光学多通道纹理分割技术

提出一种以人类视觉系统初级阶段多通道滤波理论为基础的光电混合纹理分割技术，每一通道用盖伯函数描述．在光学系统中采用不同取向的针孔对阵列作为盖伯滤波器，用２×２Ｄａｍａｎｎ光栅作为分束器，建立了具有４个通道的纹理图像分割处理系统．光学系统结果由计算机进行聚类或神经网络决策，得到最后的分割标定图像．若增加针孔对的数目，并改变针孔大小，用更高分束比的Ｄａｍａｎｎ光栅作为分束器件，可以实现通道的纹理图像分割，达到应用水平     

基于纹理特征和神经网络牌照定位方法

汽车牌照的定位是一个较难解决的图像分割问题,神经网络为此问题的解决提供了一个有力的解决工具。这里提出一种基于纹理特征和神经网络的牌照定位方法,首先采用基于纹理特征的方法对车牌图像进行行定位和列定位,确定车牌候选区域,然后采用基于神经网络的方法对候选区域的特征进行分析判断,确定车牌区域。实验结果表明,该方法可以实现汽车牌照的快速定位,并且定位准确率较高,鲁棒性较好。     

基于子波分解的信号滤波算法

人们一直在利用有效信号和器材怕的某种特性差异,进行着对污染信号恢复,这一过程几乎完全稚呈对信号和器材怕特性的精确描述,子波伙这种描述提供了新的工具,本文对子波域阈值滤波的核心问题－－滤波阈值意义及取值规进行了探讨,给出了滤波阈值更简洁的数学表述,明确了阈随尺度递减的数学关系,使基于子波分解的信号滤波算法,在理论上更加完善。     

信号的一种快速子波分解

本文提出一种分析子波ｇ（ｔ），并在此基础上讨论了子波变换的性质和特点，提出复信号的正交子波变换与反变换并讨论了复信号的正交子波分解与恢复，最后给出一种快速算法。     

基于子波变换的纹理图像分类

本文用子波变换的方法描述了纹理图像多尺度、多方向的特性,提出了适合于纹理图像分类的新的子波特征。通过对其稳定性和视觉特性的详细分析,指出此特征优于传统的能量特征。文章最后结合九类自然纹理图像,分别基于标准子波特征,子波包特用ＢＰ神经网络进行了分类识别。实验结果表明,在无噪声情况下,对自然纹理图像可无误差分类;在有噪声情况下,正确分类识别率高,表现出强的稳定性。     

基于Kohonen神经网络的深度图像分割方法

提出一种基于Ｋｏｈｏｎｅｎ神经网络无监督的深度图像分割方法。首先计算了深度图像各点的导数,进而得到各点的法向,以法向和深度值作为每一点的特征矢量,引入自组织神经网络进行初始的聚类;为消除初始聚类产生的过分割现象,采取相邻表面片法向分析的方法进行再分割,得到最终的分割结果。本方法避免了通常的区域分割方法初始种子不易选取的弱点,聚类所用样本少,速度快。实验结果表现了算法良好的性能。     

一种基于变差函数的纹理图像分割方法

本文基于变差函数提出一种图像纹理分割的新方法.由于变差函数反映图像数据的随机性和结构性,因而能很好的表达纹理图像的特征.文中算法根据变差函数的这种性质将单步长变差函数值作为图像纹理特征进行分割,实验结果表明它对纹理图像分割与识别是十分有效的.     

一种新的纹理分割方法

本文提出一种新的纹理图象分割方法,其原理是将原始纹理图象化分成许多相互复盖的窗口,在每一个窗口上分別计算其纹理特征。并用该纹理特征代替窗口所对应象素的灰度值,从而把一灰度纹理图象映射成特征超平面。然后采用边缘检测方法在特征超平面上检测其特征突变点,所有这些突变点构成了不同纹理的交界线。所以检测到特征突变点就等价于完成纹理分割。在这种分割方法中,有效的纹理特征是分割准确度的关键。     

基于熵空间理论和小波变换的红外图像纹理分割

背景对目标的干扰是影响红外装备作用距离的重要因素,研究以雾为背景的红外图像中目标的识别方法对红外装备的应用有着重要的意义。突破了传统的红外图像的目标识别方法,通过对雾这种自然纹理的研究,采用小波变换的方法对红外图像提取各个频道上的纹理能量,基于熵空间理论的不同粒度空间分解与合成思想有效实现了以雾为背景的红外图像的纹理分割。     

一种基于子波神经网络的多尺度差分方程求解新方法

多尺度方程的求解是子波与多分辨分析的基础,本文提出了用M-带子波神经网络求解多尺度差分方程(Multiscale Difference Equation, MSDE)的新方法.该方法与以前方法相比,具有很多优点并且求解方程的范围更为广泛.     

基于选择多分辨率Kohonen网络的自适应灰度图像分割方法

针对多阈值分割中存在的问题，提出一种新的基于测量空间的空间聚类方法，即基于选择性多分辨率Ｋｏｈｏｎｅｎ网络的自适应灰度图割方法，算法的优点在于不需预知图像分割 ，能够动态地根据图像局部的特性决定，实验证明该方法具有良好的适应性。     

用于信号或函数逼近的子波神经网络快速收敛初值设定法

针对目前用于信号（函数）逼近的子波神经网络的收敛速度慢的问题，提出一种子波网络的初值设定方法，使子波网络的收敛速度大大提高，通过对线性多项式、指数、三角函数及某些分段函数的实验以及与不同网络的对比，表明此方法具有很强的普适性     

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性，实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

用于信号逼近的自适应时延小波神经网络

小波神经网络是一种强有力的函数逼近工具。本文结合时延神经网络和小波分析概念提出一种新的小波神经网络摸型自适应时延小波神经网络(ATDWNN:adaptive timedelay wavelet neural network).ATDWNN可以对同一类存在不同时延的多个信号用同一个超小波(superwavelet)进行逼近。为了训练ATDWNN,本文提出一种基于时间机理的竞争学习算法。实验表明,ATDWNN不仅可以成功地对同一类存在不同时延的多个信号采用同一个超小波进行逼近,而且可以用来估计各样本信号的时延。     

基于贝叶斯估计的小波阈值图像降噪方法

提出一种新的基于贝叶斯估计的小波收缩阈值的图像降噪方法，该方法是通过最小Bayes风险的方法对图像小波变换后的小波系数进行估计，这种对小波系数的估计不仅与子带的方向和层次有关，而且与小波系数的大小有关。试验结果该方法比一般小波收缩阈值方法的降噪效果要好；还表明在峰值信噪比较低时该方法的降噪效果比Wiener滤波差，当峰值信噪比较高时该方法的降噪效果比Wiener滤波好。     

一种基于Contourlet变换的多尺度纹理分割的新算法

受到基于模型的纹理分析方法的启发,提出了一种新的特征提取方法-有限混合纹理模式(Finite Texture Mixture Pattern, FTMP).FTMP是一个二元组的集合,可以通过聚类的方法进行计算.首先,基于Contourlet变换计算纹理的多尺度多方向变化信息;其次,对各尺度、各方向的变化信息分别进行聚类.这些聚类中心以及它们所占的比例组成的二元组的集合就构成了纹理图像的FTMP,反应了不同尺度不同方向的主要变化信息.这种纹理特征的计算方法充分利用了基于模型方法的基本思想,但却避免了复杂的参数计算.在FTMP的基础上,本文给出相应的纹理分割框架CFTMPseg,并通过定量和定性实验验证了所提算法的有效性.     

子波神经网络在光谱数据压缩与分类中的应用

利用子波神经网络并适当选取网络结构和子波基，实现了对化学物质红外光谱数据的压缩表达和分类，取得了令人满意的效果，说明子波神经网络在光谱处理方面有着较好的应用前景和优越性     

局域自适应子波高斯神经网络综合分类系统

本文提出了一种用于船舶噪声分类的局域自适应子波高斯神经网络综合分类系统。该系统融合了两种特征提取和分类方法,即自适应子波神经网络和自适应高斯神经网络分类器,并利用网络局域化使得系统具有追加学习的能力。通过对实际的三类船舶噪声进行分类识别,结果令人满意,证明了该方法的优越性和工程应用前景。