基于小波域扩谱的无损数据隐藏

该文提出一种基于小波域扩谱的无损数据隐藏方法。该方法根据扩谱原理把数据嵌入到图象整数小波变换后的高频子带系数中;通过嵌入伪信息的方式,解决了在提取信息时无法判断在哪些系数上嵌入了水印信息的问题;另外,为防止小波反变换时图象灰度溢出问题,使用了直方图调整技术。实验结果表明,该方法能嵌入大容量的数据信息,同时保持很好的视觉效果,在图象认证及伪装通讯等领域具有广泛用途。     

基于提升小波和Context模型的图象无失真编码方案

文章讨论了提升小波变换的基本原理。并根据提升小波系数的特点,结合基于Context模型的熵编码,提出了一种新的无失真图象编码方案。该方案中,将提升小波系数的编码分为三部分考虑,即反映非零系数位置的SignificanceMap、反映非零系数幅值大小的MostSignificanceBits(MSB)符号流和去除了MSB的剩余二进制符号流。因为Signifi-canceMap和MSB符号流中存在较强相关性,提出了简单有效的Context模型对它们进行熵编码。而对去除了MSB的剩余二进制符号流,由于其相关性较弱,直接使用自适应算术编码。经过实验对比证明了该方案在无失真图象编码中的有效性。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

DISCRETE WAVELET TRANSFORM FOR DENOISING RAMAN SPECTRA OF HUMAN SKIN TISSUES USED IN A DISCRIMINANT DIAGNOSTIC ALGORITHM

In this work, we applied the discrete wavelet transform (DWT) method as a denoising tool for dispersive Raman spectra of skin samples, and we compared the results obtained with the low-order polynomial fitting in a discriminating model based on principal components analysis (PCA). We used a set of 50 Raman spectra of skin tissue fragments diagnosed as normal (N) (25 spectra) and basocellular cell carcinoma (BCC) (25 spectra). A denoising procedure using DWT and its inverse was employed, and the resulting spectra were compared to denoising using low-order polynomial fitting and adjacent averaging smoothing. The tissue spectral profile showed changes in the intensity of bands below 1400 cm^?1 for DWT compared to the denoising by polynomial and smoothing. By applying PCA and Mahalanobis distance in both groups processed, we verified that the filtering method does not alter significantly the discrimination of N and BCC tissues. However, the DWT denoising presented an interesting result, which showed the main components after decomposition of the Raman signal used in the reconstruction.     

多分辨小波网络的理论及应用

从小波多分辨分析的理论入手，描述一个单隐层的人工神经网络－小波网络，小波网络是以多分析理论的基础，使用正交小波和尺度函数作为激励函数进行局部学习的，给出小波网络的结构模型及训练过程，网络的学习是按层次进行的，首先是学习全局拟和，然后通过在不同的分辨级别增加ψ结点来减少全局和局部拟的误差，用小波网络对机械振动时间序列作出预报，经过训练后的网络具有很高的精确度，说明网络达到了全局最优。     

提升小波变换在图像压缩中的应用

利用第二代小波变换--提升小波变换,为第一代小波变换提供了一种新的更快速的实现方法,使得其构造不再依赖于Fourier 变换构造,可以实现所有的第一代小波变换,提升方案把此变换过程分为分裂、预测和更新3个阶段.基于提升算法的小波变换是新一代静止图像压缩标准--JPEG 2000的核心算法之一.在研究小波提升方案的基础上,分析了它在JPEG 2000应用,最后将小波提升和Mallat算法进行分析比较,试验证明提升方案的小波变换算法计算时间比Mallat 算法减半.     

一种基于小波变换的织物组织与结构参数检测方法

织物组织结构及参数的正确识别与分析是一项费时而又重要的工作。本文提出了一种运用图像处理技术检测织物纹理方向、识别织物组织以及经纬密测量的新方法。把小波变换对织物图像信号良好的分解性能与Radon变换对纹理直线的检测特性结合，运用于织物纹理方向的检测分析、织物组织识别及经纬密测量。相关实验表明该方法不仅能较准确测定纹理方向和经纬密等结构参数，而且其检测的结果能为正确推断与识别织物所属的基本组织类型提供有效依据。     

几何模型自由特征设计复用技术

特征技术一直是计算机辅助设计、制造领域研究的热点.自由特征由于自身的复杂性和不确定性,使其描述及操作十分困难.从知识复用的角度,建立了基于自由特征的模型设计方法.利用信号处理技术--小波的多尺度特性把模型的空域表示变换为频域描述,通过小波滤波器组完成对模型的自由特征提取和复用.模型从空域转换到频域表示,不仅提高了自由曲面建模的效率,而且方便了模型的修改、调试.     

基于稀疏分解理论的航空发动机轴承故障诊断

航空发动机轴承在高温、高压、高转速等恶劣条件下运行,机动工况较多,因而故障模式复杂,背景噪声强烈,难以及时有效地诊断。针对上述问题,提出基于稀疏分解的逐级匹配形态分析(Stagewise matching morphological component analysis,SMMCA)方法。稀疏分解是一种在超完备字典上对信号进行分解,并通过优化重构算法求解信号最稀疏表达的信号处理方法。逐级匹配形态分析基于稀疏分解理论,根据信号组成成分的差异,分别构造相应成分的稀疏字典,然后通过交替投影理论和逐级正交匹配追踪算法(Stagewise orthogonal matching pursuit,St OMP)对各组成成分进行优化重构,从而实现各成分的降噪和分离,准确快速地捕获信号中的特征信息。将提出的基于稀疏分解的逐级匹配形态分析方法应用于航空发动机轴承故障诊断,仿真和试验对比分析验证了该算法的有效性。     

小波分析在信号处理中的应用

在简述小波分析、小波识别原理的基础上，详细介绍了小波分析在信号处理中的应用，包括信号消噪、特征提取、奇异性检测等。计算机硬件技术的日趋发展，特别是DSP技术的发展，将为小波分析应用于工程中提供有力的保障。