统有高速率、低时延的需求。但是，系统中的干扰严重影响了终端接收信号质量，限制了系统性能的提升。对于小区间的同频干扰，重点研究了干扰消除性能较优的IRC(Interference Rejection Combining)算法。针对目前IRC算法的两种经典的协方差矩阵估计方案—基于数据信号和基于DM-RS参考信号的协方差矩阵估计方案的优点与不足，给出了一种基于样本点选取的协方差矩阵估计的改进方案。仿真结果表明，改进后的IRC算法较基于DM-RS参考信号的协方差矩阵估计的IRC算法有1 dB～2 dB的性能增益，因此更适用于受同频干扰比较严重的LTE-A系统中。

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法

暗通道去雾matlab源代码脱氢表雄酮 概括 这是雾度消除算法的MATLAB源代码，该雾度消除算法使用简单的图像增强技术（例如细节增强，伽玛校正和单比例图像融合）对模糊的输入图像进行除雾。 计算流程如下： 输入图像->细节增强->伽玛校正->暗通道基于先验的权重图计算。 ->单比例图像融合->后处理->输出图像 该源代码包括所有计算步骤，但由于版权限制，自适应音调重新映射后处理除外。 运行代码 在MATLAB R2019a中执行文件mIFDH_demo.m可以并排查看模糊的结果。 定性结果 注意：通过执行此源代码获得的结果与此处显示的定性结果不同。 原因是排除了自适应音调重映射后处理。 参考 在任何与使用源代码有关的出版物中，请引用以下参考文献：

ti 基于 定点dsp的 lms 回声消除算法，很有用的

一种新的基于异步 NOMA 的串行干扰消除算法

在蜂窝网无线定位中,到达时间(TOA)或到达时间差(TDOA)中的非视距(NLOS)误差会导致移动台的位置估计出现较大偏差。为了减轻NLOS误差的影响,提出了一种基于扩展卡尔曼滤波(EKF)的非视距误差消除算法。算法通过引入一个NLOS转换因子改进EKF的迭代过程,消除NLOS误差对定位估计的影响。计算机仿真结果表明,在NLOS环境下定位精度的提高是显著的。

麦克风风噪声模拟器 这是一个生成麦克风风噪声示例的matlab程序。 这些可用于训练噪声消除算法，提高语音/音频识别算法的鲁棒性并产生声音效果。 音频是从每25ms采样的风速声纳的时间历史中生成的。 如果采样频率不同，则可以使用插值。 麦克风风噪声有3种模型，一种使用真实的音频记录，该音频是使用放置在风洞中的非屏蔽B＆K测量麦克风制作的。 音频窗口，然后从这些录音中抓取，然后将这些窗口重叠并加在一起，以产生随时间变化的风噪声。 此外，还有两种型号的合成麦克风风噪声。 一个带有挡风玻璃（直径D），另一个没有。 有关实现的更多详细信息，请参考以下出版物。 风感麦克风噪声的感知和自动检测，Jason，Iain R .； 保罗·肯德里克； 考克斯，特雷弗·J。 Fazenda，Bruno M .； Li，FrancisF。《美国声学学会杂志》，第1卷。 136，第3期，第1176-1186页-h

音频回声消除算法