利用小波降噪预处理的时频分布分析柴油机漏油故障。诊断实例为斯太尔实车发动机漏油故障，振动传感器放置在第3、第4缸中间，设置故障为第3缸油路漏油，同时采集振动信号和第4缸喷油压力信号，采样频率为12.8kHz，发动机转速为1300r/min，Sig1.txt是正常工况下第4缸上止点后两个工作循环的振动信号，Sig2.txt是第3缸漏油工况下的振动信号。
如有任何疑问，请私信博主。
2022-05-11 09:07:06
11KB
该程序还要求实现以下功能
1. 显示原图像、移除像素后的图像和恢复出的图像。
2. 求该去噪算法的MSE值。
2022-05-10 18:08:44
225KB
均值滤波步骤
1. 使用一个NxN的模板取出图像中部分值。
2. 将模板内的像素值求和并取平均。
3. 用平均值替换模板中心点像素值。
4. 移动模板，重复步骤1，直到模板不能再继续移动。
该程序还要求实现以下功能
1. 显示原图像、移除像素后的图像和恢复出的图像。
2. 求该去噪算法的MSE值。
2022-05-10 18:08:43
225KB
维纳滤波算法流程
1. 将图像分割成多个MxN块，估计像素的局部均值和方差：
2. 估计噪声功率，使用局部方差的均值作为噪声功率估计值：
3. 使用维纳法估计MxN块内所有像素的灰度值：
4. 使用估计值替换块中原像素值。
5. 合并多个图像块，得到滤波后图像。
该程序还要求实现以下功能
1. 显示原图像、移除像素后的图像和恢复出的图像。
2. 求该去噪算法的MSE值。
2022-05-10 18:08:42
225KB
中值滤波步骤：
1. 使用一个NxN的模板取出图像中部分值。
2. 将矩阵内的元素按升序或降序进行排序。
3. 取出排序后序列的中间值。
4. 使用中间值替换模板中心点像素值。
5. 移动模板，重复步骤1，直到模板不能再继续移动。
该程序还要求实现以下功能
1. 显示原图像、移除像素后的图像和恢复出的图像。
2. 求该去噪算法的MSE值。
2022-05-10 18:08:41
225KB
自适应中值滤波步骤
1. 指定模板的最小尺寸N和最大尺寸M，并按照(M-1)/2扩展图像边界。
2. 先使用NxN的模板取出图像中部分值。
3. 判断当前模板的中值是否可能为噪点，若可能执行步骤4，不是则执行步骤5。
4. 若当前模板尺寸小于M则扩大模板尺寸再执行步骤2，若当前模板尺寸等于M则使用中值替换原像素值再执行步骤6。
5. 判断模板中心点像素值是否可能为噪点，若可能则以中值替换原像素值，若不是则保留原像素值。执行步骤6。
6. 将模板尺寸减小为N，移动模板，重复步骤2，直到模板不能再继续移动。
该程序还要求实现以下功能
1. 显示原图像、移除像素后的图像和恢复出的图像。
2. 求该去噪算法的MSE值。
2022-05-10 18:08:40
225KB
matlab代码放大
PyTorch版本
抽象的
基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。
通常，这两种方法都有其各自的优缺点，例如，基于模型的优化方法可灵活地处理不同的逆问题，但出于性能良好的目的，通常以复杂的先验条件耗时；
同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。
最近的工作表明，借助可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他反问题（例如，去模糊）。
当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。
但是，仍然缺乏与快速判别去噪器集成的研究。
为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中，以解决其他逆问题。
实验结果表明，学习的去噪器集不仅可以实现有希望的高斯去噪结果，而且可以用作为各种低级视觉应用提供良好性能的先决条件。
基本思想
借助可变分裂技术，例如乘数交替方向方法（ADMM）和半二次分裂（HQS）方法，可以分别处理一般图像恢复公式的保真度项和正则项项，尤其是正则化项仅对应于降噪子问题。
因此，这可以将任何区分式去噪
2022-05-10 17:19:47
208.89MB
1