针对纵向纹理的图像自适应滤波算法

在对纸张或电池片计数时,采集的侧边图像呈纵向条纹状。在对其滤波时,传统滤波算法往往造成边缘图像模糊。为解决上述问题,设计了一种针对电池片纵向纹理的自适应模板滤波算法,根据图像灰度确定阈值,寻找边缘像素点进行排除,并对其余部分根据周边像素点灰度值建立自适应模板。从滤波前后的灰度值曲线图可见,算法在边缘位置的处理效果好,处理后的图像灰度平滑性高,具有实用价值。     

基于模板匹配及粗糙度纹理指标的液位检测算法

针对发酵液生产过程中发酵罐内液位检测的实际需求,提出一种基于模板匹配及粗糙度纹理指标的液位检测算法。首先,系统通过工业相机采集实时液位图像,并针对环境因素影响,进行图像预处理来提高采集图像质量;其次,对图像进行透视变换达到矫正目的;然后,对灰度化图像中的感兴趣区域进行模板匹配,粗范围寻找液位位置;最后,通过计算粗糙度纹理指标精确查找液位位置,从而得到准确的液位高度数据,并将数据滤波后输出。实验结果表明,基于模板匹配及粗糙度纹理指标的液位检测算法在实际应用中检测结果准确度达到98.2%以上,且具有抗干扰效果好、实时性强等优点。     

基于改进型匹配滤波的非稳态电能质量信号分析方法

现代电力系统中出现了越来越多的非稳态电能质量问题,为了提高电能质量非稳态成分分析的准确度,本文提出一种基于改进型匹配滤波的分析方法。分析了常规匹配滤波算法误差的产生原因和变化规律,发现正弦时频基函数与所匹配的稳态谐波在数据窗中点附近具有相位精确逼近的特性。在理论分析的基础上,构建含非稳态扰动成分的信号算例进行算法验证。结果表明所提出的分析方法能够实现稳态谐波参数的准确估计和非稳态扰动成分的精细分离,提高了电能质量信号分析的准确度。     

自适应加权根多项式回归颜色校正算法研究

针对多项式回归颜色校正方法中的不足,提出一种自适应加权的根多项式回归算法。多项式回归颜色校正过程中需要手动标定色卡色块位置,操作不便且易产生人为误差,本文自主设计了一种带QR码上3个定位标识符的色卡,可实现色卡色块的自动定位;针对多项式回归法的高阶项会放大噪声且对噪声不具有健壮性的问题,本文算法将自适应地调整权重矩阵以减小样本奇异值对拟合性能的影响,再由色差值计算另一个增益系数矩阵,从而提高校正性能。经实验验证,本文算法在CIELab色差值、PSNR两项指标上相较于传统多项式回归方法都有较大提升。其中,传统多项式回归方法平均CIELab色差值高达6.5,且该数值受环境影响较大,而本文算法对不同环境下的图像校正后色差可稳定在3.2以下。     

基于地图匹配的室内定位算法研究

在对室内环境进行定位的过程中,基于粒子滤波的地图匹配算法能够实现室内定位结果与地图数据的有效融合。目前此类方法主要存在地图匹配时穿墙检测算法计算量大以及定位结果位于不可达区域的问题。针对穿墙检测算法计算量大的问题,在栅格地图的基础上建立地图信息矩阵,提出了一种基于地图信息矩阵的穿墙检测算法,在保证正确检测出穿墙粒子的同时,降低计算量;针对定位结果位于不可达区域的问题,提出了一种基于粒子滤波多重权重更新的地图匹配算法进行改进。理论分析和实测结果均验证了改进算法的合理性和有效性。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

ORB特征匹配的误匹配点剔除算法研究

在计算机视觉中,特征点匹配是一个极其重要的问题。为了提高图像特征点匹配精度,针对ORB常采用的RANSAC误匹配点消除算法不足,提出了改进的误匹配点剔除算法。该算法通过缩小抽样点总量来保证匹配点选取质量,并能有效的减少迭代次数。分别采用ORB+改进算法与ORB+RANSAC算法对两组图片进行特征点匹配实验。实验表明,该算法能够有效剔除误匹配点,与RANSAC算法相比较精度提高了8%,匹配精度提高至97.43%。     

基于窗口滑动改进Prony算法的电力系统低频振荡识别

Prony算法是获取电力系统低频振荡信息的有效方法。针对传统Prony方法只能选取局部信号进行分析且对噪声敏感的问题,提出了固定窗长滑动的改进措施,进而应用于电力系统低频振荡识别中。与传统方法相比,改进的Prony方法通过对信号采取滑动窗口处理,即将拟合目标函数由局部误差平方最小变为分窗口误差平方和最小,从而能够计及较长时间内的误差平均效应,因而具有抗噪声能力强、不受信号长度影响的特点。基于DSATools的仿真分析证实了窗口滑动的改进Prony算法能有效识别低频振荡模式,并且该方法在含噪声环境下仍然能够保持较高的准确性。     

基于旋转块的BM3D图像去噪改进算法

针对经典BM3D去噪算法中存在的相似块匹配误差较大及对图像细节保护不足的问题,提出了一种基于旋转块的BM3D图像去噪改进算法.新算法首先对参考块进行不同角度的旋转获取旋转块,通过旋转块进行相似块匹配过程;然后使用低秩正则化来代替传统算法中的硬阈值滤波;最后,对结合旋转块匹配与低秩正则化的BM3D算法进行自适应调整,从而...     

一种改进型自适应谐波电流检测方法的研究

提出了一种改进型自适应谐波电流检测方法 ,它的算法、结构简单 ,成本低 ,实时检测效果好 ,且当电网电压畸变时能准确检测出谐波。适当选择积分器的比例系数 ,可大大提高该方法的检测精度和动态响应特性。仿真结果验证了该方法的有效性     

改进的基于curvelet域的SAR图像降斑方法

为克服curvelet硬阈值SAR图像降斑方法的不足,本文提出一种结合图像边缘方向特性的降斑方法。该方法利用曲波域内同一位置处不同方向上的curvelet系数提取图像的边缘方向特征,在curvelet硬阈值方法基础上做基于边缘方向特性的去噪处理,进一步抑制残余的噪声系数。为防止破坏图像中弱的细节边缘,引入一种边缘保持机制。实验结果表明,同curvelet硬阈值方法相比,本文的改进算法在提高SAR图像斑噪抑制能力的同时较好地保持了图像的边缘特征。     

Proposed network structures and combined adaptive algorithms for electrocardiogram signal denoising

An electrocardiogram (ECG) signal is a record of the electrical activities of heart muscle and is used clinically to diagnose heart diseases. An ECG signal should be presented as clear as possible to support accurate decisions made by doctors. This article proposes different combinations of combined adaptive algorithms to derive different noise-cancelling structures to remove (denoise) different kinds of noise from ECG signals. The algorithms are applied to the following types of noise: power line interference, baseline wander, electrode motion artifact, and muscle artifacts. Moreover, the results of the suggested models and algorithms are compared with those of conventional denoising tools such as the discrete wavelet transform, an adaptive filter, and a multilayer neural network (NN) to ensure the superiority of the proposed combined structures and algorithms. Furthermore, the hybrid concept is based on dual, triple, and quadruple combinations of well-known algorithms that derive adaptive filters, such as the least mean squares, normalized least mean squares and recursive least squares algorithms. The combinations are formulated based on partial update, variable step-size (VSS), and second iterative VSS algorithms, which are considered in different combinations. In addition, biased NN and unbiased linear neural network (ULNN) structures are considered. The performance of the different structures and related algorithms are evaluated by measuring the post-signal-to-noise ratio, mean square error, and percentage root mean square difference.