維納自適應(yīng)濾波器設(shè)計(jì)及Matlab實(shí)現(xiàn)
2.37萬(wàn)字 39頁(yè)

摘 要
本文從隨機(jī)噪聲的特性出發(fā)，分析了傳統(tǒng)濾波和自適應(yīng)濾波基本工作原理和性能，以及濾波技術(shù)的現(xiàn)狀和發(fā)展前景。然后系統(tǒng)闡述了基本維納濾波原理和自適應(yīng)濾波器的基本結(jié)構(gòu)模型，接著在此基礎(chǔ)上結(jié)合最陡下降法引出LMS算法。在MSE準(zhǔn)則下，設(shè)計(jì)了一個(gè)定長(zhǎng)的自適應(yīng)最小均方橫向?yàn)V波器，并通過MATLAB編程實(shí)現(xiàn)。接著用圖像復(fù)原來驗(yàn)證該濾波器的性能，結(jié)果表明圖像的質(zhì)量在MSE準(zhǔn)則下得到了明顯的改善。最后分析比較了自適應(yīng)LMS濾波和頻域維納遞歸濾波之間的性能。本文還對(duì)MATLAB里面的自適應(yīng)維納濾波函數(shù)wiener2進(jìn)行了簡(jiǎn)單分析。

關(guān)鍵字：退化圖像 維納濾波 自適應(yīng)濾波 最陡下降法 LMS

目錄
1 緒論…………………………………………………………………………………1
1. 1 引言…………………………………………………………………………1
1. 2 研究目標(biāo)及現(xiàn)狀……………………………………………………………1
1. 2 .1 圖像復(fù)原技術(shù)的目標(biāo)……………………………………………1
1. 2 .2 圖像復(fù)原技術(shù)的研究現(xiàn)狀………………………………………1
2 理論基礎(chǔ) …………………………………………………………………………3
2. 1 基本自適應(yīng)濾波器的模塊結(jié)構(gòu)……………………………………………3
2. 2 基本維納濾波原理…………………………………………………………4
3 自適應(yīng)濾波原理及算法 ………………………………………………………6
3.1 橫向?yàn)V波結(jié)構(gòu)的最陡下降算法……………………………………………7
3.1.1 最陡下降算法的原理……………………………………………7
3.1.2 最陡下降算法穩(wěn)定性……………………………………………10
3.2 LMS濾波原理及算法……………………………………………………11
3.2.1 從最陡下降算法導(dǎo)出LMS算法 ………………………………11
3.2.2 基本LMS算法的實(shí)現(xiàn)步驟 ……………………………………11
3.2.3 基本LMS算法的實(shí)現(xiàn)流程圖 …………………………………12
3.2.4 LMS算法的Matlab實(shí)現(xiàn) ………………………………………12
3.2.5 wiener2()的原理 ……………………………………………12
3.2.6 LMS性能分析——自適應(yīng)收斂性……………………………13
4 Matlab 實(shí)驗(yàn)結(jié)果 …………………………………………………………14
4.1.LMS濾波器的收斂性 ………………………………………………14
4.2.LMS濾波器和頻域迭代維納濾波器的性能比較 ……………………16
5 總結(jié)………………………………………………………………………………18
致謝 …………………………………………………………………………………19
參考文獻(xiàn) ……………………………………………………………………………20
附錄A ………………………………………………………………………………21
附錄B ………………………………………………………………………………22
附錄C ………………………………………………………………………………27

參考文獻(xiàn)
[1] 阮秋琦 著.數(shù)字圖像處理學(xué).北京：電子工業(yè)出版社
[2] 何振亞 著.自適應(yīng)信號(hào)處理.北京：科學(xué)出版社
[3] [英] Emmanuel C. Ifeacher , Barrie W . Jervis 著，羅鵬飛，楊世海，朱國(guó)富，譚全之 譯，數(shù)字信號(hào)處理實(shí)踐方法（第二版）。電子工業(yè)出版社

附錄A
clear
clc
F=checkerboard(2); %原圖像
D=imnoise(F,'gaussian',0,0.02); %退化圖像=參考信號(hào)
nhood=[3 3];
% Estimate the local mean of f.
localMean = filter2(ones(nhood), D) / prod(nhood);
H=D-localMean;％仿照wiener2函數(shù)里的求取類似的“均值”
[h k]=size(D);
L=h*k;
D=reshape(D,L,1); %將圖像矩陣變?yōu)槭噶啃问?br>f=zeros(size(D)); %系統(tǒng)輸出＝誤差信號(hào)
y=f; %噪聲逼近信號(hào)初始化
......