针对非线性抑制方法需要先验统计信息确定最佳门限且引起非线性失真的问题，提出一种改进深度神经网络(DNN)的电力线脉冲噪声抑制与补偿算法。首先通过DNN锁定脉冲噪声的位置，然后采用置零法清除该位置的数据，最后对处理后的信号进行非线性失真重构与补偿，并与其它算法进行了仿真对比实验。仿真结果表明：所提算法提升了DNN的识别率，降低了系统误码率，具有较好的鲁棒性。

为了在去除红外图像的脉冲噪声的同时, 有效保持和恢复图像的边缘细节, 提出了基于灰度特征和众数原则的迭代双边中值滤波方法。此方法根据脉冲噪声的灰度特征以及众数原则, 将取最小和最大值、而在邻域的灰度分布上孤立的像素识别为噪声。根据基于空间距离和灰度相似的加权系数, 对邻域中的无噪像素与已经去噪恢复的像素进行频次加权, 用频次加权中值作为噪声像素的估计值。其中, 以迭代遍历的方式执行去噪处理, 充分利用前次遍历处理的结果, 以去除高密度噪声。实验数据证明, 此方法去噪所得的 PSNR和 EPI值以及视觉效果均优于现有方法, 具有更好的去噪性能。

为了克服现有脉冲噪声去除算法的缺陷,进一步提升算法的去噪性能和鲁棒性,提出了一种去除脉冲噪声的小波阈值去噪算法。首先,根据脉冲噪声的灰度特征、分布的随机性及近似均匀性,用统计方法识别噪声像素。然后,用基于信噪强度的自适应阈值和可微收缩函数的小波去噪方法恢复噪声像素。实验结果表明,相比现有算法,本算法去噪得到的图像视觉感知效果、峰值信噪比和边缘保持指数均有较大提升,且具有更好的鲁棒性。

脉冲噪声是成像过程中的一个主要噪声源, 传统的滤波器难以有效消除高密度的脉冲噪声。针对这一问题, 提出了一种基于非对称并行神经网络的图像脉冲噪声降噪算法。算法利用隐写分析丰富模型提取图像的噪声卷积特征图;将原图像特征图与噪声卷积特征图分别送入两个相同的卷积神经网络进行处理;结合l1损失与l2损失作为神经网络的总代价函数, 同时利用了l1损失的高视觉效果与l2损失的强收敛性。实验结果表明: 提出的降噪算法在各密度下的降噪性能均优于基于滤波器的降噪算法, 对于高密度脉冲噪声也具有明显优势。

在分析星载傅里叶变换红外光谱仪干涉图的噪声特性后,提出一种抑制脉冲噪声的方法。计算以干涉图的采样点、相对零光程差得到的对称点、两侧采样点后,对得到的插值点建立参照值,通过与阈值比较确定脉冲噪声位置。实验表明,所提方法可以将光谱相对偏差由0.24%抑制到0.17%,将噪声等效辐亮度差由0.069 mW·m -2·sr -1·cm抑制到0.056 mW·m -2·sr -1·cm。所提方法在抑制脉冲噪声的同时保留了有效光谱信息,提高了星载傅里叶变换红外光谱仪的探测灵敏度。

基于三角波调相谱技术的谐振式集成光波导陀螺(RIOG)信号检测,光波相位调制引入的频谱分量所带来的光学噪声成为限制陀螺性能提升的主要因素。结合光波在三角波相位调制下的频率变化特性和波导谐振腔的光传输特性,给出了三角波调制下的同步解调信息;依据三角波调制下对背向散射噪声抑制的幅度调制参数和系统最大灵敏度工作点的频率调制参数,结合多光场叠加原理,理论仿真分析了谐振谱不同谐振区的输出脉冲噪声,这种脉冲噪声将对工作于不同调制频率下顺逆时针传输光波的信号采集区带来干扰;搭建了基于二氧化硅波导环形谐振腔的陀螺实验系统,分别测试了激光扫描下谐振腔不同谐振区的脉冲噪声和激光频率锁定在谐振腔谐振点时的脉冲噪声,与理论分析一致。分析结果表明,RIOG采用的三角波调相谱信号检测技术存在无法克服的脉冲噪声,针对不同要求的RIOG,给出了相应的调制技术方案,这为RIOG的工程化和性能优化提供了技术参考。

为提高白光散射法反演粒子粒径精度, 消除散射谱噪声, 使用一维引导滤波对不同角度的Mie散射光谱数据进行滤波, 并分析了引导滤波的特性。为解决引导数据引起的局部噪声问题, 提出了小波-引导滤波联合算法。在小散射角时, 引导滤波的结果与小波滤波类似, 但在大散射角时, 引导滤波的效果要比小波滤波好, 并且滤除了脉冲噪声。小波-引导联合滤波的结果在15°附近与引导滤波相同, 在45°到90°时的滤波效果明显比单独的小波滤波或引导滤波效果好, 并且去除了由引导数据引起的局部噪声。

提出了一种基于斜率差值的自适应中值滤波算法，以有效去除图像脉冲噪声。该算法在经典自适应中值算法的基础上，采用斜率差值进行噪声判定。针对自适应中值滤波算法和基于斜率的自适应中值滤波算法在噪声强度较高情况下的不足进行了改进，同时解决了噪声块难以去除的问题。实验结果表明，该算法能有效去除图像脉冲噪声，并较好的保护图像细节。

针对多孔网栅闪光照相图像含有随机脉冲噪声的问题,提出了一种改进的开关中值滤波噪声消除算法.该算法利用像素与邻域窗口统计中值的灰度信息,建立噪声点探测器.通过设置噪声点探测阈值来识别噪声,并用邻域窗口内统计中值代替噪声点取值.经过多次滤波,含随机脉冲噪声的计算机合成网栅图像及实验网栅图像可获得良好的恢复效果.

脉冲噪声是导致图像退化的主要原因之一，低密度脉冲噪声去除比较容易，但高密度比较困难。为了有效去除高密度的脉冲噪声，提高边缘和细节纹理的保持能力，提出了一种基于莫罗(Moreau)包络平滑l1/全变差范数(l1/TV)模型的脉冲噪声去除方法。此方法具有修复前后图像对比度和形态不变，不易产生局部模糊等优点。由于l1/TV模型中的两个目标函数均为不可微凸函数，无法直接求解，提出了利用解耦形式的Moreau包络对全变差范数进行平滑化处理，平滑后的函数是原函数的可微紧下界，具有迭代形式的解析解，证明了它也是原函数的解。仿真表明该算法具有很强的去噪能力，并能较好地保持边缘和细节信息。此外，还提出了该算法的加速策略，可以大大提高收敛速度。