高斯白噪声的添加

简介: WAGN

SNR的定义

pLFudYji9Zu36+mwMOPxfwS779f67Wfde4VYbcAAAAAElFTkSuQmCC
SNR:信噪比,信号与噪声的比率
P:平均能量
信号功率和噪声功率有着相同的带宽
如果信号是一个常量s,或者随机变量S,那么对于随机噪声N的SNR为
wOv0C7IOOpsdgAAAABJRU5ErkJggg==
E:期望
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
如果噪声的期望为0,显然
XUr+n2GKvFX5wIi8nBut2AeGUZgir5MPjMjLudGKfWAYhSnyOvnAiLycG63YB4ZRmCKv03+jmD7mgLfZbwAAAABJRU5ErkJggg==
WIu9Ewh9W+QAAAAASUVORK5CYII=
显然,jGtuAgzZQAXOf43rAmwdc0LrYCDsPuKANu5C5BrugdTEQdh5wQRt2IXMNdkHrYiDsPOCCNuxC5hr8H8NQRfX9KnkZAAAAAElFTkSuQmCC

分贝

因为信号动态范围很大,所以,经常用对数分贝缩放,
Hutn1gux2D8QzSwCcVpHuA1JghR+OrKtr1nngOKUvKaJL0RIZu93jL51VaoN5XnrTbTgB6+eWX52ShHyGTWWfvyS8faOtXnrTbIAPqeSQ0lip+5ceAenf5ntIC7bLAAJO47Rpw+ZzSAoOSBUqADkreLufa6yxQArTXuawc8KBkgRKgg5K3y7n2OguUAO11LisHPChZoATooOTtcq69zgIlQHudy8oBD0oW+BdDvtEiVI4xBQAAAABJRU5ErkJggg==
W6KaFiLnWPCt0CCkZcJf6vsChOKBSzoEspO2nVEjQUs6KJmq+xEE4oFLOgSyk7adUSNBSzoomar7EQTigUs6BLKTtp1RI0FLOiiZqvsRBOKBf4DnGnPE3g4L3EAAAAASUVORK5CYII=
wEmJIkirjnk6gAAAABJRU5ErkJggg==
因此,
XkDcms4sboZQSkA2Q4plH6UEmiSBEpBNEmTZTSmBZkigBGQzpFj2UUqgSRL4P76wnSJF4caTAAAAAElFTkSuQmCC
Kn19hWBikBFYNoRqCQ27ZDXB1YEKgIVgYrAVCFQSWyqkKz3qQhUBCoCFYFpR6CS2LRDXh9YEagIVAQqAlOFwH8BgrVLuJWsl6UAAAAASUVORK5CYII=
rZdyIGT5J7AAAAAElFTkSuQmCC

matlab代码

function [res] = add_noise(data,snr_db)
%ADD_NOISE 此处显示有关此函数的摘要
%   此处显示详细说明
% snr input actually  is snr_db
% input:data,snr_dB
%snr_db=10log10(snr)
%snr=10^(snr_dn/10)
snr=power(10,snr_db/10);
% snr=p_s/p_n
% D(s)=E(s^2)-E(s)^2
p_s=var(data)+mean(data)^2;
p_n=p_s/snr;
sigma=sqrt(p_n);
noise=normrnd(0,sigma,100,1);
% x=(1:100)';
% plot(x,data,'r.');
% hold on;
% plot(x,data+noise);
% legend('原始数据','15dB噪声');
res=data+noise;
end
目录
相关文章
|
8月前
|
Java API 计算机视觉
图像处理之添加高斯与泊松噪声
图像处理之添加高斯与泊松噪声
99 1
|
算法
通过白噪声的频谱处理产生任意光谱斜率(f^a)噪声(Matlab代码实现)
通过白噪声的频谱处理产生任意光谱斜率(f^a)噪声(Matlab代码实现)
110 0
|
9月前
|
存储 数据可视化 计算机视觉
OpenCV(二十一):椒盐噪声和高斯噪声的产生
OpenCV(二十一):椒盐噪声和高斯噪声的产生
251 0
|
机器学习/深度学习 传感器 算法
【图像去噪】基于高斯滤波+均值滤波+中值滤波+双边滤波滤波实现图像去噪(含信噪比)附Matlab代码
【图像去噪】基于高斯滤波+均值滤波+中值滤波+双边滤波滤波实现图像去噪(含信噪比)附Matlab代码
|
算法 应用服务中间件 HSF
时域高通滤波算法(THPF)下
空域低通时域高通非均匀性校正算法
225 0
时域高通滤波算法(THPF)下
|
机器学习/深度学习 算法 计算机视觉
时域高通滤波算法(THPF)上
图像非均匀校正中的场景校正算法-时域高通滤波算法(Temporal High Pass Filtering, THPF)以及它后续的各种改进版本。空域和频域已经在之前的文章介绍过一些了,时域还没有。图像是二维空间域上的像素,随着时间的延续,每秒25、30、60帧,就成了视频,针对视频进行图像处理,就可以考虑增加一个时间维度,图像帧与帧之间是存在相关性的,结合时域滤波算法可以有效去除图像中的噪声和探测非均匀性问题。
426 0
时域高通滤波算法(THPF)上
基于偏差校正似然的贝叶斯参数估计
基于偏差校正似然的贝叶斯参数估计
171 0
基于偏差校正似然的贝叶斯参数估计
|
机器学习/深度学习 传感器 算法
基于像素级图像融合的评价指标,包括均方误差,信噪比,熵附matlab代码
基于像素级图像融合的评价指标,包括均方误差,信噪比,熵附matlab代码
|
机器学习/深度学习 传感器 资源调度
【信号去噪】基于变分贝叶斯卡尔曼滤波器实现信号滤波附matlab代码
【信号去噪】基于变分贝叶斯卡尔曼滤波器实现信号滤波附matlab代码
|
算法 C++
【C++】离散余弦变换滤波算法(DCT)
离散余弦变换滤波算法(DCT)C++实现
210 0

热门文章

最新文章