多尺度主元分析的一种改进方法

MSPCA方法在生产过程监控方面有着广泛应用.本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量.在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少.经检验,该算法确实可行,相对于小波消噪与MSPCA方法分别进行,效率提高了大约13%-17%.     

一种基于多尺度语义分析的图像识别方法*

提出一种基于多尺度语义分析的图像识别方法,首先在多尺度空间中提取语义,然后使用支持向量机对语义进行分类,以达到识别的目的。实验表明,该算法识别准确率高,并能适应存在方向变化、变形等复杂的识别环境。     

一种多尺度分形特征目标检测方法

自然背景干扰下的自动目标检测是目标检测的一个基本问题.根据尺度变化时自然场景中人造目标的分形特征变化剧烈这一特点,提出了一种分形参数极值特征的自动目标检测方法.大量的实验结果表明,分形参数极值特征的自动目标检测方法能较好地完成自然背景干扰中人造小目标的自动检测.     

一种基于小小以多尺度边缘分析的散焦测距方法

一、概述随着工业自动化生产的日益普及,大规模生产线上的产品质量检测需求越来越使得人工检测方法无法适应。计算机视觉正在成为一种提高生产效率、保证产品质量的关键技术而被日益广泛采用。例如机械零件产品的自动检测及生产流水线的自动测控等都可以采用计算机视觉技术。在一般的应用场合中大多只需要二维的灰度图像就能够满足基本的检测要求,但也有     

一种多尺度Harris角点检测方法

为改进角点检测算子的检测性能,提出了一种多尺度的Harris角点检测方法。该方法通过提取不同尺度下的角点,同时根据高斯核尺寸确定非极大值抑制窗口大小,然后根据角点响应函数值对每一尺度下检测出来的角点进行排序,且与前一小尺度下的角点进行比较,剔除伪角点,确保角点的精确定位。通过实验与几种角点检测方法检测结果相比,该方法检测角点的总误差小、错误率低,且匹配程度比原Harris算子显著提高,说明该方法是一种正确而有效的角点检测方法。     

一种基于多尺度几何分析下的图像去噪算法研究

图像的边缘和轮廓包含图像的重要特征信息,当图像中数据混有噪声的时候,对边缘的检测比较困难。在多尺度几何分析理论的基础上,提出了一种基于尺度因子与Contourlet变换的图像去噪算法。实验表明,该算法对高斯白噪声污染的图像去噪具有很好的效果,不仅可以提高处理图像的信噪比,图像的视觉效果也明显改善。     

基于多尺度分析的多源视频拼接方法

针对多视频源图像的拼接问题,提出基于多尺度分析的图像配准及融合方法。在配准方面,弥补传统的基于 Harris 角点的配准方法对尺度变化不稳定的缺点,使其具有多尺度特性,提取的角点更加稳定精确。在融合方面,采用基于多尺度多分辨率分析的图像融合方法,克服传统空间域图像融合算法在频域上的不足,具有在空间域和频率域的局部化能力,并提供人眼视觉对其比较敏感的强对比度信息。实验结果表明,相比较传统方法,该方法所提取角点更精确、融合效果更好。     

一种基于多尺度噪声检测的图像中值滤波器

介绍了标准中值滤波与有效中值滤波的概念,提出了一种基于自适应多尺度噪声检测的中值滤波器,可用于恢复被椒盐脉冲噪声污染了的图像。滤波器将输入图像像素分为有效信号类、脉冲噪声类和恒定区域类,对各类像素采用不同的方法进行滤波处理。实验结果证明,本文算法的性能比现存的其它许多算法有了显著的提高,而且便于实现。     

一种新的多尺度分析方法的研究

介绍一种新的多尺度分析方法,并给出了一维EMD实现方法及其在信号处理中的应用以及二维EMD实现方法及其在图像处理中应用,该方法的应用实例及分析过程,同时分析了EMD的优越性和应用前景。     

一种复杂背景下多尺度多视角的人体检测方法

针对复杂背景下的人体检测技术所面临的噪声干扰、背景复杂、相互遮挡等问题,设计一种多尺度多视角人体检测算法。针对传统的梯度方向直方图目标特征提取方法特征维数大、有遮挡时检测率低等缺陷,分别使用扩展多尺度方向特征和经WTA hash编码的多尺度梯度方向直方图特征提取,并使用弱分类器和贪婪算法进行特征选择以获得图像的粗特征和精特征。然后使用线性平移合成多视角样本,使用多层级联的Adaboost算法和支持向量机作为分类器进行人体目标检测,结合复杂背景处理、特征重装等方法提高检测精度。使用INRIA公共测试集的实验结果表明,该算法可精确检测出复杂背景下相互遮挡情况下多视角、多姿态的人体目标,与传统的人体检测算法相比,具有更高的检测效率和检测精度。     

基于多尺度分析的图像融合新方法

提出了一种基于Contourlet多尺度分解的图像融合新方法.该方法首先对源图像进行Contourlet分解,得到高频和低频图像.针对不同频段图像的特性,对于高频和低频图像分别采用不同的融合规则,最后进行Contourlet逆变换得到融合图像.采用平均梯度,熵、平均交叉熵和均方根交叉熵4种准则来评价融合算法的性能.实验结果表明,该方法不仅在客观评价指标上优于小波变换法和塔形分解法,而且从主观评价上来看,该方法得到的融合图像更加清晰.     

基于多尺度分析的自动人脸照片移植

针对人脸移植中输入图像与目标图像的脸部姿态、光照环境与颜色分布不一致的问题,提出了一种基于多尺度分析的自动人脸照片移植方法。通过多线性模型从单张图像中恢复三维人脸模型,从而自动变换输入图像中的人脸姿态。提出了一种多尺度增强与融合算法,根据目标图像的细节特征对输入图像自动调整,并通过无缝融合合成新的人脸照片。实验结果表明该方法可以使输入图像有效匹配目标图像的明暗变化与颜色分布,并自适应调整局部细节。该方法对各种人脸图像之间的移植鲁棒性高,合成照片真实感强。     

基于计算机视觉的图像多尺度识别方法

针对图像识别中图像尺寸比例不一致、旋转角度不相同,以及识别率低、鲁棒性差的问题,提出一种图像的形态学识别算法。首先对图像进行中心化及归一化处理,同时将图形的轮廓图像转换为二值图像;其次采用大小变化的圆形进行图像过滤,获取图形不同尺寸的形态学特征,建立扇形区域特征向量;最后采用多尺度的分析方法进行图像识别以及图像角度分析。在角度无关性、比例无关性、轮廓干扰鲁棒性下与传统方法进行对比实验,实验结果表明该方法有较高的识别率,并可以分析出图像间的角度差值,在图像轮廓有噪声的情况下有较好的鲁棒性,同时大大降低了图像尺寸比例不同、旋转角度不同对图像识别的影响。     

结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法

针对图像超分辨率重建模型需要大量参数去捕获低分辨率（LR）图像和高分辨率（HR）图像之间的统计关系，以及使用L₁或L₂损失优化的网络模型不能有效恢复图像高频细节等问题，提出一种结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法。该方法基于由粗到细的思想，设计了一种两阶段的网络模型。第一阶段通过卷积神经网络（CNN）提取图像特征，并将图像特征上采样至HR大小，得到粗糙特征；第二阶段使用多尺度估计将低维统计模型逐步逼近高维统计模型，将第一阶段输出的粗糙特征作为输入来提取图像多尺度特征，并通过注意力融合模块逐步融合不同尺度特征，以精细化第一阶段提取的特征。同时，该方法引入一种更丰富的卷积特征用于边缘检测，并将其作为感知边缘约束来优化网络，以更好地恢复图像高频细节。在Set5、Set14和BSDS100等基准数据集上进行实验，结果表明与现有的基于CNN的超分辨率重建方法相比，该方法不但能够重建出更为清晰的边缘和纹理，而且在×3和×4放大因子下的峰值信噪比（PSNR）和结构相似度（SSIM）都取得了一定的提升。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于多尺度自适应LDA的人脸识别方法

在人脸提取特征时,线性判别分析(LDA)方法受到光照、姿态等因素引起的高频部分影响较大,忽视了可能含有重要鉴别能力的低频信息.同时,人脸识别属于小样本问题,会使类内散布矩阵发生严重退化.针对以上两个问题,提出了一种基于多尺度自适应线性判别分析(MA-LDA)的人脸识别方法,并在ORL和Yale人脸库中进行了验证.MATLAB编程实验结果表明,该方法比传统方法有更好的性能.     

结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法

针对图像超分辨率重建模型需要大量参数去捕获低分辨率（LR）图像和高分辨率（HR）图像之间的统计关系,以及使用L₁或L₂损失优化的网络模型不能有效恢复图像高频细节等问题,提出一种结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法。该方法基于由粗到细的思想,设计了一种两阶段的网络模型。第一阶段通过卷积神经网络（CNN）提取图像特征,并将图像特征上采样至HR大小,得到粗糙特征;第二阶段使用多尺度估计将低维统计模型逐步逼近高维统计模型,将第一阶段输出的粗糙特征作为输入来提取图像多尺度特征,并通过注意力融合模块逐步融合不同尺度特征,以精细化第一阶段提取的特征。同时,该方法引入一种更丰富的卷积特征用于边缘检测,并将其作为感知边缘约束来优化网络,以更好地恢复图像高频细节。在Set5、Set14和BSDS100等基准数据集上进行实验,结果表明与现有的基于CNN的超分辨率重建方法相比,该方法不但能够重建出更为清晰的边缘和纹理,而且在×3和×4放大因子下的峰值信噪比（PSNR）和结构相似度（SSIM）都取得了一定的提升。     

多尺度细节融合的多曝光高动态图像重建

同一场景不同曝光的图像序列,常出现曝光不足或曝光过度的区域,造成高亮或阴暗处的细节损失。针对这一问题,提出的多尺度细节融合的多曝光高动态图像重建方法,根据图像的对比度、饱和度、适度曝光量等三个测度因子生成原始多曝光图像的权重图,对分解的权重高斯金字塔进行Dirichlet函数映射,保证信息丰富区域权值最大,通过拉普拉斯金字塔重建,使得融合图像所包含的细节信息最大化并且最大限度地减少失真。