通过深度学习增强的视网膜光学相干断层扫描图像论文，pdf格式

揭示了与输入信号相伴的噪声可在一定程度上掩蔽量化误差对于信号测量精度的影响，通过计算机模拟，给出了这种掩蔽效应与模数转换器位数选择或数据压缩量化精度的定量关系．

对LMS自适应算法进行了详细的性能分析与讨论，针对LMS算法运算较复杂、适应性较弱、稳定性差的缺点提出了一种HLMS（混合LMS）算法。建立了自适应噪声抵消系统，利用MATILAB软件对食堂、体育馆两处的录音信号进行计算机语音去噪仿真分析。实验结果表明，两种自适应方法均能有效抑制各种噪声污染，提高语音信噪比为60%~85%，而且对引入的语音信号失真也较小，二者均在10%以下。HLMS算法比LMS算法更简洁，LMS算法调节性能敏感于参考输入的方差，而HLMS算法敏感于参考输入的均方根值，因此HLMS算法的适应性比LMS算法更强，在非平稳随机输入情况下HLMS算法更能提供稳定的工作性能，更能较好的恢复原始语音信号。

针对双边滤波器灰度相似权函数易受噪声影响且在图像细节区域滤波存在盲目性的问题，提出一种新的图像三边滤波器用以过滤高斯噪声。通过局部结构张量奇异值分解估计图像的几何结构信息， 获得能够刻画图像内容差异的特征信息。在此基础上，设计基于图像特征分类的灰度相似权函数，同时通过引入结构相似权的方式将鲁棒的特征信息耦合到双边滤波器框架下，以保持更多的图像细节。利用三边加权提供更可靠的像素相似性度量方式，并采用局部自适应滤波参数选取方法进一步提高算法的滤波性能。实验结果表明，该滤波器在去除噪声的同时能够较好地保持图像的边缘、纹理等结构信息。

局部均值分解（Local Mean Decomposition，简称LMD）方法是一种新的自适应时频分析方法，并成功运用于滚动轴承故障诊断中，但对噪声比较敏感。为消除噪声对诊断结果的影响，提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声，然后，进行LMD分解，并将分解后PF分量与分解前信号的相关系数作为判断标准，剔除多余低频PF分量，最后，选取有效PF集进行功率谱分析，提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验，其结果验证了该方法的有效性。

去噪声代码matlab 可乐 介绍 这是基于CoLaMP算法的MATLAB实现，该算法在以下论文（）中介绍。 “通过凸编程和块稀疏性以平滑的支持来估计稀疏信号”，Sohil Atul Shah，Christoph Studer和Tom Goldstein 源代码和数据集在麻省理工学院执照下发布。 有关详细信息，请参见。 通常，您可以将它们用于适当目的的任何目的。 如果您对代码做一些有趣的事情，我们将很乐意为您提供帮助。 欢迎与我们联系。 运行算法 如本文所述，算法1被实现为代码的一部分，算法2被实现为。 除此之外，我们还提供算法1的ADMM实现。 去噪算法是通过插入此算法的Primal-Dual算法来实现的。 我们在代码库中为所有四个应用程序都包括了测试包装，以便于理解输入/输出并再现某些论文的定性结果。

用matlab编写的一个BP神经网络去除语音高频噪声的程序代码

mat lab 小波 去噪 load sinsin colormap(pink(64)) image(X) axis('square') init=231434; randn('seed',init); x=X+18*randn(size(X)); image(x) axis('square')

分享一个小波去噪Matlab源程序