一种局部自适应内窥镜图像降噪模型

在内窥镜图像处理中,如何消除图像中的噪声一直是个热点问题。由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,二进小波变换的图像去噪效果会好于小波级数变换的图像去噪效果。基于这个思想,文章从二进小波理论入手,提出一种自适应二进小波去噪模型,简称ADWD。该方法利用图像信息、噪声信息与小波系数之间的关系,采用局部自适应的方法识别噪声像素,避免了直接确定噪声门限的困难。实验结果及分析表明该方法对Gaussian噪声和Pepper噪声均有较高的信噪比,且对图像的细节有较好的保持能力。     

利用图像相关等级的目标判别方法及其应用

提出一种根据PCA重构图像与原目标相关等级进行的目标识别方法,解决伪目标参与识别影响识别准确度的问题。首先建立目标模板库特征空间,将定位到的目标对象映入特征空间,利用PCA变换进行图像重构,定义降维重构图像与原目标之间的相关度函数,根据该函数判别图像等级;若原目标与其重构图像相似度很低,认定原目标为伪目标,将其剔除,不进入识别过程;若认定为真实目标后,根据相似性程度,分别选用降维重构图像或原图像作为识别对象,利用Hu不变矩距离分类器进行识别。该方法可有效剔除伪目标,并根据图像质量选用识别目标,提高了目标识别准确度,交通卡口获取的实测车辆图像车标识别试验验证了该方法的鲁棒性和有效性。     

基于离散小波变换的近程信号自动识别

进行信号识别的关键在于利用有限信号数据提取出有效的信号特征,然后根据这些特征作出判决。文中阐述了利用离散小波变换对近程信号进行分解处理,并结合具体应用背景,提取小波分解的细节作为信号识别的特征参量。仿真实验表明,基于小波分解的特征提取过程对噪声有较好的抑制能力,小波变换的应用能够有效提高对近程信号识别的能力。     

红外图像特征提取的一种方法

小波变换是信号处理、图像处理的重要工具,已广泛应用于信号分析、数据压缩和边缘检测等各个领域。本文基于图像小波变换,提出了一种红外图像特征提取的一种方法。通过对红外图像进行小波分解,设置门限,将小波变换系数转换为二进制,然后将二进制小波系数再转换为十进制,这样既得到了红外图像的特征,又压缩了数据。通过大量的红外图像目标识别实验,证明本文提出的方法是有效的。     

一种基于红外图像的目标自动识别算法

红外成像制导具有在各种复杂战术环境下自主搜索、捕获、识别和跟踪目标的能力,代表了当代红外制导技术的发展趋势。提出了一种红外图像预处理、跟踪、分类的自动目标识别算法,利用小波变换、形态学方法对红外图像进行预处理,提取不同频带的惯性不变矩作为特征量,利用神经网络进行分类识别,结果表明该算法具有很高的识别率,对于精确制导武器的目标识别研究具有一定的参考价值。     

基于多尺度局部结构化信息测度的鲁棒像素级图像融合算法

现有的图像融合算法不能有效区分基本图像特征和噪声,往往在输入存在噪声时性能变差。自然场景图像中,视觉上显著的图像特征往往表现出一定的几何结构,而噪声缺少结构化信息。基于复数小波变换,利用Von Neumann熵推导了一个结构化信息测度,可以有效区分噪声和视觉上显著的图像特征。图像融合之前利用测度加权输入,从而自适应抑制噪声同时保留图像特征。对几个图像融合方案从主、客观上进行性能比较,显示了新方案的优越性。     

航拍机场图像中的一种目标匹配算法

针对小波变换的多尺度图像匹配算法仍然存在的问题--迭代落入局部最优点,提出了一种在航拍机场图像中运用小波变换多尺度和遗传算法相结合的目标匹配算法。试验结果证明,这种算法可以在航拍机场图像中准确、快速地识别出匹配的目标。     

基于小波变换与粗糙集的雷达目标识别方法

雷达目标识别是防空武器系统雷达信息处理的一个关键环节.在小波变换与粗糙集基础上提出一种雷达目标识别方法.小波变换能够提高了时--频分频率;粗糙集理论是一种新型的处理不确定性知识的数学工具.利用小波变换对目标原始信息进行分解,得到目标的能量特征向量;通过粗糙集简化关系表,删去冗余信息,用逻辑推理算法表示判别规则.应用小波变换与粗糙集能够满足利用不精确信息进行目标识别的需要.     

基于回波小波域时频分布的目标识别技术研究

应用Morlet小波计算并得到了2种目标动态回波的小波域时频分布特征，依据此时频分布的不变矩，应用模糊神经网络技术进行目标识别研究，取得了比较好的识别效果。     

一种基于小波变换的天水线提取算法

文中提出了一种基于小波变换多尺度分解图像快速提取天水线的方法,不仅省去了一般图像特征提取之前的图像预处理及图像分割步骤,而且提取的天水线效果好,处理周期短,自适应性强,同时能够滤除噪声并保持目标细节。     

设计特征模型中的加工特征识别

当特征设计方法产生的模型中存在正特征或出现特征相关时,则无法直接得到加工特征。提出设计特征模型中的加工特征识别算法,即：工艺毛坯与设计特征模型的差得到零件加工区域,设计特征的规则化处理得到规则化设计特征模型,利用它可以从零件加工区域中逐步分解出所有的加工特征。     

基于小波包的手写体签名特征提取方法

手写体签名识别的很多特征提取方法都是基于经过复杂数据预处理和分割技术的二值图像．并且特征提取过程不可逆。因为复杂的预处理、较大的计算量和签名的连笔现象使得特征提取非常困难并对识别结果产生直接的影响。为了解决以上问题,提出了基于小波包的特征提取方法．．首先在预处理过程中对签名图像进行大小归一化：其次利用小波包对签名图像进行分解以得到签名图像在二维空间上点的集合;然后用这些二维点进行签名识别。本方法的数据预处理简单,避免了复杂分割．特征提取完全可逆。实验结果表明其具有较好的抗噪性、鲁棒性、适应性和识别率,为含噪脱机手写体签名识别提供了一种解决方案。     

光学镜面磁流变抛光误差的频谱特征与分布特性研究

通过分析磁流变抛光误差的频谱特征,发现严重影响成像质量的敏感频率成分误差,采用二维连续小波变换算法确定出敏感频率误差的具体分布区域,分析其演变特征及其与工艺参数之间的关系,为修正加工提供指导,以实现精确控制不同频率成分、不同分布区域光学加工误差和改善成像质量的目的.     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

A multi-criteria fusion feature selection algorithm for fault diagnosis of helicopter planetary gear train

Planetary gear train is a prominent component of helicopter transmission system and its health is of great significance for the flight safety of the helicopter. During health condition monitoring, the selection of a fault sensitive feature subset is meaningful for fault diagnosis of helicopter planetary gear train. According to actual situation, this paper proposed a multi-criteria fusion feature selection algorithm (MCFFSA) to identify an optimal feature subset from the high-dimensional original feature space. In MCFFSA, a fault feature set of multiple domains, including time domain, frequency domain and wavelet domain, is first extracted from the raw vibration dataset. Four targeted criteria are then fused by multi-objective evolutionary algorithm based on decomposition (MOEA/D) to find Proto-efficient subsets, wherein two criteria for measuring diagnostic performance are assessed by sparse Bayesian extreme learning machine (SBELM). Further, F-measure is adopted to identify the optimal feature subset, which was employed for subsequent fault diagnosis. The effectiveness of MCFFSA is validated through six fault recognition datasets from a real helicopter transmission platform. The experimental results illustrate the superiority of combination of MOEA/D and SBELM in MCFFSA, and comparative analysis demonstrates that the optimal feature subset provided by MCFFSA can achieve a better diagnosis performance than other algorithms.     

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

基于小波变换的单脉冲雷达目标RCS测量方法研究

随着现代信号处理技术的发展,对非平稳信号分析和处理的小波分析技术已成功应用于雷达目标特性分析领域,大功率单脉冲雷达作为我国航天测控网的主干设备,具有一定的目标特性识别能力。本文主要针对脉冲雷达RCS测量原理,讨论了基于小波变换的单脉冲雷达空间目标RCS测量方法,提出应发挥窄带低分辨率雷达在未来空间目标识别中的作用。     

C/E复合材料声发射信号小波分析及人工神经网络模式识别

以复合材料为对象，以宽频带传感器及线阵列方式对各类模式试样采集了波形及信号参数，比较波形、信号参数、频谱及小波谱的特征，筛选出六类1300个样本，采用多分辨小波变换提取了5个特征向量，实现了特征空间的降维处理，采用B—P型反向传播神经网络构成了智能化模式分类器，研究了网络模型的学习效果和对与复合材料主要损伤机制有关的六类声发射信号的识别能力。试验结果表明，神经网络对六类信号的平均正确识别率达到90.4%。最佳识别率为97.2%。该方法成功用于90°、0°光滑和0°缺口三种试样的破坏过程分析，获得了满意的效果。     

基于小波相邻系数降噪的滚动轴承早期微弱故障时频特征提取

将小波相邻系数降噪与时频小波切片变换（FSWT）相结合用于滚动轴承的早期微弱故障时频特征提取，通过对滚动轴承加速疲劳试验早期微弱故障振动数据进行分析，结果表明:小波相邻系数可以有效降低淹没滚动轴承早期微弱故障特征的背景噪声；时频小波切片变换方法能有效提取出经小波相邻系数降噪后振动信号的时频特征，即滚动轴承发生故障时的特征频率及其谐频成分，验证了所述方法的有效性.此外，通过与谱峭度时频分析结果的对比，证明所述方法更能准确扑捉到滚动轴承发生早期微弱故障时的时频特性，突出了所述方法的优越性.