基于小波的实时烟雾检测*

传统的离子式、吸气式、光电式等烟雾检测器在大空间中检测烟雾时,会受到发射信号与接收信号之间的距离、平面角度、精确对准等限制,无法对整个空间的烟雾状况进行描述.新的方法通过监测区域的摄像机拍摄的视频图像序列,进行小波变换,分析图像帧在时域和空域的频率特性,来确定被监测区域是否有火灾烟雾的发生.实验证明该方法不受空间高度、热障、易爆、有毒等环境的限制,并且有灵敏度高、抗干扰力强、适用范围广等特点.     

降水和植被变化对龙川江径流量的影响

基于龙川江大峡谷进出口水文控制站楚雄站和小黄瓜园站的长系列水文资料和流域森林盖度变化资料,结合小波分析方法,对降水、植被与径流量变化间相互关系以及径流量各时间尺度准周期变化的本质和形成机制进行了研究。结果表明:研究区降水量序列存在2 a、4 a和14.5 a左右的主周期,径流量序列具有2 a、4 a、6 a和22 a左右的主周期;其中径流量低频振荡所反映的是总径流中来自于壤中水径流和存在于裂隙中的地下水径流的准周期变化,而高频振荡反映的是总径流中来自于地面径流的准周期变化;径流量的年内变化和年际高频振荡主要是由降水量变化所引起的,而径流量序列6 a和22 a的主周期是由土壤和裂隙对降水量序列4 a和14.5 a的主周期滞后放大作用所形成的,径流量序列4 a的主周期是由干热河谷特殊自然地理环境所形成的;径流量与降水量间相互关系在1969年左右发生了突变     

一种基于小波变换的非均匀量化索引调制水印算法

为了提高数字水印的稳健性与不可见性,将图像小波变换与量化索引调制算法相结合,提出了一种基于小波变换的非均匀量化索引调制数字水印算法。该算法对原始图像进行离散小波变换,将中频小波系数分成3×3的系数子块作为水印载体,对子块的系数均值采用非均匀量化索引调制,实现二值水印的嵌入。根据人类视觉特性,不同的系数子块采用不同的量化间隔并自适应于子块内相邻系数的差值。实验结果表明,该算法透明性好,安全性高,对高斯白噪声、剪切、滤波以及JPEG压缩等常见攻击具有较强的稳健性。     

桥梁健康监测中损伤特征提取的小波包方法

针对桥梁健康监测中结构损伤识别的特点,从模式识别的角度提出和分析了损伤特征提取问题.阐述了基于小波包分析的两种节点能量特征提取的方法.为了研究小波包系数节点能量和小波包信号成分节点能量对损伤信息进行特征提取的差异,通过对随机荷载激励下的连续梁进行数值模拟,得到了结构未损和损伤状态下的加速度时程信号.应用小波包变换,对不同结构状态下的加速度信号分别提取了两种小波包节点能量特征,并对它们作为结构损伤特征指标的敏感性进行了比较.认为两种特征指标的敏感性相差很小,而小波包系数节点能量特征指标的计算效率更高,更适合桥梁健康监测中损伤特征提取的要求.     

基于SWT的GIS电压互感器二次侧干扰分析

特快速暂态过电压（VFTO）是气体绝缘变电站（GIS）中切换隔离开关时产生的特殊电磁暂态现象。VFTO会以传导和辐射方式影响二次设备的正常运行。为探究VFTO对二次设备的干扰特性,文中采用自制的二次侧干扰测量装置对某1 000 kV GIS的电压互感器（PT）二次侧共模干扰进行现场实测。接着,对比了5种时频分析方法的性能,采用其中性能较优的同步压缩小波变换（SWT）对实测波形进行了时频分析。实测结果表明：PT二次侧的共模干扰电压峰峰值最高可达9.65 kV。微脉冲的时频分析结果表明：7.8 MHz频率分量幅值高,且贯穿波形的始终,是PT二次侧干扰的主导频率分量。该分析结果可为GIS中二次设备的电磁抗扰度测试和电磁防护设计提供参考。     

参数化的Deslauriers-Dubuc插值小波——构造及图像编码性能分析

研究了采用提升构造具有任意偶数阶消失矩, 满足对称性, 且仅用一个自由参数表达的 Deslauriers-Dubuc (D-D)双正交插值小波. 首先,采用多相矩阵理论推导出了此类小波存在的条件; 然后,给出了对应小波滤波器和插值小波变换的构造算法. 采用算法具体构造了分别具有消失矩对(4, 2)、(4, 4)、(6, 2)以及(6, 4) 等4类一参数表达的D-D插值小波; 最后, 以自由参数为自变量, 根据编码增益准则, 优化设计了4种用于图像编码的插值小波, 其滤波器系数全为二进制分数, 可实现非乘法运算的离散小波变换(Discrete wavelet transform, DWT). 系统分析表明, 两种小波的压缩性能超过CDF-9/7小波, 对于纹理图像, PSNR增益达到0.44.dB, 并且计算复杂度可降低17%以上. 实验同时表明, 新小波的重构图像具有更好的主观可视质量.     

一种改进的超宽条带噪声消除算法

针对高光谱遥感图像中的超宽条带噪声干扰现象,在深入研究高光谱图像特点和条带噪声产生机理的基础上,提出了一种新的基于最小序列值、小波变换和矩匹配相结合的滤波算法（OWM算法）。该算法主要包括灰度对比度处理、最小序列值处理、小波变换系数归零处理和矩匹配处理等四个步骤。用实际的高光谱图像进行了一系列的验证比较实验,获得了好的实验效果。实验结果表明OWM算法不仅能够有效滤除高光谱图像中的超宽条带噪声,而且还具有较好的普适性。     

基于小波变换和Retinex算法的显著性检测

近些年来,关于图像显著性检测的研究越来越热门。基于之前提出的很多算法产生的显著图都存在背景信息杂乱、干扰噪声多、细节丢失等问题,本文提出了一种基于小波变换和Retinex算法的显著性检测算法来解决以上问题。首先,利用Retinex算法对图像进行前期处理;然后,对前期处理过的图像进行SLIC超像素分割,对超像素进行小波变换,分别生成原始图像低频部分和高频部分的特征图,并进行适当的双边滤波降噪,生成对应的显著图;最后,通过加权组合这两种显著图,得到最终的显著性图。实验结果表明,本文提出的算法生成的显著图具有受背景影响小、噪声少以及细节突出等优势。     

墙地砖边缘检测中的小波去噪

在墙地砖的边缘检测过程中,噪声的引入是不可避免的,有效地消除噪声而不影响检测结果是检测过程中需要解决的关键问题。本文采用了小波去噪方法—对图像进行去噪后再进行边缘检测的方法,其检测结果较好地满足了检测要求。     

Classification of cardiac sound signals using constrained tunable-Q wavelet transform

The features extracted from the cardiac sound signals are commonly used for detection and identification of heart valve disorders. In this paper, we present a new method for classification of cardiac sound signals using constrained tunable-Q wavelet transform (TQWT). The proposed method begins with a constrained TQWT based segmentation of cardiac sound signals into heart beat cycles. The features obtained from heart beat cycles of separately reconstructed heart sounds and murmur can better represent the various types of cardiac sound signals than that from containing both. Therefore, heart sounds and murmur have been separated using constrained TQWT. Then the proposed novel raw feature set has been created by the parameters that have been optimized while constraining the output of TQWT together with that of extracted by using time-domain representation and Fourier–Bessel (FB) expansion of separated heart sounds and murmur. However, the adaptively selected features have been used to obtain the final feature set for subsequent classification of cardiac sound signals using least squares support vector machine (LS-SVM) with various kernel functions. The performance of the proposed method has been validated with publicly available datasets and the results have been compared with the existing short-time Fourier transform (STFT) based method. The proposed method shows higher percentage classification accuracy of 94.01 as compared to 93.53 of STFT based method. In comparison with STFT based method, it is noteworthy that the proposed method uses well defined and lower dimensionality of feature vector that can reduce the computational complexity.