基于BEMD的水下声影区地貌及纹理特征提取

提出了一种基于二维经验模态分解（The Bidimensional Empirical Mode Decomposition，BEMD）的水声图像声影区地貌及纹理特征提取方法．为了解决声影区的存在对水声图像特征提取的干扰问题，先对水声图像进行二维模态分解，采用Canny边缘检测器对其中的模态1或几个模态的叠加进行特征提取．实验结果表明，该方法增强了声影区内目标的特征信息，弱化了声影区的阴影边缘，是一种实用的水声图像特征提取新方法．     

基于BEMD的水下声影区地貌及纹理特征提取

提出了一种基于二维经验模态分解(The Bidimensional Empirical Mode Decomposition,BEMD)的水声图像声影区地貌及纹理特征提取方法.为了解决声影区的存在对水声图像特征提取的干扰问题,先对水声图像进行二维模态分解,采用Canny边缘检测器对其中的模态1或几个模态的叠加进行特征提取.实验结果表明,该方法增强了声影区内目标的特征信息,弱化了声影区的阴影边缘,是一种实用的水声图像特征提取新方法.     

一种改进BEMD的指纹边缘检测算法

为了解决二维经验模式分解(bidimensional empirical mode decomposition,BEMD)算法在指纹图像边缘检测中存在边缘连续性差、运算时间长等问题,提出一种改进算法。该算法首先采用Delaunay三角剖分法构造指纹图像局部极值点三角网格来求得局部均值;其次,通过滑动平均法来取代插值函数算法求取均值包络面,以局部包络均值和极值点数目差来确定筛分的终止;最后,对分解获得的前两层高频内在模态分量进行重构作为边缘检测原始图像,与指纹图像处理的二值化、细化技术相结合得到指纹图像边缘检测结果。从指纹库CFV2002中随机选取30组像素不同的指纹图像进行实验,仿真实验结果表明,与BEMD算法相比,改进BEMD算法的指纹图像边缘检测Pratt品质因数提高了0.067 7,运算时间提高了17.03s。所提出的改进算法可应用于指纹图像边缘检测。     

利用小波变换进行水下图像边缘提取的一种方法

采用小波变换进行水下图像的边缘提取。采用一种简单的小波，利用滤波器组实现了图像的小波分解。并利用相邻尺度间小波系数的相关性和一种非线性函数进行噪声抑制，同时利用小波系数的模极大值来提取边缘点。通过真实水下图像的实验证明了利用小波系数间的相关性进行噪声抑制的可行性和利用小波在噪声抑制的同时进行边缘检测的有效性。     

基于改进BEMD的视频镜头转场检测算法研究

对二维经验模式分解(BEMD)算法进行了改进,采用限定域的Delaunay三角剖分和三次插值得到极大值和极小值包络面,用基于限邻域经验模式分解(NLEMD),即通过设定最大邻域(时宽)和采用邻域内局部自适应均值算法代替包络均值算法进行分解,给出了图像BEMD分解后内蕴模函数(I MF)1和2的Hilbert谱,以I MF2的瞬时振幅作为图像的特征向量,计算镜头转场中图像序列帧特征向量间的欧式距离。采用大量的视频镜头转场的样本进行实验,结果表明,剪切镜头查准率和查全率皆为98%;渐变镜头查准率86.4%,查全率87.6%。     

图像边缘检测的一种简化算法

在对小波方法进行分析的基础上,笔者指出了一种新的图像边缘检测算法,该算法与Ｍａｌｌａｔ边缘检测算法相比,简化了算法复杂度。     

自适应图像边缘检测LOG算法的DSP实现

LOG算子是图像边缘检测的重要算子,可以在不同尺度下检测图像的边缘特征。针对LOG算子存在的缺陷,并借助于LMS自适应算法获取最佳空间系数σ值,成功抑制了图像中的大部分噪声。并通过基于TMS320C6000专用信号处理器的图像处理系统实现了图像边缘检测的自动提取。实验结果表明,当σ值较小时,LOG算子对高反差像素比较敏感,能够检测出物体的精细边缘,并且与实际边缘的一致性较好,但同时高斯滤波不彻底,图像中出现大量的虚假边缘;当σ值较大时,算子能够检测出原图像的边缘,噪声情况明显减小,但是边缘间存在相互干扰,位移严重等情况;本算法检测出的图像边缘,不仅成功抑制了图像中大部分噪声和微小的灰度变化,还保证了较高的边缘定位精度。增强了LOG算子的实用性,并且该算法易于实现,可以较好的解决图像边缘检测问题。     

一种曲面拟合图像边缘特征提取算法

针对传统最小二乘支持向量回归函数曲面拟合边缘特征提取算法推广性差的问题,提出首先在模糊特征平面对图像进行模糊去噪增强,使图像各种边缘信息凸显,弱化非边缘信息;然后对图像进行最小二乘支持向量回归函数曲面拟合,对拟合函数求导确定边缘.在对每个点采用相同惩罚因子时,保证了图像中每一像素的邻域最佳函数拟合.仿真实验表明,该算法边缘提取质量清晰细致,效果较好,且各种参数的选择不需人为调节,适合图像预处理阶段应用.     

基于改进BEMD的Gabor-2DPCA掌纹识别

为了提高掌纹识别的准确率,提出一种基于二维经验模式分解(bidemensional empirical mode decomposition,BEMD)的掌纹重构改进算法。该算法首先对预处理掌纹图像采用改进二维经验模式分解算法分解,提取前4个本征固有模态分量重构掌纹;其次,将重构掌纹通过二维Gabor滤波器分解成20个特征子图,利用二维主成分分析(two-dimensional principal component analysis,2DPCA)算法数据降维,提取掌纹特征;最后,计算样本的欧氏距离,实现掌纹识别。采取香港理工大学的PolyU掌纹数据库中的600张掌纹图像实验,结果表明,该算法重构掌纹含有更多纹理特征,在训练样本不同的情况下识别率均有提升,最高可达99.33%。提出的改进算法可以应用于掌纹识别。     

一种医学图像的边缘检测算法

针对医学CT图像特点,提出了一种医学图像边缘检测算法,该算法利用SUSAN边缘检测算法,对整幅图像中的所有象素,用圆形模板进行扫描.通过比较模板内每一象素与中心象素的灰度值,并与给定的阀值比较,判别该象素是否属于USAN区域,确定边缘点.实验结果表明:对于相同的一幅图像,该算法直接利用图像灰度相似性的比较,是使用3×3模板的Sobel算子的运缘检测算法的50%.对于相同的配置,运算速度可提高一倍以上.与其他算子相比,该算法运算量更小,运算速度更快,并具有较强的抗噪声能力,适于医学CT图像这种含噪低对比度灰度图像的边缘检测.     

基于窗口经验模式分解的医学图像增强

提出了基于窗口经验模式分解(WEMD)的医学图像增强算法。用WEMD算法分解医学图像,能够自适应地提取图像的内涵模式函数(IMF)分量。利用IMF分量图像的直方图服从正态分布的特性,结合直方图匹配算法的增强能力处理前几个IMF分量,经处理的IMF分量中的高频细节信息得到增强。将处理后的IMF分量和剩余分量重构,获取增强的医学图像。实验表明,WEMD算法增强效果优于目前的图像增强算法。 更多还原     

具有独立分量的经验模态分解算法研究

在经验模态分解算法中用极值包络平均近似局部平均,不能保证分解分量之间的正交性,固有模态分量存在冗余.这种情况对信号成份分析尤为不利,冗余部分的物理意义无法解释,或可能作出错误的解释.将独立分量分析方法引入经验模态分解算法中,利用其良好的分解独立特性,使模态分量不仅正交而且相互独立,消除了冗余.仿真试验表明,改进算法的模态分量彼此独立,特别对于混有突变信号的周期信号,在得到周期分量的同时,也得到突变分量,说明了改进算法比原算法优越,且具有较好的工程应用前景.     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

图像边缘检测的小波包分解算法

提出用于图像边缘检测的小波包分解算法.首先对图像的高频子空间进行多层次小波包分解,接着求出各层同一子空间不同方向上系数的差值,然后分层对差值进行阈值化处理,最后依据每层阈值化后的系数,得到不同分辨率下图像的边缘.该算法不需预先对图像进行去噪处理,却能很好地抑制噪声.实验结果表明,该算法既能根据需要分别求出不同尺度下图像的边缘,又能保持图像边缘的完整性和清晰性.     

图像边缘检测的小波包分解算法

提出用于图像边缘检测的小波包分解算法．首先对图像的高频子空间进行多层次小波包分解，接着求出各层同一子空间不同方向上系数的差值，然后分层对差值进行闽值化处理，最后依据每层阈值化后的系数，得到不同分辨率下图像的边缘．该算法不需预先对图像进行去噪处理，却能很好地抑制噪声．实验结果表日月，该算法既能根据需要分别求出不同尺度下图像的边缘，又能保持图像边缘的完整性和清晰性．     

一种改进的图像边缘检测算法

针对传统单一算子图像边缘检测效果欠佳的问题,提出一种新的边缘检测算法.新算法融合了LOG算子对于图像的阶跃型边缘定位准确、旋转不变性的优点和Canny算子的强抗噪声能力.通过实例实验分析表明:相比传统单一算子,新算法检测图像边缘的准确度更高,检测效果更理想.     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.