针对自适应Kalman滤波中测量噪声统计特性估计问题, 提出了一种基于α-β-γ滤波和二阶互差分的测量噪声方差估计算法。该算法通过α-β-γ滤波器构造测量信号的虚拟冗余观测序列, 将只适用于冗余测量条件下的二阶互差分算法推广到单一测量。在此基础上, 通过对数据的选择和对α-β-γ滤波器的优化, 达到提高计算精度的目的。仿真实验结果表明, 相对于通过经典的自适应Kalman滤波算法计算测量噪声方差, 该算法估计测量噪声方差精度更高, 能够有效抑制滤波发散。

激光多普勒测速仪(LDV)能够实现载体速度的高精度测量, 从而满足航空航天领域对高精度导航的需求。目标速度测量是建立在回波信号成功检测的基础上进行的, 因此微弱多普勒信号检测是LDV的关键技术。根据光频段噪声频谱特性, 提出了对有用信号频率进行带阻滤波、利用剩余噪声强度估计总体噪声强度的方法, 设计了频域内基于噪声强度估计的自适应阈值信号检测算法。通过与传统的固定阈值算法的对比仿真和实验, 表明该方法具有更好的探测性能, 能够在保持较低恒定虚警概率条件下实现对高于信噪比为-9 dB信号的完全检测, 具有抵抗噪声强度的起伏变化、算法简单、适用性强等特点。

提出一种小波域的维纳滤波方法对锥束牙科CT断层图像进行降噪。该算法以db4小波作为分解小波对CT图像进行分解, 在分解后的每个子带再进行维纳滤波, 并根据图像的区域统计特性对每个子带的局部均值和噪声方差估计参数进行了调整。利用降噪后的小波系数重构图像, 得到降噪后的CT断层图像。通过计算机仿真及锥束牙科CT的真实数据测试表明, 本文采用的方法有效抑制了图像噪声, 提高了图像的信噪比, 明显改善了图像的视觉效果。

人体胸部各种组织器官较多, 造成胸部的CR(Computed Radiography)图像动态范围大, 是所有临床CR图像中最为复杂的一种。一般的图像增强方法只对胸腔中的部分组织起到了增强的效果, 而对另一部分组织不会有良好的增强的效果, 甚至会出现对比度变差、细节模糊、噪声增加等不理想的结果。提出了基于邻域灰度方差与噪声方差之比的自适应增强方法, 可根据胸部CR图像的灰度特性调节增强程度的加权因数K, 自适应的增强胸部CR图像边缘细节, 丰富图像的细节信息, 提高图像的诊断价值。实验证明, 该算法处理后的胸部CR图像细节丰富, 信噪比高, 细节方差和背景方差之比(DV/BV)比通用算法高, 增强后的CR图像具有良好的视觉效果, 是一种有效的适合胸部CR医学图像的边缘细节增强方法。

提出了一种利用小波域Firm阈值滤波去除随机噪声的方法,以提高微型光谱仪的光谱采集精度。首先,采集2次光谱谱线，取均值作为待处理谱线；然后,计算出这两次谱线的噪声标准差取代传统小波去噪中的噪声标准差估计，运用通用阈值法确定上阈值。调整下阈值对待处理谱线进行小波Firm阈值滤波，并判断滤波后偏差是否在计算的噪声方差内。选用标准溶液以２种浓度做相对吸光度实验(标准值是A=0.320 4)，分别用传统10次平均方法和Firm阈值滤波法进行去噪。实验结果表明,提出的方法优于传统10次平均法，标准差从0.007 96降低到了0.006 97，提高了采集速度。在以光纤光谱仪为主体的微型生化分析仪样品检测过程中的应用表明：该方法提高了检测精度，减少了检测时间,提高效率4~5倍。

由于相同的去噪方法对不同噪声类型的去噪效果不一样，采用基于小波域的图像噪声类型识别方法，利用小波高频子带系数的直方图识别了图像的两类主要噪声：高斯噪声和椒盐噪声.对红外图像系列的噪声进行了分析，长波红外图像主要受到高斯噪声干扰，中波红外图像主要受到椒盐噪声干扰.提出了一种改进的小波全局阈值去噪方法.仿真实验表明，该方法较传统方法的PSNR提高了2～3 dB，处理速度较快.

目前图像信噪比定义方法多种多样,对常见信噪比定义进行了分类,总结了不同定义之间的内在联系、常用解法以及使用范围。针对常见图像信噪比求解方法误差较大的问题,提出了一种基于最小二乘拟合的高斯背景噪声参数估计方法。首先根据全部灰度级估计均值和方差,然后通过迭代的方式,排除高灰度非背景像素的干扰,逐步缩小统计范围,最后选择具有最小均方误差的统计参数作为背景灰度和噪声方差的估值。仿真实验证明,与常见的“局部最小方差法”和“小于均值方差法”相比,用该方法得到的背景噪声参数计算的信噪比具有更高的精度和稳定性。

采用定点迭代进行变分图像恢复并在这个计算框架下提出利用噪声方差选择规整化参数的方法。假定已知观测图像中初始噪声统计特性。为了在反卷积过程中正确地估计噪声的方差，构造一幅纯噪声图像跟实际的观测图像同步进行反卷积计算，并把纯噪声图像的方差作为观测图像中噪声方差的估计值来辅助计算规整化参数。针对规整化的各项异性，提出了能够保持两种噪声同步变化的特殊的规整化项。在能够准确知道迭代过程中图像包含噪声的方差的时候，建立了规整化参数λ与图像噪声方差之间的关系式。实验证明新的算法不但更好地抑制了噪声而且避免了过平滑，明显提高了基于定点迭代法计算变分图像恢复的适应性。

为避免由于系统噪声统计特性不准确所导致的滤波性能下降问题,改进了一种基于新息的系统噪声方差调整方法,并将其与扩展卡尔曼滤波、Unscented卡尔曼滤波和差分滤波相结合,形成自适应非线性卡尔曼滤波。将此方法应用到非线性测量光电跟踪系统中,并与采用基本非线性卡尔曼滤波进行性能对比。仿真实验结果证明该方法可以实时调整系统噪声方差,有效地避免由于系统噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于基本非线性卡尔曼滤波。

在原非负支撑域递归逆滤波(NAS-RIF)算法基础上,提出了一种基于空间自适应和正则化技术的改进的盲图像复原算法。该算法在原NAS-RIF算法的代价函数中引入两项空间自适应加权项,分别用来确保图像复原的逼真和平滑。自适应加权项可根据观察图像的局部特性和噪声方差求得;加入正则化项,则用于抑制噪声。提出了根据观察图像来估计噪声方差的方法,不需要知道噪声方差的先验条件,采用共轭梯度算法来进行求解。对3幅不同背景和不同信噪比的图像进行了仿真实验。实验结果表明:采用改进算法得到的信噪比增益(ΔSNR)比原算法分别提高了0.207 3 dB,1.023 9 dB和2.862 8 dB,取得了更优的图像复原效果。