上一节课给大家讲了传统的比较先进的去噪算法，包括了FX反褶积，MSSA，小波变换，KSVD等等，大家是不是看得比较过瘾呢？
当我们要研究不同算法去噪性能的时候，如果只用一种结果对比肯定是不太有说服力的。如果大家有兴趣看看SCI论文，就会发现一般专业的研究是会从很多角度进行定性和定量的研究，从而较全面的得出研究结论。今天我们就来给大家介绍常用的实验分析思路。
一、实验数据和算法介绍
今天的测试数据使用64*64的一个仿真地震数据，采样率为4毫秒，如左图所示。
加上了15%的随机噪声，就变成了右图中模样。可以看出，噪声对有效信号影响比较大的，特别在信号边缘，出现了很大的干扰。
今天要进行的算法对比实验主要包括了：FX反褶积，MSSA，小波变换，KSVD等。相关算法原理在上节课进行了详细的讲解。
那么要比较全面分析以上去噪算法的性能，我们有哪些分析思路呢？我们主要分为定性和定量两个方向来给大家讲解。
二、定性对比分析
所谓定性分析法，是依据预测者的主观判断分析能力来推断事物的性质和发展趋势的分析方法。那具体到去噪实验，我们主要通过观察相关结果，来做出不同的推断。
1.去噪结果对比分析。
结果对比是最容易理解，最常见的一种分析方法。正所谓“不看广告，看疗效”。
比如这幅图，我们可以看到清晰信号，噪声信号已经用四种算法去噪后的效果。可以从图中看出，四种算法都有去除了一定的随机噪声。其中KSVD的效果比较好，整个画面比较干净，留下的有效信号边缘也比较清晰。
2.提取噪声的对比分析
算法提取的噪声，就是去噪的结果与含噪声数据的差值。检验的是去掉噪声的程度和是否对有效信号损失。从上面的结果图片来看，小波去噪损失了比较多的有效噪声，FX反褶积对信号有一定的损失，剩余两种算法对有效信号损失很小，而且去掉的随机噪声较多。
3.单道频率振幅谱分析
为了更加细致地分析去噪性能，还可以选取某一道地震数据进行分析。比如这幅图，我们从地震数据中选取了第60道的结果，制作了频率振幅图。
从图中的结果来看，第1幅图是清晰信号和含噪信号的对比图，可以看到主要信号在中低频区域，而其它频率区域受到了噪声干扰。后面几幅图可以比较直观的看出算法的去噪效果。比如小波变换对噪声的压制比较差，在高频区域存在大量的噪声干扰。而FX反褶积相对好点。那MSSA和KSVD去噪的曲线就和清晰信号曲线非常的接近。MSSA在低频部分和清晰信号有些偏离，估计这就是同相轴的边缘部分还原的不是太好。而KSVD和清晰信号重合度很高，说明KSVD确实是一个优异的去噪算法，既有效压制了噪声，又充分的保留了信号。
4.其它定性分析
除了以上常见的方法，还有很多其他的定性分析方法。比如时间振幅谱，频率相位谱，局部相似图等等，大家有兴趣可以与我交流。
三、定量对比分析
定量分析法是对研究对象的数量特征、数量关系与数量变化进行分析的方法。说简单点就是对数值的对比分析。那有哪些研究思路呢？
1.信噪比结果分析
上节课介绍过对比去噪评估的一个重要指标——PSNR峰值信噪比的概念。那么直接对比不同算法的峰值信噪比结果，孰优孰劣是不是一目了然？上图对比了不同噪声水平不同算法的PSNR，就可以看出KSVD的性能比较稳定，一直是高于其它算法的降噪结果。
2.处理时间分析
除了研究算法的降噪效果，算法的运行效率也是我们关心的要点。如图所示，对于不同数量级的数据处理时间小波去噪的就非常快。而KSVD相比就比较慢。当大规模数据处理时，由于投入计算的资源限制，常常会在处理效果和处理效率之间考虑折中的算法。
3.其它定量分析方法
如果引入数据分析的思维，还有很多定量分析的方法。比如相关分析、结构分析、比率分析、趋势分析等等。
好了，以上就是做实验研究常用的分析思路。相信你掌握之后，科研能力能够更上一个台阶。今天的课程就到这里，如果你想获取代码，或有问题讨论，都欢迎联系我交流。下节课再见。
网友评论