那些有“颜色”的噪声

那些有“颜色”的噪声

说起噪音，大概许多人都会皱起眉头。毕竟在我们的印象里，噪音总是和刺耳喧闹的声音联系在一起，让人焦躁烦闷。但如果你打开最近网络上流行的歌单，会渐渐发现，一些名为“白噪声”“粉红噪声”的歌单已经被很多人点赞收藏。明明是噪声，为什么又有了颜色呢？为什么人们又会对这些有颜色的噪音如此追捧呢？让我们一起来揭开关于

噪声的秘密吧。

“噪声”的意义和内涵

从字面意义上来看，“噪声”仅仅属于声音信号的范畴，然而在更为宽泛的意义上，“噪声”还可以是任何形式的信号：振动、电磁波、数字信号等等。

在环境工程范畴，“噪声”是一个非常重要的概念。在很多工程问题中，工程师经常要面对的一个问题是，如何从众多的背景信号（噪声）中提取出想要得到的信息，这涉及到所谓的信号增强，以提高“信噪比”。在这个意义下，“噪声”可以是任何干扰我们提取有用信息的信号，比如我们在电影院观看电影时邻座的细声谈话就是噪声，因为会影响我们对电影的理解。

最纯净的噪声：白噪声

最严格意义上的，也就是最纯净的“噪声”，指的是完全随机的信号，可以是声音、图像，也可以是振动等。在环境工程中，随机性意味着不可预测性，而对于人们来说，尽管获得了信号，但对于预测信号未来的变化却完全没有帮助，那么这样的信号也就不含有任何的信息。

当我们碰到这样“不蕴含任何信息”的信号时，这样的信号就被称为“白噪声”了。而我们知道，纯色均匀地混合在一起就形成了“白色”，白噪声的命名正是类比于白光。在信号处理的频率分析方面，“白噪声”信号在频率分布上是均匀的，也就是说其各个频率对应的能量相互之间相等。

白噪声的作用

千万别小瞧白噪声，它在我们生活中的方方面面，都起着令人想象不到的作用。在一些音乐录制的后期，调音师们会有意地加入一些白噪声，这样会使人听到时感觉更轻松，更容易集中注意力到音乐上。这大概是因为白噪声是所有频率信号均衡的情况，而我们的感知系统对它最适应――我们对白噪声的感受是中性的，不包含信息和结构，所以不会让我们分神，从而也有助于睡眠。相反地，如果真的把我们放在绝对安静的环境之中，我们反而会感到奇怪，无法入眠。

在环境工程中，当需要探测的原始信号在强度很弱的时候，科研人员可以选择在信号中加入一定强度的白噪声，从而方便信号的处理，提高对信息的识别能力，也就是利用随

机共振现象。这样的信号中加入白噪声之后，在与原始信号相对应的频段，会跟原始信号产生共振，使原始信号的强度增加，上升到可探测的水平，而同时白噪声的信号强度保持不变。在后期信号处理时，白噪声也很容易被过滤掉。这样处理的结果就是，在增加输入信号（有用信号）的强度的同时，并不太影响该信号的特征。随机共振现象并不是遮蔽或者抵消了其他信号，而是增强了想要的信号。一些高端的模数转换器芯片常常内置白噪声信号发生器，从而方便探测微弱信号――声音、振动等。

而在动物界中，噪音信号的影响也是显而易见的。比如匙吻鲟能利用其吻部的数千个电感受器来探测极为微弱的

电场变化。通常这种电场变化是由水中的大群浮游生物产生的。实验证明，在引入一定电场噪声信号的情况下，匙吻鲟的捕猎（探测）距离要高于没有噪声信号的时候。

各式各样的“彩色噪声”

除了白噪声，还有其他一些噪声也被赋予了颜色的属性，它们是怎么来的呢？总体上可以理解为，这些色彩的噪声来自于对白噪声的滤波，但这样的“滤波”仅仅是说它们不是纯粹的白噪声，而不是说能从它们中提取出什么信息来。

对于外界的声音信号，人耳朵的感知范围在20Hz～20000Hz，而且对高频信号比对低频信号更敏感，也就是说，

对于同样能量的高频信号和低频信号，人们会感觉高频信号的声音听起来更大。这样的话，当人听到“所有频率能力均等分布”的白噪声声音信号时，实际上人的耳朵对这噪声加了处理，使得高频显得相对更强。从而，人感知到的信号就不再符合“白噪声”信号的定义了。为了抵消掉人耳对白噪声声音信号的这种处理，使最终感知到的信号符合白噪声的定义，在音频处理上，我们对低频部分做了增强，对高频信号做了抑制，这样得到的信号仍然包含每个频率的声音，但是声音的平衡就发生了变化。举个类似的例子，当我们对白光信号（所有频率信号的均匀混合）进行低频抑制高频的处理时，得到的颜色就会发生变化――白光变成粉色光了，因此这样的增强低频抑制高频的噪声信号被称为“粉红噪声”。

而在音频处理上，如果我们把低频增强得比粉红噪声更强，而高频部分抑制得更多，那就得到了所谓的“褐噪声”。如果我们对白光也加以这样的处理，得到的光的颜色实际上是深红色（接近褐色），之所以被称为褐噪而不是深红噪，是因为这种噪声跟物理上的布朗运动类似，而布朗的英文Brown还有褐色的意思，所以被叫做“褐噪声”。“褐噪声”的低频相对于其他颜色的噪声更大。

相反地，如果把白噪声的低频部分加以抑制，高频部分增强，就能得到“蓝噪声”，这名字也是来源于对白光做这样处理之后的变化。如果这样的处理做得更加明显，那么就

变成了“紫噪声”。

高斯白噪声与高斯噪声的相关概念

高斯噪声是一种随机噪声，在任选瞬时中任取n个，其值按n个变数的高斯概率定律分布。注： 1,高斯噪声完全由其时变平均值和两瞬时的协方差函数来确定，若噪声为平稳的，则平均值与时间无关，而协方差函数则变成仅和所考虑的两瞬时之差有关的相关函数，它在意义上等效于功率谱密度。 2,高斯噪声可以是大量独立的脉冲所产生的，从而在任何有限时间间隔内，这些脉冲中的每一个脉冲值与所有脉冲值的总和相比都可忽略不计。 3,实际上热噪声、散弹噪声及量子噪声都是高斯噪声。 白噪声是一种功率频谱密度为常数的随机信号或随机过程。换句话说，此信号在各个频段上的功率是一样的，由于白光是由各种频率（颜色）的单色光混合而成，因而此信号的这种具有平坦功率谱的性质被称作是“白色的”，此信号也因此被称作白噪声。相对的，其他不具有这一性质的噪声信号被称为有色噪声（功率谱密度随频率变化）。 理想的白噪声具有无限带宽，因而其能量是无限大，这在现实世界是不可能存在的。实际上，我们常常将有限带宽的平整讯号视为白噪音，因为这让我们在数学分析上更加方便。然而，白噪声在数学处理上比较方便，因此它是系统分析的有力工具。一般，只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽，并且在该带宽中其频谱密度基本上可以作为常数来考虑，就可以把它作为白噪声来处理。例如，热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度，通常可以认为它们是白噪声。 白噪声的功率谱密度是一个常数。这是因为：白噪声的时域信号中任意两个不同时刻是不相关的，因此，白噪声的自相关函数为冲击函数，因此，白噪声的功率谱密度为常数。（自相关函数和功率谱密度是傅立叶变换对）。 当随机的从高斯分布中获取采样值时，采样点所组成的随机过程就是“高斯白噪声”；同理，当随机的从均匀分布中获取采样值时，采样点所组成的随机过程就是“均匀白噪声”。 “非白的高斯”噪声——高斯色噪声。这种噪声其分布是高斯的，但是它的频谱不是一个常数，或者说，对高斯信号采样的时候不是随机采样的，而是按照某种规律来采样的。 仿真时经常采用高斯白噪声是因为实际系统（包括雷达和通信系统等大多数电子系统）中的主要噪声来源是热噪声，而热噪声是典型的高斯白噪声，高斯噪声下的理想系统都是线性系统。 高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。 热噪声和散粒噪声是高斯白噪声。 所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。这是考查一个信号的两个不同方面的问题。

时间序列和白噪声

时间序列和白噪声 1.什么是白噪声答:白噪声是指功率谱密度在整个频域内均匀分布的噪声。白噪声或白杂讯是一种功率频谱密度为常数的随机信号或随机过程。换句话说此信号在各个频段上的功率是一样的由于白光是由各种频率颜色的单色光混合而成因而此信号的这种具有平坦功率谱的性质被称作是白色的此信号也因此被称作白噪声。相对的其他不具有这一性质的噪声信号被称为有色噪声。理想的白噪声具有无限带宽因而其能量是无限大这在现实世界是不可能存在的。实际上我们常常将有限带宽的平整讯号视为白噪音因为这让我们在数学分析上更加方便。然而白噪声在数学处理上比较方便因此它是系统分析的有力工具。一般只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽并且在该带宽中其频谱密度基本上可以作为常数来考虑就可以把它作为白噪声来处理。例如热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度通常可以认为它们是白噪声。高斯白噪声的概念--.白指功率谱恒定高斯指幅度取各种值时的概率px是高斯函数高斯噪声--n维分布都服从高斯分布的噪声高斯分布--也称正态分布又称常态分布。对于随机变量X记为Nμσ2分别为高斯分布的期望和方差。当有确定值时p x也就确定了特别当μ0σ21时X的分布为标准正态分布。2.matlab中白噪声和有色噪声怎么表示答:假设V和W是2个n维噪声序列其中V表示白噪声W表示有色噪声在MA TLAB中表示方法为: Vrandnmn Wfilterb1V b为滤波器系数。3.什么叫单边功率谱和双边功率谱他们如何计算答:单边功率谱密度N0主要用在复数信号中双边功率谱密度N0/2主要用在实信号中。单边功率谱适于基带分析在基带中是0中频。如果信号通过了调制将原中频搬移到了高频段原来的负频部分就成了正频利用双边功率谱进行分析。4.Matlab常用工具箱有哪些答:MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算可视化建模仿真文字处理及实时控制等功能。学科工具包是专业性比较强的工具包控制工具包信号处理工具包通信工具包等都属于此类。开放性使MA TLAB广受用户欢迎。除内部函数外所有MA TLAB主包文件和各种工具包都是可读可修改的文件用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。MatlabMainToolbox--matlab主工具箱ControlSystemToolbox--控制系统工具箱CommunicationToolbox--通讯工具箱FinancialToolbox--财政金融工具箱SystemIdentificationToolbox--系统辨识工具箱FuzzyLogicToolbox--模糊逻辑工具箱Higher-OrderSpectralAnalysisToolbox--高阶谱分析工具箱ImageProcessingToolbox--图象处理工具箱LMIControlToolbox--线性矩阵不等式工具箱ModelpredictiveControlToolbox--模型预测控制工具箱μ-AnalysisandSynthesisToolbox--μ分析工具箱NeuralNetworkToolbox--神经网络工具箱OptimizationToolbox--优化工具箱PartialDifferentialToolbox--偏微分方程工具箱RobustControlToolbox--鲁棒控制工具箱SignalProcessingToolbox--信号处理工具箱SplineToolbox--样条工具箱StatisticsToolbox--统计工具箱SymbolicMathToolbox--符号数学工具箱SimulinkToolbox--动态仿真工具箱WaveleToolbox--小波工具箱5什么是加性噪声答:加性噪声一般指热噪声、散弹噪声等它们与信号的关系是相加不管有没有信号噪声都存在。而乘性噪声一般由信道不理想引起它们与信号的关系是相乘信号在它在信号不在他也就不在。一般通信中把加性随机性看成是系统的背景噪声而乘性随机性看成系统的时变性如衰落或者多普勒或者非线性所造成的。信道中加性噪声的来源一般可以分为三方面:1人为噪声:人为噪声来源于无关的其它信号源例如:外台信号、开关接触噪声、工业的点火辐射等2自然噪声:自然噪声是指自然界存在的各种电磁波源例如:闪电、雷击、大气中的电暴和各种宇宙噪声等3内部噪声:内部噪声是系统设备本身产生的各种噪声例如:电阻中自由电子的热运动和半导体中载流子的起伏变化等。某些类型的噪声是确知的。虽然消除这些噪声不一定很容易但至少在原理上可消除或基本消除。另一些噪声则往往不能准确预测其波形。这种不能预测的噪声统称为随机噪声。我们关心的只是随机噪声。随机噪声的分类常见的随机噪声可

分型噪声

Perlin噪声[编辑] Perlin噪声（Perlin noise）指由Ken Perlin发明的自然噪声生成算法[1]。由于Perlin本人的失误，Perlin噪声这个名词现在被同时用于指代两种有一定联系的的噪声生成算法。这两种算法都广泛地应用于计算机图形学，因此人们对这两种算法的称呼存在一定误解。下文中的Simplex噪声和分形噪声都曾在严肃学术论文中被单独的称作Perlin噪声。 本文仅讨论灰度图的情况。对于彩色图像的噪声生成，只要将同样的方法分别应用于各个颜色分量上，再加以合成即可。 目录 [隐藏] ? 1 Simplex噪声 o 1.1 经典Perlin噪声 o 1.2 经典Perlin噪声的软件实现 o 1.3 Simplex噪声 o 1.4 Simplex噪声和经典Perlin噪声的应用 ? 2 分形噪声 o 2.1 一维分形噪声 o 2.2 二维分形噪声 ? 3 参考文献 ? 4 外部连接 Simplex噪声[编辑] 生成噪声最通常的想法是为每个像素赋予一个随机的灰度值。如此产生的图像如下图左。 ? 使用随机方法产生的白噪声

? 左图的频谱 ? 对随机噪声进行柔化 ? 左图的频谱 用随机法产生的噪声图像和显然自然界物体的随机噪声有很大差别，不够真实。1985年Ken Perlin指出[1]，一个理想的噪声应该具有以下性质： 1. 对旋转具有统计不变性； 2. 能量在频谱上集中于一个窄带，即：图像是连续的，高频分量受限； 3. 对变换具有统计不变性。 对于计算机图形学中的普遍应用，噪声应该是伪随机的，两次调用应得到同样的结果。 上图的噪声之所以不够真实是因为它的能量在频谱中平均分布，即它是白噪声。对白噪声进行柔化处理后限制了噪声的频谱，比之前者和自然界中的噪声现象更加接近，但是依然不能令人满意。 经典Perlin噪声[编辑] Perlin在上述文章中提出了一种产生符合要求的一维噪声函数的简单方法，这是后续工作的基础：

噪声模型

噪声模型 数字图像的噪声主要来源于图像的获取(数字化过程)和传输过程。图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如，使用CCD 摄像机获取图像，光照程度和传感器温度是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如，通过无线网络传输的图像可能会因为光或其他大气因素的干扰被污染。 一.噪声的空间和频率特性 相关的讨论是定义噪声空间特性的参数和这些噪声是否与图像相关。频率特性是指噪声在傅里叶域的频率内容(即，相对于电磁波谱)，例如，当噪声的傅里叶谱是常量时，噪声通常称为白噪声。这个术语是从白光的物理特性派生出来的，它将以相等的比例包含可见光谱中所有的频率。从第4章的讨论中不难看出，以等比例包含所有频率的函数的傅里叶谱是一个常量。 由于空间的周期噪声的异常(5.2.3节)，在本章中假设噪声独立于空间坐标，并且它与图像本身无关联(简言之，噪声分量值和像素值之间不相关)。这些假设至少在某些应用中(有限量子成像，例如X光和核医学成像就是一个很好的例子)是无效的，但复杂的处理空间非独立和相关噪声的情况不在我们所讨论的范围。 二.一些重要噪声的概率密度和函数 基于前面章节的假设，所关心的空间噪声描述符是5.1节中所提及模型的噪声分量灰度值的统计特性。它们可以被认为是由概率密度函数(PDF)表示的随机变量，下面是在图像处理应用中最常见的PDF。 高斯噪声 由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。事实上，这种易处理性非常方便，使高斯模型经常用于临界情况下。 高斯随机变量z的PDF由下式给出： (5.2.1) 其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。高斯函数的曲线如图5.2（a）所示。当z服从式（5.2.1）的分布时候，其值有70％落在[(μ-σ),(μ+σ)]内，且有95％落在[(μ-2σ),( μ+2σ)]范围内。 瑞利噪声 瑞利噪声的概率密度函数由下式给出： （5.2.2）概率密度的均值和方差由下式给出：

彩色图像的方向扩散去噪模型研究

Computer Engineering and Applications 计算机工程与应用 2013，49（22）1引言数字图像在成像过程中，由于传感器性质、成像环境等因素，不可避免地会被噪声污染。如何去除噪声、恢复图像细节是图像处理领域的基础课题之一。因为噪声属于图像细节部分，去噪过程可视为去除图像细节、模糊噪声的过程。然而，图像的边缘和纹理也属于图像细节，由于无法精确区分噪声和边缘，去噪过程总会伴随对图像边缘的模糊。一个好的去噪算法应保证在尽可能多地去除噪声的同时，尽可能多地保持图像边缘信息。早期的去噪算法，如Tikhonov 正则化[1]，在去除噪声的同时，图像的细节也被大量去除。20世纪90年代以来，基于偏微分方程的图像处理方法受到普遍重视，与传统图像处理方法相比，新方法具有扎实的理论基础、高度的灵活性、精细的局部控制能力以及易推广能力，得到了深入研 究[1-2]。1990年，Perona 等[3]提出PM 模型，通过设计扩散方程的扩散系数，使图像在平坦区域和大梯度区域具有不同扩散速度，在去除噪声的同时很好地保持了图像边缘。1992年，Rudin 等[4]提出ROF 模型，从构造能量泛函、通过变分法得到偏微分方程的角度也达到了同样的目的。1997年，Weickert [5]深入地研究了各向异性扩散特别是扩散张量的作用，使图像能够依据局部几何特征，高度可控地进行非线性扩散。2002年，Tschumperle [6]在总结前人研究 成果的基础上，将基于变分法、散度形式的扩散方程以及方向Laplacian 格式的彩色图像去噪模型进行了统一，揭示了不同偏微分方程去噪方法的理论统一性。本文通过总结与分析前述不同去噪理论的结构与联系，在方向Laplacian 格式彩色图像的方向扩散去噪模型研究 王小龙，彭国华 WANG Xiaolong,PENG Guohua 西北工业大学理学院，西安710129 College of Sciences,Northwestern Polytechnical University,Xi ’an 710129,China WANG Xiaolong,PENG Guohua.Study on colored image denosing model based on directed https://www.sodocs.net/doc/d814227030.html,puter Engi-neering and Applications,2013,49（22）：208-211. Abstract ：The most important and difficult issue of image denoising is to distinguish noise and edges,so that denoising process can eliminate noise while preserving edges.The structures and connections of variational methods,divergence formulations and oriented Laplacian based denoising models are analyzed and a directed diffusion based colored image denoising model is pro-posed.The model uses different combinations of the eigenvalues of the structure-tensor as the edge measurements of along edge direction and isophote direction.The diffusion coefficients,which are monotonically decreasing functions,impose these edge measurements as arguments.The model parameters are estimated by experiments.Theoretical analysis and experiments show that the proposed denoising model has better performance of eliminating noise and preserving edges,and the model parameters are stable with respect to different images. Key words ：colored image;image denoising;directed diffusion;structure tensor 摘要：图像去噪的难点是如何区分噪声和边缘，并在去噪的同时保持边缘信息。通过分析基于变分形式、散度形式和方向拉普拉斯格式的去噪模型的结构与联系，提出了一种基于方向扩散的彩色图像去噪模型。模型利用结构张量的两个特征值的不同组合作为沿边缘和垂直边缘方向的边缘度量，并用其作为自变量设计出一类单调递减函数作为扩散方程的扩散系数。通过实验获得模型最优参数，理论分析和实验表明，新模型具有更强的去除噪声和保留边缘的能力，并且模型参数具有稳定性。 关键词：彩色图像；图像去噪；方向扩散；结构张量 文献标志码：A 中图分类号：TP391doi ：10.3778/j.issn.1002-8331.1206-0490 基金项目：国家自然科学基金（No.61070233）。 作者简介：王小龙（1988—），男，研究生，研究方向为图像处理；彭国华（1962—），男，博士，教授，研究方向为图形与图像处理。 E-mail ：2010201733@https://www.sodocs.net/doc/d814227030.html, 收稿日期：2012-07-01修回日期：2012-08-15文章编号：1002-8331（2013）22-0208-04 CNKI 出版日期：2012-10-08https://www.sodocs.net/doc/d814227030.html,/kcms/detail/11.2127.TP.20121008.1651.003.html 208

基于Matlab的图像去噪算法仿真设计

基于Matlab的图像去噪算法仿真 在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。 本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述 了四种去噪算法原理及特点；最后运用Matlab软件对一含噪图片(含高斯噪声 或椒盐噪声)进行仿真去噪，通过分析仿真结果得出： 一?均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的； 二?中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效； 三?维纳滤波对高斯噪声有明显的抑制作用； 四?对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。 本论文主要是从两方面展开，首先是图像去噪算法：简要说明了图像噪声的概念及分类，详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。 其次是基于Matlab的图像去噪算法仿真：根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析，运用Matlab仿真软件编写代码，对一 含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪，并对结果分析讨论，比较几种方法的优缺点。 本论文仿真时选取一彩色图片“ 2010-03-09-2.bmp ”，并在图片中加入两种噪声：高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法 进行仿真，将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。 1.1邻域平均法的仿真 本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪，并用 Matlab软件仿真。 (1)给图像加入均值为0,方差为0.02的高斯噪声，选择3X 3模板去噪 Matlab部分代码： j=i mno ise(x,'gaussia n',0,0.02);

如何提高吸声系数,来降低空间噪音系数的方法

如何提高吸声系数，来降低空间噪音系数的方法 吸声是声波撞击到材料表面后能量损失的现象，吸声可以降 低室内声压级。描述吸声的指标是吸声系数a，代表被材料吸收的声能与入射声能的比值。理论上，如果某种材料完全反射声音，那么它的a=0；如果某种材料将入射声能全部吸收，那么它的a=1。事实上，所有材料的a介于0和1之间， 也就是不可能全部反射，也不可能全部吸收，不同频率上会有不同的吸声系数。人们使用吸声系数频率特性曲线描述材 料在不同频率上的吸声性能。按照ISO标准和国家标准，吸声测试报告中吸声系数的频率范围是100-5KHz。将 100-5KHz的吸声系数取平均得到的数值是平均吸声系数，平均吸声系数反映了材料总体的吸声性能。在工程中常使用降噪系数NRC粗略地评价在语言频率范围内的吸声性能，这一数值是材料在250、500、1K、2K四个频率的吸声系数的算术平均值，四舍五入取整到0.05。一般认为NRC小于0.2的材料是反射材料，NRC大于等0.2的材料才被认为是 吸声材料。当需要吸收大量声能降低室内混响及噪声时，常常需要使用高吸声系数的材料。如离心玻璃棉、岩棉等属于

高NRC吸声材料，5cm厚的24kg/m3的离心玻璃棉的NRC 可达到0.95。测量材料吸声系数的方法有两种，一种是混响 室法，一种是驻波管法。混响室法测量声音无规入射时的吸声系数，即声音由四面八方射入材料时能量损失的比例，而驻波管法测量声音正入射时的吸声系数，声音入射角度仅为90度。两种方法测量的吸声系数是不同的，工程上最常使用的是混响室法测量的吸声系数，因为建筑实际应用中声音入射都是无规的。在某些测量报告中会出现吸声系数大于1的情况，这是由于测量的实验室条件等造成的，理论上任何材料吸收的声能不可能大于入射声能，吸声系数永远小于1。 任何大于1的测量吸声系数值在实际声学工程计算中都不能按大于1使用，最多按1进行计算。在房间中，声音会很快 充满各个角落，因此，将吸声材料放置在房间任何表面都有吸声效果。吸声材料吸声系数越大，吸声面积越多，吸声效果越明显。可以利用吸声天花、吸声墙板、空间吸声体等进行吸声降噪。卉原珍珠岩吸音板主要靠烧结成型，板表面又不喷涂，使产品保有大量贯通表面微孔，吸音性能较之同类产品更好；产品特点：憎水，不吸水，遇潮不影响吸音性能；产品优势：纯天然珍珠质感，光线亮而柔和，有回归自然之美，化学稳定性好，使用不变质不变色；应用场所：专门用于各种建筑室内风机房、热交换站、水泵房、配电站、电梯机房、电梯井、发电机房、排风机房等机房墙壁、顶棚装饰、消声、降噪。

彩色图像处理

关于彩色图像处理的认识与探究 李时铨 安徽大学 信息与计算科学

摘要 随着信息技术的发展,彩色图像的应用也更加广泛。与灰度图像相比,彩色图像携带了更多的可视化信息。彩色图像处理已成为一个重要的研究领域。由于彩色图像中颜色表示的复杂性,本作依照经典RGB模型来进行多重灰度图像处理再合成，而现代彩色图像的处理方法早已是无穷无尽，可见彩色信息在数字图像处理中正得到更大的关注。 灰度图像中的去噪、退化复原、压缩在经过历史的变革以及有层出不穷的办法应对，但是如何同样的作用于彩色图像，想必是有困难的。一副图有许许多多像素的同时，每个像素还带着自己的色彩。基于RGB模型，不难理解，每一幅彩图都是由几张看似灰度的图像叠加形成（基于三原色原理）；同时为了色彩更加丰富多变，各种模型体系也崭露头角。 想必全彩色图像处理是基于伪彩色图像处理，伪彩色处理试图将灰度分层，而全彩色处理试图将色彩分层，给予灰度图一样的“待遇”，完成各项操作之后合成回原来的色彩。同时也不难理解，彩色图像的像素点，是一个个向量，这对未来直接处理彩色图像有着莫大的帮助与延伸。 关键词：彩色图像 均值滤波去噪 Lucy Richardson图像复原

图像DCT变换与反变换

Abstract With the development of information technology, the application of color image is also more widely. Compared with the gray image, color images carry more visual image processing has become an important area of of the complexity of the color in the color image said, according to the classical RGB model to make a multiple gray image processing and synthesis,however，he modern color image processing method is endless, visible color information in digital image processing is of greater concern. In the gray image noise reduction, degradation of recovery and compression after historical change and there are endless way to deal with, but how also applied to color images, most presumably is are many, many pixels of a figure at the same time, each pixel with its own on the RGB model, it is easy to understand, every color image is formed by some seemingly gray-scale image overlay; At the same time in order to more colorful and changeable, all sorts of model system is emerging. Must have full color image processing is based on pseudo color image processing, and pseudo color processing to gray-scale stratification, and full color processing to color layer, giving the "treatment", like the gray-scale complete synthesis of back to the original color after the is not difficult to understand at the same time, color image pixels, is a vector, this directly with color images for the future with a great deal of help and extension. Key Words： Color image processing Noise reduction with average filtering Image restoration by Lucy Richardson Image DCT transform and inverse transform

白噪声产生程序

第二章的白噪声产生程序 例2.2 用乘同余法产生(见光盘FLch2bzsheg2.m) ①编程如下： A=6; x0=1; M=255; f=2; N=100；%初始化； x0=1; M=255; for k=1: N %乘同余法递推100次； x2=A*x0; %分别用x2和x0表示x i+1和x i-1； x1=mod (x2,M); %取x2存储器的数除以M的余数放x1（x i）中； v1=x1/256; %将x1存储器中的数除以256得到小于1的随机数放v1中； ）减去0.5再乘以存储器f中的系数，存放在v(:,k)=(v1-0.5 )*f; %将v1中的数（ i 矩阵存储器v的第k列中，v(:,k)表示行不变、列随递推循环 次数变化； x0=x1; % x i-1= x i； v0=v1; end %递推100次结束； v2=v %该语句后无‘；’，实现矩阵存储器v中随机数放在v2中，且 可直接显示在MATLAB的window中； k1=k; %grapher %以下是绘图程序； k=1:k1; plot(k,v,k,v,'r'); xlabel('k'), ylabel('v');tktle(' (-1,+1)均匀分布的白噪声') ②程序运行结果如图2.6所示。 图2.6 采用MA TLAB产生的(-1,+1)均匀分布的白噪声序列 ③产生的(-1，1)均匀分布的白噪声序列 在程序运行结束后，产生的(-1，1)均匀分布的白噪声序列，直接从MATLAB的window 界面中copy出来如下（v2中每行存6个随机数）：

v2 = -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 -0.0156 0.9219 0.5703 0.4531 -0.2500 -0.4844 0.1016 -0.3672 0.8047 -0.1328 0.2188 0.3359 -0.9531 -0.7188 0.6875 -0.8359 *另外，书中图2.3白噪声的产生如下： 显然，只要在例2.2程序的初始化部分中给N=300，f=6，运行程序就可以得到如图2.3所示的（-3，3）的白噪声过程. ①编程如下： A=6; x0=1; M=255; f=6; N=300；%初始化； x0=1; M=255; for k=1: N %乘同余法递推100次； x2=A*x0; %分别用x2和x0表示x i+1和x i-1； x1=mod (x2,M); %取x2存储器的数除以M的余数放x1（x i）中； v1=x1/256; %将x1存储器中的数除以256得到小于1的随机数放v1中； ）减去0.5再乘以存储器f中的系数，存放在v(:,k)=(v1-0.5 )*f; %将v1中的数（ i 矩阵存储器v的第k列中，v(:,k)表示行不变、列随递推循环 次数变化； x0=x1; % x i-1= x i； v0=v1; end %递推100次结束； v2=v %该语句后无‘；’，实现矩阵存储器v中随机数放在v2中，且 可直接显示在MATLAB的window中； k1=k; %grapher %以下是绘图程序； k=1:k1; plot(k,v,k,v,'r'); xlabel('k'), ylabel('v');tktle(' (-1,+1)均匀分布的白噪声')

课程设计彩色滤波阵列图像去噪汇编资料.

课程设计报告 设计题目： Bayer型彩色滤波阵列图像去噪学院：电子工程学院 专业：智能科学与技术 班级： 学号： 姓名： 电子邮件： 日期： 成绩： 指导教师：王桂婷

简介 Bayer阵列彩色滤波图像如今在生产生活中十分常见。现在主流的数码相机传感器都使用了Bayer阵列作为彩色滤镜的传感器。与普通RGB图像不同，Bayer 整列彩色滤波图像在记录图像信息时每个像素点并不保留全部RGB信息，而是保留RGB中其中一个通道的信息，然后通过相邻像素点插值计算出其他两个通道的值。同时受制于半导体芯片工艺和电阻发热等原因，现代数码相机拍摄的照片都不可避免地带有或多或少的的噪声，因此对于Bayer阵列彩色滤波图像的去噪也成为图像研究的一个热点。由于Bayer阵列彩色滤波图像与传统RGB图像信息记录的方式的不同，对图像去噪也提出了新的要求和挑战。本文便是针对此问题进行了学习和实验。 1.相关背景 1.彩色数字图像的储存 数字图像是二维图像用有限数字数值像素的表示。由数组或矩阵表示，其光照位置和强度都是离散的。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。 存储数字图像即存储一个数字矩阵，矩阵的每一个值保留一个像素点信息。与灰度图像不同的是，彩色数字图像的一个像素点不是包含单一的灰度值，而是需要保存RGB三个通道信息，每一个通道信息和灰度值类似，通常也是采用一个二进制编码来表示。 2.Bayer阵列 Bayer阵列是实现现代数字相机传感器拍摄彩色图像的主要技术之一。对于彩色图像，需要采集rgb三种颜色，最基本的方法就是用滤镜的方法。红色波长的光可以透过红色滤镜，绿色波长的光可以透过绿色滤镜，蓝色波长的光可以透过蓝色滤镜。按这种方法采集rgb三个基本色，需要三块滤镜，但由于工艺和成本的限制难以实现。但如果使用bayer阵列就能很好的解决这个问题。bayer阵列图片在一块滤镜上设置的不同的颜色，通过分析人眼对颜色的感知发现，人眼对绿色比较敏感，所以一般bayer格式的图片绿色格式的像素是是r和g像素的和。Bayer阵列通常是一个4×4阵列，由8个绿色、4个蓝色和4个红色像素组成，在将灰度图形转换为彩色图片时会以2×2矩阵进行9次运算，最后生成一幅彩色图形。采用这种技术的传感器实际每个像素仅有一种颜色信息，需要利用反马赛克算法进行插值计算，最终获得一张图像。 图1.Bayer阵列示意图

不同空间形态居住小区环境噪声研究

不同空间形态居住小区环境噪声研究 摘要：通过对典型居住小区进行实地调查，利用Cadna/A软件对小区声环境进行计算机模拟，并对比分析小区环境噪声与其空间形态的关系；结果表明：小区环境噪声与建筑空间组合方式、建筑开口、建筑高度等因素有关；最后，提出小区声环境的优化策略。 关键词：居住小区；空间形态；环境噪声 中图分类号:B82-058 文献标识码：A 居住，人类最基本的生活需要。居住空间的舒适性是人类生活质量好坏的一个重要标准。在影响居住空间品质的各因素中，声环境质量为其最主要的因素之一。然而，伴随着城市化进程，城市声环境愈发的杂乱无章，居住空间愈发的不安宁[1]。因此，如何减轻噪声对住区的污染已经成为一个刻不容缓的问题。借助电子信息技术，利用仿真模拟软件对住区环境噪声进行研究，对住区声环境改善有着积极作用。 一、Cadna/A软件简介 噪声图技术发展到今天，已经开发了一系列的模拟软件系统，Cadna/A 为

其中的一种。Cadna/A在国外其已被用在环境评价、建筑设计、交通管理、城市规划等众多领域[2]~[4]。结果表明Cadna/A软件可信可靠，并在某些方面还有一定优势；其噪声模拟是符合我国实际状况的噪声评价系统，可为我国环境评价、城市规划、建筑设计提供相应技术支持[5] [6]。因此可见，Cadna/A软件在住区环境噪声预测方面应用具有可行性。 二、典型居住小区环境概况 本文选取市开发区泰山小区与金色莱茵小区所在居住片区为住区的典型代表；并以之作为本文的模拟研究对象。通过科学的样本调查，了解了样本的概况并获取了各方面的数据资料。这一片区接近城市边缘地带，且被南直路、长江路、泰山路、汉水路所围合，同时被闽江路沿垂直于南直路方向所穿越，如图2-1所示。 图2-1区域地段图 区域小区环境优美，且封闭性强，不允许穿越；因此部环境噪声背景值较低，实测显示为50dB(A)左右。但是，由于小区外围被主要城市道路所围绕，道路车流量大、车速快、车型复杂；因此，交通噪声成为区域主要噪声来源，如表2-1所示，为区域交通情况统计表。 表2-1区域交通情况统计表

公司治理-岩棉空间吸声体在公司噪声治理中的应用 精品

岩棉空间吸声体在公司噪声治理中的应用 摘要：在噪声治理中，采用“空间岩棉吸声体”作吸声材料，在东风汽车公司动力站房的噪声治理得到了广泛应用，吸声效果非常好，平均降噪7dB(A)，达到了预期的目的。本文重点介绍了空间岩棉吸声体应用的原理、试验结果和实际设计原则。关键词：噪声治理岩棉空间吸声体岩棉空间吸声体是一种组合成型材料，形状为扁平的矩形板，其基本结构由包裹在外部的防火饰面布和包裹在内部的支撑骨架、岩棉毡两个部分组成。岩棉就是一种很好的吸声材料，具有质轻、不燃、防蛀、热导率低、耐温达300-400℃、耐腐蚀、化学稳定性强、吸声性能好等特点。我公司有许多高噪声车间和动力站房，室内噪声严重超标。为改善工人的工作条件，从1995年开始，在水箱厂、车厢厂、总装厂、车桥厂、底盘零件厂等单位的空压站、制冷站广泛采用了岩棉空间吸声体作吸声材料，成功地治理了这些场所的室内噪声，取得了很好的效果。一、高噪声站房室内噪声的产生及危害分析制冷机、空压机在运行中，有主机的转子高速回转时产生的气流性噪声（亦即空气动力噪声）、电机噪声、节流阀噪声以及其他辅助设备噪声；配套水泵及电机噪声。这些噪声在一

个相对封闭的站房内，而站房内墙为反射性能很强的水泥墙面、顶棚和水泥地面。设备发出的噪声在这些物体表面多次反射的结果，使室内的噪声级提高了。下面是某厂空压站站房内的实测噪声数据和实测频谱图。空压站的噪声危害主要集中在中高频上，因此对人的听觉和现场的作业环境有较大的影响。 表1：某厂空压站站房内的实测噪声数据和实测频谱图频率（HZ） 63 125 250 500 1000 2000 4000 8000 A 声级dB(A) dB(A) 89 91 94 96 95 92 94 89 95.5 噪声可以引起耳聋。在强噪声下暴露一段时间后，会引起一定的听觉疲劳，听力变迟钝，经休息后可以恢复。但是如果长期在强噪声下工作，听觉疲劳就不能复原，内耳听觉器官发生病变，导致噪声性耳聋，也叫职业性听力损失。噪声使人烦恼、精神不易集中，影响工作效率，妨碍休息和睡眠等。在强噪声下，还容易掩盖交谈和危险警报信号，分散人们注意力，发生工伤事故。在强噪声的影响下可能诱发一些疾病。已经发现，长期强噪声下工作的工人，除了耳聋外，还有头晕、头痛、神经衰弱、消化不良等症状，从而引发高血压和心血管病。更强的噪声刺激内耳腔前庭，使人头晕目眩、恶心、呕吐、还引起眼球振动，视觉模糊，呼吸、脉搏、血压等发生波动。二、岩棉空间吸声体应用技术分析

白噪声

4.3 理想白噪声、带限白噪声比较分析 1、实验原理 若一个具有零均值的平稳随机过程，其功率谱密度在某一个有限频率范围内均匀分布，而在此范围外为零，则称这个过程为带限白噪声。带限白噪声分为低通型和带通型。 白噪声详细描述可参考马文平、李兵兵等编著.随机信号分析与应用.科学出版社，2006出版的书第2章节。朱华、黄辉宁、李永庆、梅文博.随机信号分析.北京理工大学出版社,2000出版的书第4章节。以及与随机信号分析相关的参考书籍。 2、实验任务与要求 ⑴通过实验掌握白噪声的特性以及带限白噪声的意义，重点在于系统测试与分析。算法选用matlab或c/c++语言之一编写和仿真程序。系统框图如图2-8所示： 低通 带通 x(t) y1(t) y2(t) 图2-8带通滤波器系统框图 ⑵输入信号x(t)：x(t)分别为高斯白噪声信号和均匀白噪声信号，高斯白噪声如图2-9所示： 图2-9 高斯白噪声的时域、频域图

要求测试白噪声的均值、均方值、方差，自相关函数、概率密度、频谱及功率谱密度并绘图。分析实验结果，搞清楚均值、均方值、方差，自相关函数、频谱及功率谱密度的物理意义。例：均值除了表示信号的平均值，它还表示信号中有了什么成分。相关函数当τ=0时为什么会有一个冲击，表示什么，它又等于什么。信号的时域波形有哪些特征，频域又有哪些特征。频谱及功率谱密度有什么差异，什么噪声是白噪声，这个噪声符合白噪声的定义吗等等。 ⑶设计一个低通滤波器和一个带通滤波器。要求白噪声分别通过低通滤波器和带通滤波器后的信号能够表现出带限白噪声的特点。测试低通滤波器和一个带通滤波器的时频特性和频域特性以验证其正确性。 ⑷分别计算高斯白噪声、均匀白噪声经低通滤波、带通滤波器后的均值、均方值、方差、概率密度、自相关函数、频谱及功率谱密度，并加以分析。 ⑸所有结果均用图示法来表示。 ⑹白噪声在什么情况下为带限白噪声？ ⑺按要求写实验报告。

白噪声及有色噪声序列的产生

%白噪声及有色噪声序列的产生 设ξ(k) 为均值为0，方差为1的高斯白噪声序列，e(k)为有色噪声序 列： 1 1 1 12 123 () ()()()() () 10.50.2 () 1 1.50.70.1 C z e k G z k k D z z z k z z z ξξ ξ - - - -- --- == ++ = -++ 高斯白噪声序列ξ(k)在Matlab中由rand()函数产生，程序如下：clear all; close all; L=500; %仿真长度 d=[1 -1.5 0.7 0.1]; c=[1 0.5 0.2]; % 分子分母多项式系数 nd=length(d)-1 ;nc=length(c)-1; %阶次 xik=zeros(nc,1); %白噪声初值 ek=zeros(nd,1); xi=randn(L,1); %产生均值为0，方差为1的高斯白噪声序列 for k=1:L e(k)=-d(2:nd+1)*ek+c*[xi(k);xik]; %产生有色噪声 %数据更新 for i=nd:-1:2 ek(i)=ek(i-1); end

ek(1)=e(k); for i=nc:-1:2 xik(i)=xik(i-1); end xik(1)=xi(k); end subplot(2,1,1); plot(xi); xlabel('k');ylabel('噪声幅值');title('白噪声序列'); subplot(2,1,2); plot(e); xlabel('k');ylabel('噪声幅值');title('有色噪声序列');