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.     

面向旋翼无人机的高压输电线在线检测方法

面向旋翼无人机电力巡线的高压输电线在线检测对算法实时性、鲁棒性要求高的问题,提出了一种基于边界搜索和Radon变换(BSRT)的高压输电线识别算法.分析了高压输电线在图像中的边界贯穿特征,提出了以图像四条边界作为起始点的搜索策略,给出了边界约束下的直线特征Radon变换能量函数和求解方法.复杂度分析结果表明本算法与经典的Radon算法相比,复杂度降低了一个数量级.以人工合成图像和无人机实际航拍图像,对本算法、Radon算法和LSD算法在实时性和有效性方面进行了实验对比分析,实验结果表明,本算法的处理速度较Radon算法有很大的提高,与LSD算法的处理速度基本处于同一量级,但本算法的高压输电线检测精度大幅优于传统的Radon和LSD算法.理论分析及实验结果证明,提出的BSRT方法有效地解决了经典Radon算法的高复杂度和LSD算法的复杂背景高敏感性的问题,具有较好的应用价值.     

基于Hough圆卷积变换的孔组检测

为降低孔组测量的成本,提高测量的精确度,提出一种基于Hough国卷积的孔组检测方法.对孔组图像进行中值滤波、拉普拉斯锐化增强和边缘检测;根据孔组半径大小的变化范围,对Hough圆锥进行改进;在此基础上,利用改进的Hough圆锥与边缘检测后的图像进行三维卷积,得到Hough参数空间,计算出孔组的坐标和半径值;采用快速傅立叶变换法代替三维卷积,减少算法的计算时间.实验结果表明,该方法的检测精度高、实时性强,可以用于孔组的自动化检测.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

结合小波变换的梯度场图像渐进融合算法

基于梯度场的图像融合算法只适用于尺度差异不大于1∶4的多光谱图像与全色图像。针对尺度差异为1∶8的北京一号卫星多光谱图像及高分辨率全色图像的融合问题,提出一种结合小波变换的梯度场图像尺度渐进融合算法。利用小波变换方法将多光谱图像与高分辨率全色图像尺度差异倍数缩小,得到基于小波变换的初级融合,再进行基于梯度场的Poisson图像融合。实验结果表明,渐进融合图像与多光谱图像的平均颜色差异值为23.5,与高分辨率全色图像的平均梯度差异值为2.1,多尺度纹理特征值差异值分别为3.98、10.2、18.9,渐进融合图像与高分辨率全色图像的空间细节和纹理细节吻合程度更好。     

基于多域特征提取和决策层融合的人脸识别

为了提取人脸图像丰富、有效的互补特征集,建立三种基于空域、频域和u域(分数阶傅立叶域)的特征提取模型,分别为基于局部二元模式(LBP)的空域多分辨率特征提取模型与基于频域和u域混合特征提取模型。在决策层,用加权和的方法对三种模型得到的相识度矩阵进行融合得到总的相识度矩阵,用最近邻分类器进行分类得到识别结果。实验表明,该方法能提取出丰富、有效的判别特征,与基于单一特征形式的人脸识别方法相比,识别效果得到了较高的改善。     

一种新的基于压缩传感理论解决Pan-Sharpening问题的算法

Pan-Sharpening问题是将高分辨率全色图像和低分辨率多光谱图像融合,重构出高分辨率多光谱图像的过程。压缩传感理论解决了相应目标函数的稀疏解问题(求解含有l0范数的极小化问题)。利用压缩传感理论,提出一种新的解决Pan-Sharpening问题的算法:以离散余弦变换矩阵作为字典进行重构。然后针对重构过程中产生的块效应、色彩偏差和洗涤效应等问题进行相应的处理。QuickBird卫星图像的实验结果表明:与经典算法进行对比,该算法在效果上有一定的优势。     

基于模糊梯度卷积核的在线棒材断面中心识别

针对传动带上严重堆叠、形状尺寸不规则的棒材,提出基于模糊梯度卷积核的在线棒材断面中心识别方法.以标准圆边缘为中心环,结合棒材断面边缘点偏离中心环的程度定义一个模糊梯度卷积核;通过模糊梯度卷积核与实时棒材断面梯度图像的卷积操作,实现棒材断面中心的增强;依次执行候选点选取、局部峰值抑制、距离检测步骤确定中心位置.实验结果表明,该方法能有效抑制棒材中心增强过程中易产生的峰值扩散现象,减少误识别和漏识别;平均计算时间为8.3 ms,满足系统实时性要求.     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

基于FSVM脱机手写体汉字分类识别研究

针对脱机手写体汉字特点,给出一种采用模糊支持向量机粗分类的方法。根据小波分解像素密度特征,利用模糊支持向量机对汉字进行粗分类。细分类识别提取外围特征,同时融合小波多网格特征,采用一对多算法进行细识别。仿真实验表明,该方法有较高识别率。