1、维纳自适应滤波器设计及Matlab实现摘 要本文从随机噪声的特性出发，分析了传统滤波和自适应滤波根本工作原理和性能，以及滤波技术的现状和开展前景。然后系统阐述了根本维纳滤波原理和自适应滤波器的根本结构模型，接着在此根底上结合最陡下降法引出LMS算法。在MSE准那么下，设计了一个定长的自适应最小均方横向滤波器，并通过MATLAB编程实现。接着用图像复原来验证该滤波器的性能，结果说明图像的质量在MSE准那么下得到了明显的改善。最后分析比拟了自适应LMS滤波和频域维纳递归滤波之间的性能。本文还对MATLAB里面的自适应维纳滤波函数wiener2进行了简单分析。关键字：退化图像 维纳滤波自适应滤波最陡
2、下降法 LMSAbstractThis paper analyses the basic work theory, performance of traditional filter and adaptive filter based on the property of random noise, and introduce the status quo and the foreground of filter technology. Then we explain basic theory of wiener filter and basic structure model of adap
3、tive filter, and combine the method of steepest descent to deduce the LMS. Afterward according to the MSE rule, we design a limited length transversal filter, and implement by MATLAB. And then we validate performance of adaptive LMS filter by restoring images, Test result show that the quality of th
4、e degrade images were improved under the rule of MSE. Finally, we compare the performance of adaptive LMS filter and iterative wiener filter.We also simply analyses the wiener2 () which is a adaptive filter in MATLAB.Keywords: degrade image；wiener filter；adaptive filter；ADF；LMS algorithm目录1 绪论11. 1
5、引言11. 2 研究目标及现状11. 2 .1 图像复原技术的目标11. 2 .2 图像复原技术的研究现状12 理论根底 32. 1 根本自适应滤波器的模块结构32. 2 根本维纳滤波原理43 自适应滤波原理及算法 63.1 横向滤波结构的最陡下降算法73.1.1 最陡下降算法的原理73.1.2 最陡下降算法稳定性103.2 LMS滤波原理及算法113.2.1 从最陡下降算法导出LMS算法 113.2.2 根本LMS算法的实现步骤 113.2.3 根本LMS算法的实现流程图 123.2.4 LMS算法的Matlab实现 123.2.5 wiener2()的原理 123.2.6 LMS性能分析自
6、适应收敛性134 Matlab 实验结果 144.1.LMS滤波器的收敛性 144.2.LMS滤波器和频域迭代维纳滤波器的性能比拟 165 总结18致谢 19参考文献 20附录A 21附录B 22附录C 271 绪论1.1引言人类传递信息的主要媒介是语言和图像。据统计，在人类接受的信息中，听觉信息占20，视觉信息占60，其它如味觉、触觉、嗅觉总的加起来不过占20，所以图像信息是十分重要的信息1。然而，在图像的获取和图像信号的传输过程中，图像信号中不可防止的混入各种各样的随机噪声，造成图像失真图像退化。造成人类所获取的信息和实际是有偏差的，成为人类从外界获取准确信息的障碍。因此，对图像信号中的随
7、机噪声的抑制处理是图像处理中非常重要的一项工作。在图像的获取和传输过程中所混入的噪声，主要来源于通信系统中的各种各样的噪声，根据通信原理及统计方面的知识，可以知道在通信系统中所遇到的信号和噪声，大多数均可视为平稳的随机过程15。又有“高斯过程又称正态随机过程，它是一种普遍存在和重要的随机过程，在通信信道中的噪声，通常是一种高斯过程，故又称高斯噪声。因此，在大多数的情况下，我们可以把造成图像失真的噪声可视为广义平稳高斯过程。本文针对图像信号中混入的随机噪声，在怎样把现有的滤波算法应用到实际的图像复原中去的问题上提出了解决方法，并且应用Matlab 软件编程对图像进行处理。1.2研究目标及现状1.
8、2.1图像复原技术的目标为了从含有噪声的数据中提取我们所感兴趣的、接近规定质量的图像，我们需要设计一个系统满足：当信号与噪声同时输入时，在输出端能将信号尽可能精确地重现出来，而噪声却受到最大抑制，即最正确滤波器。1.2.2图像复原技术的研究现状目前的图像复原技术，即去噪的滤波技术可以分为两大类：传统滤波和现代滤波。传统滤波技术是建立在有用信号和干扰噪声的统计特性自相关函数或功率谱的根底上的噪声去除；现代滤波技术那么是不需要知道图像的先验知识，只是根据观测数据，即可对噪声进行有效滤除。早在20世纪40年代，就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性自相关函数或功率谱，以
9、线性最小均方误差MSE估计准那么所设计的最正确滤波器，称为维纳滤波器。这种滤波器能最大程度的滤除干扰噪声，提取有用信号。但是，当输入信号的统计特性偏离设计条件，那么它就不再是最正确的了，这在实际应用中受到了限制。到60年代初，由于空间技术的开展，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。卡尔曼滤波器既可以对平稳的和平稳的随机信号作线性最正确滤波，也可以作为非线性滤波2。然而只有在对信号和噪声的统计特性的情况下，这两种滤波器才能获得最优解。在实际的应用中，往往无法得到这些统计特性的先验知识，或者统计特性是随时间变化的，因此，这两种滤波器就实现不了真正的最正
10、确滤波。Widrow B.和Hoff于1967年提出的自适应滤波理论，可使在设计自适应滤波器时不需要事先知道关于输入信号和噪声的统计特性的知识，它能够在自己的工作过程中逐渐估计出所需的统计特性，并以此为依据自动调整自己的参数，以到达最正确滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新到达最正确。自适应滤波器自动调节参数可以通过各种不同的递推算法来实现，由于它采用的是逼近的算法，使得实际估计值和理论值之间必然存在差距，也就造成了自适应滤波问题没有唯一的解。依照各种递推算法的特点，我们把它应用于不同的场合。现在广为应用的自适应滤波方法主要是基于以下几
11、种根本理论，再融合递推算法导出来的：（1） 基于维纳滤波理论的方法维纳滤波是在最小均方误差准那么下通过求解维纳霍夫方程来解决线性最优滤波问题的。基于维纳滤波原理，我们利用相关的瞬时值通过在工作过程中的逐步调整参数逼近信号的统计特性，实现最优滤波。由此，我们得到一种最常用的算法最小均方算法，简称LMS算法。（2） 基于卡尔曼滤波理论的方法 卡尔曼滤波是线性无偏最小方差滤波递推滤波，它能使滤波器工作在平稳的或非平稳的环境，得到最优解。利用卡尔曼滤波理论的递推求解法导出自适应滤波器更新权矢量得不同递推算法。比LMS算法有极快的收敛速率，可是计算复杂度也增大了，它需要计算卡尔曼矩阵。（3） 基于最小二
12、乘准那么的方法维纳滤波和卡尔曼滤波推导的算法是基于统计概念的，而最小二乘估计算法是以最小误差平方和为优化目标的。根据滤波器的实现结构，有以下3种不同的最小二乘自适应滤波算法：自适应递归最小二乘法RLS，自适应最小二乘格型算法，QR分解最小二乘算法。（4） 基于神经网络理论的方法 神经网络是有大量的神经元相互连接而成的网络系统，实质上它是一个高度非线性的动力学网络系统，这个系统具有很强的自适应、自学习、自组织能力，以及巨量并行性、容错性和坚韧性，因而，它可以做很多传统的信号和信息处理技术所不能做的事情。因其超强的自动调节能力，使得它在自适应信号处理方面有着广阔的前景2。 在一系列的自适应算法中，
13、虽然基于后面3种根本理论的方法在收敛速率和稳定、坚韧性方面有着更好的性能，但是， 基于维纳滤波理论的LMS算法因其算法简单，而且能到达满意的性能，得到了青睐，成为了应用最广泛的自适应算法。为此，本文主要研究LMS自适应滤波器在图像去噪方面的应用。2.理论根底2.1根本自适应滤波器的模块结构自适应滤波器通常由两局部构成，其一是滤波子系统，根据它所要处理的功能而往往有不同的结构形式。另一是自适应算法局部，用来调整滤波子系统结构的参数，或滤波系数。在自适应调整滤波系数的过程中，有不同的准那么和算法。算法是指调整自适应滤波系数的步骤，以到达在所描述的准那么下的误差最小化。自适应滤波器含有两个过程，即自适应过程和滤波过程。前一过程的根本目标是调节滤波系数，使得有意义的目标函数或代价函数最小化，滤波器输出信号逐步逼近所期望的参考信号，由两者之间的误差信号驱动某种算法对滤波系数进行调整，使得滤波器处于最正确工作状态以实现滤波过程。所以自适应过程是一个闭合的反响环，算法决定了这个闭合环路的自适应过程所需要的时间。但是，由于目标函数是输入信号,参考信号及输出信号的函数，即,因此目标函数必须具有以下两个性质：（1） 非负性 ( 2.1 )（2） 最正确性 ( 2.2 )在自适应过程中，自适应算法逐步使目标函数最小化，最终使逼近于，滤波参数或权系数收敛于，这里是自适
