随着高速DSP（数字信号处理器）和外设的出现，新产品设计人员面临着电磁干扰（EMI）日益严重的威胁。早期，把发射和干扰问题称之为EMI或RFI（射频干扰）。

基于边缘检测和阈值维纳滤波的多小波融合图像去噪

ADMM 使用Radio Galaxy图像反卷积

快速 NLM 方法基于积分图像，并在 Darbon 的论文中进行了描述。 一般来说，这种快速实现比经典的 NLM 方法快 10 倍以上。

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。

非本地手段 介绍 在这个项目中，我以幼稚的方式并使用积分图像实现了非局部均值过滤。 这些文件中都对这两种方法进行了解释： 非本地均值降噪 用于块匹配的积分图像 描述 非局部均值算法用于去除图像中的噪点。 我们输入了三件事： 我们要去噪的图像 大小为kxk的内核 wxw大小的窗口 对于图像中的每个像素（我们将要去噪），我们将窗口围绕其居中，通常，该窗口是相当大的，但出于性能方面的考虑，当然不如整个图像大。 然后，对于窗口中的每个像素，我们滑动一个补丁（通常为3x3或5x5），我们要去噪的像素将是图像补丁上的加权和。 整体影像改善 如果我们使用积分图像，则可以加快计算速度。 伦敦大学学院图像处理课程中的Lourdes Agapito教授的图像幻灯片 由于以下公式，我们可以加快计算速度： 图片摘自Wikipedia（ ） 如何使用代码 只需打开Matlab并为完整的图像实现运行nonL

采用matlab语言书写，算法实现非局部均值去噪原理

非局部均值去噪法存在的问题 相似性度量缺乏鲁棒性 高斯加权核各向同性性质影响 非相似像素块影响 运算量大 加权核系数选择

本文讲述了信噪比SNR与误码率BER的关系 由简入深 图形丰富 还有频谱图形讲解 等效噪声带宽 也有一定的讲解