基于滤波的SAR影像去噪方法分析

根据SAR(Synthetic Aperture Radar)影像相干噪声的特点,对现在广泛应用的各种抑制噪声的滤波方法如均值滤波、Frost滤波、增强型Lee滤波、Lee滤波、中值滤波等进行分析,并提出适合本研究区影像的基于小波变换的分量滤波处理去噪方法,利用均值、标准差、平滑指数、PM值、信息熵和平均梯度等评价指标对各种滤波去噪后的影像质量进行评价,并对去噪效果进行对比分析,证明本文所采用的滤波方法对SAR影像噪声有很好的抑制作用,并且较好的保存了图像纹理信息。     

多级小波分解与LBP融合的纹理提取算法

为提高不同光照、不同角度条件下的纹理识别精度,提出了一种利用多级小波分解和多尺度旋转不变LBP融合的纹理提取算法。算法在传统的LBP特征提取基础上,采用多尺度的旋转不变LBP算子分别对多级小波逼近图像提取直方图序列特征向量,与各级小波能量进行加权融合,获取更多的纹理信息,对光照和角度的变化有更高的鲁棒性。仿真结果表明,相对传统的LBP特征提取算法,改进的算法具有更高的纹理识别率。     

基于小波变换的语音同步方法研究

为提高语音通信干扰效果客观评估中标准语音文件和受扰语音文件的同步精度,对军标GJB4405A-2006中规定的标准语音文件增设了高低频交叉的双音频同步头;介绍了小波消噪的原理,利用2层sym小波对受扰语音文件进行了消噪处理,将同步头中的高频信号作为噪声进行大幅削弱;设计了基于幅度比较的同步算法,找出同步基准点,并对20组受扰严重的语音文件的进行了仿真测试,仿真结果证明了该方法得到的同步精度符合后续数据处理的要求。     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

小波域最小嵌入失真函数设计及其在隐写中的应用

为了提高隐写方案的安全性,提出一种基于最小嵌入失真原理和网格码的图像隐写算法。首先在离散小波域结合人眼视觉特性和整数提升小波变换设计了失真测度函数,主要考虑了亮度、频率和纹理掩蔽因子对载体失真的影响。然后结合网格码设计了隐写算法,将嵌入信息对载体的修改最小化并且集中在人眼不敏感区域。实验结果显示,方案具有良好的视觉不可见性,且能抵抗空域、小波域等隐写分析的攻击,安全容量达到0.4 bits/pixel。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于图像仿射不变特征点的零水印算法

本文提出了一种基于图像提升小波变换和仿射不变特征点的零水印算法。首先对图像进行3级提升小波变换,然后在低频部分,利用Harris-Affine算子提取出图像的仿射不变特征点和仿射协变特征区域,利用这些特征区域来构造零水印信息。实验证明,该算法不仅对常规信号处理攻击和简单的几何攻击具有很强的鲁棒性,对于剪切、纵横比改变、行列去除,局部扭曲等较复杂的几何攻击也具有较强的抵抗能力。     

小波变换在伺服焊枪电极位移曲线分析中的应用

电极位移曲线能够反映出点焊规范参数波动，是一个理想的监控参数。采用离散Daubechies4阶小波对电极位移曲线进行滤波处理，成功地将测量曲线分为电极位移趋势曲线、波动曲线。这两种曲线分别反映了点焊质量的整体质量优劣、过程一致性这两方面特征，提高了位移曲线表征焊接过程的能力，为伺服焊枪的点焊质量控制提供了准确、优良的数据基础。     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。     

一种利用衰减非周期分量的UHVDC线路故障选极元件

针对一极线路遭受故障时,另一极线路会耦合到很大的电压突变率和电流变化率,甚至可能引起健全极线路的保护动作的问题,提出一种利用衰减非周期分量的UHVDC线路故障选极元件。对特高压直流输电线路故障暂态特征时域和频域的分析发现,直流线路整流侧保护测量处故障极的衰减非周期分量大于非故障极的衰减非周期分量,由此构成UHVDC故障选极判据。通过小波变换分解两极线路故障电流,并在频带0~20Hz进行重构以提取故障电流的衰减非周期分量,根据两极线路衰减非周期分量能量的比值进行故障选极。大量的仿真结果表明,该方法对于不同的故障位置、过渡电阻以及故障类型来说具有较强的鲁棒性,在各种工况下均能可靠快速地选出故障极,不受数据同步的影响,门槛值易整定,具有工程现场意义。