X射线荧光CT（XFCT）是X射线CT与X射线荧光分析相结合的新型成像方式，可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数，在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法，通过卷积神经网络学习图像中的噪声分布规律，从而抑制噪声。基于此，提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法，该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪，随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律，同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取，且设置不同入射X射线的强度，以此模拟不同噪声水平，增强模型泛化能力。实验结果表明，与三维块匹配滤波（BM3D）及DnCNN算法相比，NeCNN算法的去噪结果最优，其SSIM为0.95066，峰值信噪比（PSNR）为29.01558，图像质量提高最为显著。

提出了一种用于太赫兹图像的基于噪声估计的自适应迭代去噪算法。利用噪声水平估计方法获得真实实验图像的噪声标准差,使用基于四叉树的加权双平方非局部均值去噪方法对噪声图像进行去噪以提高重建图像的质量,并对去噪后的图像再次进行噪声估计与去噪,通过反复迭代获得最佳的去噪效果。实验结果表明,所提方法能较好地保留图像的细节,有效地去除由成像系统所引起的背景噪声,其对太赫兹图像具有较好的去噪效果。

实现数字图像中噪声参数的精确估计对提高图像处理的质量有重要意义。对被高斯白噪声所污染的图像进行稀疏主成分分析时, 其部分主成分的负载向量的均值与高斯白噪声标准差呈现一定的线性关系。基于此特征, 本文提出了一种快速精确的图像噪声估计方法。在该方法中, 通过对高斯白噪声污染图像添加多种已知标准差等级的新的高斯白噪声以产生多幅新图像, 然后对每幅图像进行稀疏主成分分析, 并求取多个主成分负载向量均值。最后, 通过求解一个超定方程组实现图像高斯噪声标准差等级的精确估计。实验结果表明, 本方法在低噪声(δ0=5)到高噪声(δ0=70)条件下均具有较高的估计精度和较强的鲁棒性, 在实际工程中具有一定的实用价值。

针对强非线性和时变噪声统计特性不明的高动态运动环境下全球卫星导航系统/惯导系统(GNSS/INS)深组合导航系统滤波精确度较差甚至发散的问题, 提出一种自适应混合无迹卡尔曼滤波(UKF)算法。该算法以 UKF算法为基础, 采用混合滤波思想对 UKF滤波算法进行简化; 并根据高动态下系统量测噪声时变, 且易快变、突变的特点, 设计了一种基于渐消记忆指数加权的自适应量测噪声估计器, 实时估计和修正噪声统计量并自适应调节估计周期。仿真结果表明, 在量测噪声变化的情况下, 相比于常规 UKF算法, 本文算法各向定位测速精确度均有所提升, 水平方向精确度提升 60%以上, 效果明显; 此外, 算法耗时减少 18.64%, 说明本文算法能够在提升滤波精确度的同时减少部分计算量。

四维块匹配协同滤波(BM4D)用于地震信号去噪时,虽然性能良好,但需要预知噪声标准差。针对上述问题,提出结合主成分分析(PCA)噪声估计的BM4D三维地震信号去噪算法。该算法首先用PCA对地震信号进行噪声估计,然后将估计结果用于BM4D去噪。对人工合成与实际三维地震信号的去噪实验结果表明,本文算法具有可行性,既能取得很好的去噪效果,又能规避BM4D对噪声水平预估值敏感的局限性。与5种噪声估计算法的对比实验表明,本文方法在噪声估计时间和精度方面均具有优势。

提出了一种改进的盲相位噪声补偿算法--两阶投影直方图(two-stage PH)算法。利用一系列均匀分布的测试相位对接收信号进行相位旋转,将得到的信号向实轴投影,获取投影直方图;统计投影中心附近星座点的数量,以数量最多对应的测试相位作为粗相移值;以粗相移值为中心均匀取一定数量的测试相位,重复一阶投影直方图的估计步骤,得到精确的相移值进行相位补偿。通过基于光梳状谱的双向相干光正交频分复用无源光网络(CO-OFDM-PON)实验系统对该算法的性能进行了验证。结果表明:该方法对10×8 Gbit/s的 CO-OFDM系统的公共相位噪声有很好的补偿效果,将16正交振幅调制(16QAM) CO-OFDM系统的误码率降低至少2个数量级。该算法测试相位的个数仅需一阶投影直方图算法测试相位个数的1/4,极大地降低了系统的复杂度,可用于CO-OFDM系统的公共相位噪声补偿。

提出了一种多项式预测全球卫星导航系统(GNSS)矢量跟踪算法，不需要接收机运动参数的先验信息，不同于传统卡尔曼滤波器需要根据目标的运动状态选择合适的动态模型并且调节相应的状态噪声。对观测噪声进行自适应估计，实现对目标状态更为鲁棒的跟踪。仿真结果表明，建立的矢量跟踪模型能够准确跟踪目标状态，适应各种加速度的目标运动情况，在加速度发生突变时,也能保持鲁棒的跟踪，有效避免了传统卡尔曼模型由于参数选择带来的问题。

首先针对无源传感器目标跟踪中的非线性问题，将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波，提出一种求积分卡尔曼概率假设密度滤波。其次，针对未知时变过程噪声，将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中，同时依据目标状态一步预测与状态滤波结果之间的残差，提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明：相较于已有的非线性高斯混合概率假设密度滤波，所提算法有更高的精度，并且在未知时变噪声环境中具有较好跟踪效果。

研究了图像处理中各向异性扩散的正则化参数选取问题.根据分片常数模型,提出了一种噪声估计方法,该方法通过寻找图像中的最小区域方差来估计噪声;分析了正则化参数与图像噪声的关系,提出了一个正则化参数选取的修正公式,该公式使正则化参数能根据图像噪声自适应调整;最后给出了由正则化参数选取高斯模板尺度的规则.实验结果显示,这种正则化选取方法可以使各向异性扩散方程对图像噪声具有很好的自适应性.