该代码使用去趋势波动分析（DFA）的通用多通道扩展实现了一种多变量信号去噪方法。 该方法使用 MVMD 将噪声信号分解为单频多通道调制模式，然后使用通用多通道 DFA (GMDFA) 来拒绝噪声模式。

针对图像的传输中可能会产生噪声的影响和传输时间开销过大，导致图像的恢复效果较差的问题，基于数学中熵最大的原理，提出了一种基于熵函数的去噪重构算法。将该算法运用交替方向乘子法（alternating direction method of multipliers, ADMM)分而治之的思想提出了一种新的快速去噪算法。通过归一化均方误差(normalized mean square error, NMSE)和峰值信噪比(peak signal to noise ratio, PSNR)等评价标准进行实验仿真，验证所提算法的优越性。实验结果表明：根据上面思路提出的方法具有很好的效果，在去噪方面具有一定的用途。

MATLAB小波软硬阈值去噪代码图像去噪 本项目对5级AWGN（加性高斯白噪声）失真的自然和合成图像应用不同的图像降噪方法，并就数量和质量方面不同方法的结果进行比较评估。 程序用法 在Matlab的“代码”文件夹中打开“ Test.m”脚本。 运行“ Test.m”脚本。 参数设定 对于小波方法，将同时测试硬过滤器和软过滤器。 在将小波与其他方法进行比较时，我们选择Biorthogonal 3.5作为小波滤波器。 DWT级别设置为3。 对于BM3D，sigma值设置为25。 对于空间过滤器，内核大小设置为5x5。 对于逆谐波均值滤波器，正和负Q参数分别设置为1.5和-1.5。 评估指标 对于定量分析，评估指标包括著名的PSNR以及Nikolay Ponomarenko等提出的PSNR-HVS-M。消费电子产品的视频处理和质量指标VPQM-07，美国亚利桑那州斯科茨代尔，2007年1月25日至26日，第4页）。 对于定性分析，我们在视觉上观察降噪后的图像，以便对其视觉质量进行主观评估。 定量评估结果 测试了10种降噪方法，其定量结果如下所示： 方法 自然影像PSNR 自然影像PSNR-H

针对低信噪比信号的去噪问题，提出了一种基于经验模态分解的小波阈值去噪方法，并与小波变换去噪法的效果相比较。试验结果证明，当信号的信噪比较小时，基于经验模态分解的小波阈值去噪效果是相当有效和稳定的，为研究环境脉动下结构的输出信号去噪处理提供了新的手段。

去噪声代码matlab 降噪轨迹滤波器 这是与“基于轨迹滤波器的降噪”方法相关的Matlab源代码。 运行train_demo.m和嘈杂的视频（例如，noisy_far.avi）以获取.mat文件（mv文件或理性文件），您可以在全局参数设置中设置不同的块大小（将块大小B设置为建议的8或16），运行test_demo.m以获得降噪视频。 （例如denoise_far.avi） 如有任何疑问，请给我发送电子邮件，我的电子邮件地址为和

医学超声图像的增强与去噪一直是医学图像处理的重要课题，针对传统超声图像增强处理算法的不足，本文提出一种基于小波分析理论和模糊理论的超声图像增强与去噪算法，首先对医学超声图像进行对数变换，将乘性噪声转换成加性噪声；然后再对超声图像进行多尺度小波变换，得到图像的高频和低频小波系数；再对低频系数进行模糊域增强，对高频系数进行小波软阈值去噪；最后通过小波重构得到增强后的图像。实验证明，该算法能有效增强超声图像的视觉效果，去除噪声，具有一定的应用价值和意义。

提出一种保边缘的去噪方法。该方法利用4个方向核卷积检测图像中的噪声点和非噪声点，对非噪声点不进行处理。在噪声点的3×3邻域中选择距离最小的非噪声点，若无非噪声点则邻域扩大为5×5，若有非噪声点则用这些点的中值替换噪声点，否则用邻域中距离最远像素点的均值替换噪声点。实验结果表明，该方法不仅能有效去除图像的噪声，且能较好地保护图像边缘。

有效去除数字散斑条纹图中的噪声是散斑干涉测量技术中的关键问题。提出了一种基于Goldstein滤波的数字散斑条纹图平滑方法。该方法需要将散斑条纹图中的干涉相位转换为矢量空间中的单位矢量，并进行快速傅里叶变换(FFT), 得到其频谱，然后对频谱进行加权处理，从而抑制噪声的频率成分，再将加权处理后的频谱变换到空间域，计算干涉相位，得到原始散斑条纹图的滤波结果。将该滤波方法运用于四步相移数字散斑干涉条纹图像处理。实验结果表明，该方法在滤除散斑噪声的同时能够有效地保护散斑条纹图的轮廓和细节信息，增强了散斑干涉条纹的对比度。

一种改进阈值函数的小波语音去噪方法一种改进阈值函数的小波语音去噪方法

散斑在OCT图像中既是信息载体，也是一种严重的噪声。针对OCT图像的这一特点，提出一种基于小波变换和维纳滤波相结合的OCT图像去噪方法。通过对OCT图像进行小波分解，得到四个不同频带的子图像，保持低频部分不变，对另外三个高频细节图像进行维纳滤波，将低频子图像和三个滤波后的高频细节子图像进行小波反变换，得到去噪后的图像。实验结果表明小波变换和维纳滤波相结合的方法对OCT图像有比较理想的去噪效果。