基于小波变换和Retinex算法的显著性检测

近些年来,关于图像显著性检测的研究越来越热门。基于之前提出的很多算法产生的显著图都存在背景信息杂乱、干扰噪声多、细节丢失等问题,本文提出了一种基于小波变换和Retinex算法的显著性检测算法来解决以上问题。首先,利用Retinex算法对图像进行前期处理;然后,对前期处理过的图像进行SLIC超像素分割,对超像素进行小波变换,分别生成原始图像低频部分和高频部分的特征图,并进行适当的双边滤波降噪,生成对应的显著图;最后,通过加权组合这两种显著图,得到最终的显著性图。实验结果表明,本文提出的算法生成的显著图具有受背景影响小、噪声少以及细节突出等优势。     

墙地砖边缘检测中的小波去噪

在墙地砖的边缘检测过程中,噪声的引入是不可避免的,有效地消除噪声而不影响检测结果是检测过程中需要解决的关键问题。本文采用了小波去噪方法—对图像进行去噪后再进行边缘检测的方法,其检测结果较好地满足了检测要求。     

Classification of cardiac sound signals using constrained tunable-Q wavelet transform

The features extracted from the cardiac sound signals are commonly used for detection and identification of heart valve disorders. In this paper, we present a new method for classification of cardiac sound signals using constrained tunable-Q wavelet transform (TQWT). The proposed method begins with a constrained TQWT based segmentation of cardiac sound signals into heart beat cycles. The features obtained from heart beat cycles of separately reconstructed heart sounds and murmur can better represent the various types of cardiac sound signals than that from containing both. Therefore, heart sounds and murmur have been separated using constrained TQWT. Then the proposed novel raw feature set has been created by the parameters that have been optimized while constraining the output of TQWT together with that of extracted by using time-domain representation and Fourier–Bessel (FB) expansion of separated heart sounds and murmur. However, the adaptively selected features have been used to obtain the final feature set for subsequent classification of cardiac sound signals using least squares support vector machine (LS-SVM) with various kernel functions. The performance of the proposed method has been validated with publicly available datasets and the results have been compared with the existing short-time Fourier transform (STFT) based method. The proposed method shows higher percentage classification accuracy of 94.01 as compared to 93.53 of STFT based method. In comparison with STFT based method, it is noteworthy that the proposed method uses well defined and lower dimensionality of feature vector that can reduce the computational complexity.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

结合小波变换的梯度场图像渐进融合算法

基于梯度场的图像融合算法只适用于尺度差异不大于1∶4的多光谱图像与全色图像。针对尺度差异为1∶8的北京一号卫星多光谱图像及高分辨率全色图像的融合问题,提出一种结合小波变换的梯度场图像尺度渐进融合算法。利用小波变换方法将多光谱图像与高分辨率全色图像尺度差异倍数缩小,得到基于小波变换的初级融合,再进行基于梯度场的Poisson图像融合。实验结果表明,渐进融合图像与多光谱图像的平均颜色差异值为23.5,与高分辨率全色图像的平均梯度差异值为2.1,多尺度纹理特征值差异值分别为3.98、10.2、18.9,渐进融合图像与高分辨率全色图像的空间细节和纹理细节吻合程度更好。     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

基于FSVM脱机手写体汉字分类识别研究

针对脱机手写体汉字特点,给出一种采用模糊支持向量机粗分类的方法。根据小波分解像素密度特征,利用模糊支持向量机对汉字进行粗分类。细分类识别提取外围特征,同时融合小波多网格特征,采用一对多算法进行细识别。仿真实验表明,该方法有较高识别率。     

基于小波包融合与矩阵主成分分析的人脸识别

提出一种改进的小波包融合＋2DPCA方法,先对图像进行二层小波包分解,再选取最利于判别分类的4幅高频子图进行融合,将融合子图与低频子图分别进行2DPCA降维和特征提取,最后进行决策级融合,得到识别结果。在Yale和JAFFE标准人脸库上的实验结果表明,该改进方法能有效提高识别率。     

DVC中基于块小波变换的边信息生成算法

在运动补偿内插生成的初始边信息基础上,根据图像的时空相关性,自适应地判断块小波变换方式,传送不同地小波系数辅助解码端生成边信息。实验结果表明,对于不同的视频序列,该算法在一定程度上能有效改进边信息的生成质量。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。