木材缺陷声发射信号的小波包分析处理

在简要介绍小波包分析的分解和重构算法基础上,通过木材声发射实验采集声发射信号;利用小波包分析技术对三种不同缺陷类型的木材试件的原始数据进行消噪预处理,然后对信号进行分解,并对分解的信号进行小波包重构;运用“小波包-能量”法提取木材声发射信号特征值,实现了木材缺陷状态和声发射信号特征向量之间的映射关系。结果表明：用小波包分析确定木材缺陷程度是一种有效的方法。     

基于小波分解的带钢缺陷检测

带钢缺陷是带钢质量检验的重要组成部分,通过相关的理论分析,本文提出了一种基于小波分解的带钢缺陷检测方法。首先对带钢图像进行小波分解;然后,选择子图进行融合,从而有效地抑制了背景纹理信息;在此基础上,对带钢的融合图像进行图像分割和形态学滤波,实现对带钢缺陷的位置和面积的准确检测。实验结果表明,该检测方法是有效的。     

基于小波包分析木材声发射信号消噪处理

由于目前的滤噪技术在检测木材声发射信号时还存在一定的缺点,本文根据木材声发射信号的特征,基于小波包分析研究了利用信号的小波包分析、计算和最佳小波包基的选取.采用默认阈值方法处理小波系数,通过小波包重构得到消噪后的木材损伤声发射信号,噪声得到较好的抑制.结果表明用小波包变换进行消噪处理,噪声消除彻底,提高了损伤缺陷检测的准确性.     

木材缺陷识别新方法——改进C-V模型与小波变换

分析了木材缺陷、单板节子的特点,提出了一种基于改进的C-V模型、小波变换及背景填充技术的缺陷识别算法。采用symlet5小波,对原图像进行一级二维离散小波变换,分别得到低频分量和高频细节,对低频分量用背景填充技术进行处理得到新的低频图像,分别使用改进的C-V 模型对各子图像识别,利用二维离散小波重构图像,进行Gauss滤波,得到分割结果。     

基于形态学的口腔CT图像对比度增强方法研究

针对口腔CT图像软组织部位分辨率低,细节不清晰的问题,提出一种基于数学形态学的图像处理方法,较好地避免了目前常用的直方图均衡、反锐化掩膜以及小波阈值增强等方法在图像处理过程中产生的细节丢失、噪声放大等缺陷。该方法通过对图像进行小波变换预处理,增强表达软组织信息的低频小波系数并重构图像,并解决了增强信息的同时带来的噪声放大问题。同时引入形态学开闭级联滤波器,增强特征信息,进一步去除噪声平滑图像。实验结果证明了该方法的有效性,有助于临床口腔软组织病灶部位的区分和诊断。     

改进的基于形态学小波多聚焦图像融合方法

提出了一种改进的形态学小波多聚焦图像融合算法。针对文献[1]基于形态学小波多聚焦图像融合方法在重构过程中存在灰度值下溢的缺点,提出了一种检测-重融合的新方法。融合试验表明,该方法优于传统的形态学小波融合方法。     

基于DWT和形态学的眼底图像小血管检测

针对眼底图像中末端小血管检测难、细节容易丢失的问题．提出一种基于离散小波变换（DWT）和形态学滤波的检测算法。通过小波变换多尺度分析眼底图像小血管系数、背景系数的不同特征．选取分量信号的系数后重构图像。同时以自适应阈值Canny算法提取小血管边缘;然后将结合小血管宽度选择适当结构元素半径,对重构图像进行灰度膨胀,实现小血管检测。结果表明,形态学结合DWT的检测算法能够准确地检测小血管．与常见边缘检测算法相比检测成功率较高。     

基于遗传算法和数学形态学的木材分选图像分割研究

在木材分选过程中,能否精确提取缺陷轮廓是提高分选准确率的重要因素。本文讨论了提取木材缺陷轮廓的疗法,应用了遗传算法与数学形态学4相结合的方法对缺陷图像进行图像分割,最终提取出缺陷边缘,开与使用他统方法进行图像分割后提取出来的缺陷边缘结果相对比。对比结果显示,经过遗传算法和数学形态学进行图像分割,最后得到的小材缺陷轮廓更加消晰,连贯,易于识别。     

基于小波包和Zernike矩特征提取的车牌字符识别

提出了一种基于小波包和Zernike矩特征提取的车牌字符识别方法。首先针对数字字符特殊的字体结构,采用了数学形态学方法进行滤波处理。预处理后,对待识别字符进行三层小波包分解,获取第三层各节点小波包系数;同时对小波包分解后的第二层各节点进行重构,并分别计算重构后所得图像的Zernike矩;最后对获得的小波包系数和重构后所得图像的Zernike矩所组成的特征空间进行降维处理,并利用BP神经网络对车牌中的数字进行识别。实验结果表明,该方法效果良好。     

基于小波与数学形态学的道路信息提取

提出了一种基于小波与数学形态学提取道路信息的方法。首先,利用小波多尺度分析对遥感图像进行分解,通过分析小波系数,对各个小波分量进行滤波处理,滤除非道路特征,再进行小波重构,然后对重构图像进行分割,得到包含道路信息的图像。最后应用数学形态学方法,选取合适的结构元素,对图像分割的结果进行形态变换,进一步滤除了非道路信息,完成道路信息提取。通过实验比较证明,该方法比一些典型边缘提取算法更有效、更适合于道路信息的提取。     

基于MATLAB编程的木质复合材料缺陷信号小波分析

介绍了小波理论的发展、小波变换处理信号的基本原理.结合MATLAB的小波工具箱、信号处理工具箱编写程序,在MATLAB环境中实现信号的小波与小波包分析,同时输出信号特征参数和相关的分析图形.利用该程序对木质复合材料缺陷信号进行分析处理,通过提取信号的特征值能量率实现木质复合材料左端、中部和右端缺陷定位无损检测.     

融合小波变换和新形态学的含噪图像边缘检测

针对图像边缘检测中,滤除图像噪声并有效保留图像边缘信息这一研究,提出了一种融合小波变换模极大值法和新型改进的数学形态学的含噪图像边缘检测方法。首先介绍了基于小波变换模极大值的图像边缘检测算法;然后提出了一种新型改进的数学形态学检测算法;最后为了综合两种算法的优点,应用新的融合方式将两种方法的检测结果融合到一起,提出一种融合小波变换和新形态学的含噪图像边缘检测方法。实验结果表明,提出的融合检测算法相比于单独使用小波变换模极大值或数学形态学算法,能更有效地抑制噪声,提高边缘检测效果。     

Wavelet based methods on patterned fabric defect detection

The wavelet transform (WT) has been developed over 20 years and successfully applied in defect detection on plain (unpatterned) fabric. This paper is on the use of the wavelet transform to develop an automated visual inspection method for defect detection on patterned fabric. A method called direct thresholding (DT) based on WT detailed subimages has been developed. The golden image subtraction method (GIS) is also introduced. GIS is an efficient and fast method, which can segment out the defective regions on patterned fabric effectively. In this paper, the method of wavelet preprocessed golden image subtraction (WGIS) has been developed for defect detection on patterned fabric or repetitive patterned texture. This paper also presents a comparison of the three methods. It can be concluded that the WGIS method provides the best detection result. The overall detection success rate is 96.7% with 30 defect-free images and 30 defective patterned images for one common kind of patterned Jacquard fabric.     

小波变换在图像压缩中的应用

小波变换克服了传统傅立叶变换的缺点，具有良好的时频局部化性能，从而使得小波理论在图像处理领域得到广泛的应用。实验证明，经过小波变换编解码的图像在实现较高压缩率的情况下能够保证较好的图像质量。     

小波变换在图像压缩中的应用

小波变换克服了传统傅立叶变换的缺点,具有良好的时频局部化性能,从而使得小波理论在图像处理领域得到广泛的应用。实验证明,经过小波变换编解码的图像在实现较高压缩率的情况下能够保证较好的图像质量。     

基于复解析子波变换（CAWT）的汉语语音谱图

复解析子波变换（CAWT）紧密地将希尔伯特变换（HT）与子波变换（WT）结合在一起,在信号分析处理方面具有良好的表现。本文将复解析子波复换应用于汉语语的谱分析中,实验结果表明,文中所构造的复子波语音谱图可以清晰地表征汉语语音的动态谱结构,谱图中的语音形态为进一步的语音识别提供了一种新的途径。     

A cluster-based wavelet feature extraction method and its application

In this paper, a new cluster-based approach is proposed for extracting features from the coefficients of a two-dimensional discrete wavelet transform. The wavelet coefficients from the matrix of each frequency channel are segregated into non-overlapping clusters in an unsupervised mode using a set of application-specific representative images. In practical situations, this set of representative images can be the same as the ones kept aside for training a classifier. The proposed method divides the matrices of computed wavelet coefficients into disjoint clusters that are centered around the position of dominant coefficients. The features that can distinguish images of one class from those of other classes are obtained by computing energies of the clusters. The feature vectors so obtained are then presented as input patterns to an image classifier, such as a neural network. Experimental results based on the applications for texture classification and wood surface defect detection have shown that the proposed cluster-based wavelet feature extraction method is able to effectively extract important intrinsic information content from the test images, and increase the overall classification accuracy as compared with conventional feature extraction methods.     

小波分析在管道缺陷超声检测中的应用

在管道缺陷超声无损检测中，作为检测基本数据的脉冲反射回波信号受到电子噪声(包括热噪声和量化噪声)和结构噪声的干扰，使材料的缺陷信号变得难以识别。小波变换借助于时．频局部分析特性，已成为现代信号处理中的一种重要方法。在阐述小波变换基本原理的基础上，研究了管道超声缺陷信号的小波分解与重构。利用此方法对超声信号进行分析，可方便地识别是否存在缺陷以及缺陷的位置。     

基于水平集的不规则透明表面缺陷检测设计

针对图像采集中,缺陷的灰度值和背景几乎不可区分,导致图像的低对比度的问题,目前,常规的表面缺陷检测图像预处理中常用阈值化和边缘检测技术,易出现漏检现象,即不适用于检测不规则表面边界处的细微瑕疵.为解决这一问题,从低对比度透明材料图像的非高斯统计特性出发,研究提出利用水平集智能分割具有复杂形状的目标对象,并利用小波变换进行缺陷特征提取的高效的智能缺陷检测方法.测试表明,所提出的基于水平集和小波变换的不规则表面缺陷检测系统的有效性,克服了检测区域边缘处的漏检缺陷问题.     

基于小波变换和曲波变换的图像边缘检测新算法

针对图像处理中的边缘检测问题,提出了一种基于小波变换和曲波变换的图像边缘检测新算法。首先对原始图像进行小波变换得到小波边缘图像;然后对原始图像进行曲波变换并使用Canny算子得到曲波边缘图像;最后基于小波变换的窗口内边缘强度自适应融合算法将小波边缘图像和曲波边缘图像进行融合得到最终边缘图像。该方法结合了小波变换描述图像细节特征的优势和曲波变换处理曲线或直线边缘特征的优势,能全面刻画边缘图像的纹理与细节信息,提高了图像清晰度。仿真实例表明了该算法的有效性。