非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.     

基于拉普拉斯能量和的循环平移尖锐频率化Contourlet域多聚焦图像融合方法

本文提出基于拉普拉斯能量和的循环平移尖锐频率化Contourlet ( Sharp Frequency Localized Contourlet Transform-SFLCT)域多聚焦图像融合方法。SFLCT 成功减少了原始contourlet在远离支撑区间上出现的混叠成分。但是,SFLCT中的方向滤波器的降采样使得它缺乏频移不变性,容易在图像奇异处产生伪吉布斯现象。因此,本文采用循环平移(Cycle Spinning)来提高SFLCT的频移不变性。同时,本文将多聚焦空域融合方法中评价图像清晰的指标引入到SFLCT变换域,比较证明拉普拉斯能量和具有最好区分变换系数来自于清晰还是模糊图像的能力。因而,我们采用拉普拉斯能量来选择变换域系数,并重构得到融合图像。实验结果表明,针对多聚焦图像融合,所提方法在视觉效果和客观评价指标上都优于典型的空域分块拉普拉斯能量和方法、平移不变小波变换方法、循环平移小波变换方法和循环平移contourlet融合方法。     

“微波技术与天线”课程EIP-CDIO融合教学方法

本文以＂微波技术与天线＂课程为例,展示了EIP-CDIO教育模式的理论与实践教学相结合教学改革新方法。我们以独特的授课方式和科学的培养方案为基础,强调理论研讨与团队实践的有机结合,并在培养过程中注重人文精神的熏陶,可使学生的责任感、观察力、创造力和工程能力得到加强。实践教学结果表明,本教学实践方法在理论知识掌握和创新能力培养上,教学效果优于传统教学模式。     

小波域图像自适应维纳滤波算法的DSP仿真

阐述了小波域内自适应维纳图像滤波算法的理论,然后对该算法的实时性进行了研究.通过在DSP仿真评估板上的实验表明:在对比度较低时,该算法经滤波后的图像信噪比比其他传统的图像降噪方法有较大提高;而且代码优化后的运行速度比未做任何优化前提高了约16倍,能更好地提高图像的可辨性.该算法在各种图像处理系统中有着重要的实际应用价值.     

基于小波变换和快速矢量量化的InSAR图像压缩

提出了一种基于小波变换和快速矢量量化的InSAR图像压缩编码方法。在小波变换域内,根据InSAR图像的统计特征进行非线性量化后,再进行小波树快速矢量量化压缩编码;并应用门限技术抑制图像噪音。实验结果表明：该方法对InSAR图像压缩效果明显优于EZW和SPIHT方法。     

一种基于小波分析的SAR图像增强去噪方法

提出了一种基于小波分析的SAR图像增强去噪声方法。该方法首先对被噪声污染的SAR图像进行小波变换,然后在小波域内对该图像进行平滑滤波,最后实现了一个SAR图像增强去噪处理系统。由处理结果可以看出,本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果,为进一步图像分割、边缘提取奠定了一个较好的基础。     

基于Grouplet熵与关联向量机的断口图像识别方法研究

Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性.与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法.试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍.     

重载齿轮淬硬层应力分布规律分析

为了研究重载齿轮淬硬层内的应力分布特性,建立了某轮式装载机轮边减速器太阳轮与行星轮齿轮单齿啮合的实体几何模型,通过布尔运算将几何模型切分成淬硬层和非淬硬层区域,根据淬硬层和非淬硬层的应力特点制定出不同的网格划分方案,经接触非线性有限元分析得到淬硬层齿面接触应力和齿根弯曲应力的分布规律及它们的应力梯度变化规律。利用淬硬层应力大小分布及应力梯度从齿面到芯部的衰减速率可以指导重载齿轮淬硬层的确定,从而提高重载齿轮的承载能力和使用寿命。     

由双树复数小波变换的父系数及邻域系数实现图像去噪

考虑二维双树复数小波变换(DTCWT) 有良好的平移不变性和方向选择性,基于当前系数与父系数及邻域系数间的关系,构造了DTCWT图像去噪阈值计算公式,提出了一种去噪方法,PNDTCWT.该方法在对图像进行二维DTCWT变换后,利用阈值公式,根据当前系数和父系数及相邻系数计算收缩阈值,对当前系数进行去噪处理.最后,经过二维DTCWT反变换,得到去噪结果.实验结果表明,PNDTCWT的噪声抑制效果明显优于各种基于DWT的去噪方法和其他DTCWT去噪方法.与基于父系数的DTCWT去噪方法相比,PNDTCW的峰值信噪比(PSNR)平均提高了0.5 dB左右.从视觉效果来看,PNDTCW能在去噪的同时较好地保留图像细节,物体轮廓显得比较平滑,不存在传统DWT算法中的混淆现象.     

基于梯度下降法的Chebyshev前向神经网络

传统人工神经网络模型中,同一隐层各神经元的激励函数是相同的,这与人类神经元的实际情况不一致。为此,构造一种隐层各神经元激励函数互不相同的前向神经网络模型,采用一簇Chebyshev正交多项式序列作为其隐层各神经元的激励函数(简称Chebyshev前向神经网络),并为Chebyshev前向神经网络推导基于梯度下降法的网络参数训练算法。仿真实验表明,基于梯度下降法的Chebyshev前向神经网络算法能够有效调整网络参数,使之以较高的精度逼近具有复杂模式的样本数据集。