基于多尺度分解的双曝光图像融合方法

为了有效地提高可见光成像设备的动态范围,降低融合图像的质量对源图像数量的依赖,提出了一种基于多尺度分解的双曝光图像融合算法。该方法只需要一组欠曝光和过曝光图像作为源图像,通过曝光融合即可得到一幅包含丰富信息的图像。首先,依据欠曝光图像和过曝光图像自身的特点,分别进行了自适应曝光调整,充分挖掘图像中潜在的细节信息。然后,提取图像序列的边缘强度、曝光适宜度和色彩饱和度作为评价指标,进而构建出融合权重图。最后,通过金字塔多尺度分解和加权融合得到融合图像。实验选取了15组图像序列,分别从主观和客观两个方面与4种具有代表性的算法进行了对比。实验结果表明,本文算法相比于其他算法,图像质量综合提升了4.9%,具有更强的细节信息保留能力。

极端曝光图像的多尺度分解细节感知融合算法

针对极端曝光(欠曝光和过曝光)图像动态范围低的问题,提出一种基于多尺度分解细节感知的图像融合算法。欠曝光图像经过细节增强后,与过曝光图像进行初步的粗融合;采用小波变换对细节增强后图像的亮度分量进行多尺度分解,并设计专门的高频和低频融合策略,实现亮度分量的精融合;将粗融合图像的色调、饱和度分量,与精融合图像的亮度分量重组,获得最终的融合结果。基于大量测试数据,实验结果表明所提方法在视觉效果方面表现优异,平均MEF-SSIM指标为0.9854,平均SSIM指标为0.6508,均优于现有主流算法。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于Retinex增强的多尺度分解的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法在低照度条件下融合结果对比度差、目标边际模糊、背景细节信息丢失等问题,提出一种基于Retinex增强的多尺度分解的红外与可见光图像融合算法。首先,利用Retinex对弱可见光图像进行单尺度Retinex(SSR)算法信息增强处理;其次,利用交叉双边滤波对源图像进行多尺度分解,先后得到图像的基层图像信息和细节层图像信息,对基础层图像采用绝对值取大策略和引导滤波相结合的融合方法,对细节层图像采用构建权重图和显著图的融合方法;最后,将处理后的基础层图像和细节层图像加权得到融合图像。从主观分析来看,本文方法可以有效提取和融合源图像中的重要信息,得到融合质量高、视觉效果自然清晰的图像。从客观评价来看,多组图像融合结果表明,本文所提方法的AG、SF、CE和FMI指标均较好。

三尺度分解和稀疏表示的红外和可见光图像融合

为提高对含噪声源图像的处理效果,以及提高融合图像的对比度、结构信息等,提出一种基于三尺度分解和稀疏表示的红外和可见光图像融合算法。首先,为增强对噪声的去除效果,并且维持源图像的结构和边缘特性,利用滚动引导滤波器对源图像进行分解,将源图像分解为基础层和细节层;其次,为充分利用基础分量中的细节和能量,同时降低模型的复杂性,构造结构-纹理分解模型,将基础层再次分解为基础结构层和基础纹理层。然后分析三个分量的不同特点,使用不同的融合规则对三个分量分别进行融合,针对细节分量,其含有主要的噪声成分,但含噪声程度又不一样,因此根据图像含噪声的程度自适应确定稀疏融合去噪参数,从而同时实现对细节分量的融合和去噪,并且能够有效地提高计算效率;针对基础结构分量,其包含的细节特征较少,直接采用基于视觉显著图的加权平均技术进行预融合;针对基础纹理分量,由于其包含了视觉上重要的信息或图像特征,如边缘、直线和轮廓等活动信息,能够反映出原始基础图像的主要细节,因此采用主成分分析方法进行预融合,最终通过重构细节、基础结构和基础纹理层来得到融合图像。为验证所提方法的有效性,选取了多组红外和可见光图像进行试验,并与近期的五种方法CNN、FPDE、ResNet、IFEVIP、TIF进行了对比,采用主观和客观的形式对结果进行分析。实验结果表明,同其他图像融合算法进行对比分析,该方法能够兼顾含噪声和无噪声图像的融合,在有无噪声的情况下均能够将源图像的细节、亮度和结构保留到融合图像中,而且能有效地消除噪声。

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和。对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件。

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。

部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(EmpiricalMode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(En-semble EMD,EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly EnsembleLCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.

局部特征尺度分解方法及其分量判据研究

在研究内禀时间尺度分解(ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(ISC)之和。对LCD方法的基本原理进行了阐述,并对其分量判据进行了研究,将经验模态分解(EMD)方法中的标准差判据应用于LCD方法。标准差判据的阈值会因自适应时频分析方法的不同而有所差异,因此标准差判据不具有自适应性,针对标准差判据的这一缺陷,提出了一种新的具有自适应性的分量判据——极值单调性判据,该判据无需设定任何阈值。信号分析结果表明了这两种判据的有效性,而极值单调性判据的适用性更强,可直接应用于EMD方法。另外,对比分析了LCD方法和EMD方法的计算效率,分析结果表明LCD方法在计算效率方面要优于EMD方法。

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。

自主致密局部特征尺度分解方法及其应用

针对局部特征尺度分解(LCD)的模态混叠问题,提出了自主致密局部特征尺度分解(ACLCD)方法。该方法通过确定待分解信号的最小信号极值尺度来度量其信号尺度,采用新增伪极值点均匀化信号尺度,可有效抑制模态混叠的产生;引入了最优致密系数的概念,并给出了最优致密系数评价准则。研究了ACLCD方法的原理,通过仿真信号将ACLCD与LCD和EMD进行分析对比,结果表明,ACLCD在提高分量精确性和正交性、抑制模态混叠等方面具有一定的优越性。将ACLCD方法应用于转子碰摩故障的诊断,结果表明该方法有效。

自适应特征尺度分解方法及其应用

针对局部特征尺度分解(LCD)存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解(EMD)和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号——内禀致密尺度分量(ICC),并提出了一种新的自适应信号分解方法——自适应特征尺度分解(ACD)方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解(EEMD)和自主致密局部特征尺度分解(ACLCD)方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。

多维固有时间尺度分解算法

针对控制回路、机械系统实际运行数据复杂多变、非稳定、非线性、信号耦合性强等问题,提出了一种新的多维信号分解方法,多维固有时间尺度分解(MITD)。给出了算法步骤;对所提出的MITD进行一定程度优化,以达到更好的分解效果;对所提出算法进行仿真分析和工业实例分析,表明了MITD对多维数据分解的优越性。

一种新的非平稳信号分析方法——局部特征尺度分解法

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Empirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法。

华北地区布格重力异常的多尺度分解特征与地震活动性

采用小波变换多尺度分解技术 ,对华北地区布格重力异常进行分解 ,获得自地表至 Moho界面深度范围内不同尺度的密度异常体产生的重力异常。讨论了各阶变换异常细节特性及相应地质构造特征 ,认为各阶小波变换细节分别反映了地壳不同深度在一定尺度意义上的介质密度的分布特性 ,表明华北地区很多断裂 ,特别是深大断裂两侧的岩性密度确实存在着较大差异 ,记录了地壳形成演化的历史。还对该区 MS≥ 7.

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。

基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用

提出一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和经验包络(Empirical envelope method,EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。

尺度分解技术在定量降水临近预报检验中的应用

采用2004年Casati提出的强度-尺度检验技术,选取2008年汛期代表不同类型降水(对流云降水、层状云降水、混合云降水)的4个降水过程,从尺度分解角度入手,对"世界气象组织天气研究计划——北京奥运会预报示范项目"(WWRP B08FDP)项目中4个I临近预报参加系统(BJANC,GRAPES-SWIFT,STEPS,CARDS)的1h定量降水预报进行时空尺度分解检验,研究降水预报技巧与降水时空尺度和强度之间的关系。结果表明:尽管目前国际先进的临近预报系统的水平分辨率已高达1～2km,但其有技巧的临近预报能力主要集中于空间尺度大于32km、时间尺度大于1h的降水系统,而对小于这些尺度的降水系统预报能力仍非常有限;在不同时空尺度的临近预报降水误差中,60%以上的误差来自于空间尺度小于8km的降水,85%以上的误差来自于时间尺度小于1h的降水,传统的外推技术不能满足这些较小时空尺度降水预报的需求,要发展有效的预报方法来提高较小时空尺度降水的预报能力。将基于外推的临近预报和基于稠密观测资料、快速更新的数值预报的潜势预报相结合可能是一条有效的解决途径。

东北地区构造分区与深断裂研究——基于重力场小波多尺度分解

基于东北地区的布格重力异常资料,通过小波多尺度分解,将重力异常分解为四阶.提取主要反映深断裂的重力异常2、3阶小波细节,利用不同方向的水平梯度,计算并强化深断裂的线性特征,解译出12条深断裂,同时,结合功率谱法、东北地区地震分布、震源机制解和地质信息推断断裂的下切深度和性质,结果表明:12条深断裂分别对应拼贴地块的缝合带和对东北地区盆地群的分布与演化有着明显控制作用的岩石圈断裂两类;深断裂体系主要方向为北东、北北东向且大多为走滑断层;提取主要反映深层块体异常的3、4阶小波细节并结合深断裂体系将研究区划分为五个重力场一级分区,并首次将额尔古纳块体和兴安块体分开.五个大区分别为额尔古纳块体、兴安块体、松嫩块体、佳木斯块体和华北板块;其中兴安块体又分为二连盆地、大兴安岭两个二级分区;松嫩块体又分为小兴安岭、松辽盆地、张广才岭三个二级分区;佳木斯块体又分为那丹哈达地体、三江盆地、桦南—穆棱三个二级分区,华北板块又分为辽东半岛、华北板块、北部断裂带三个二级分区,结果表明了研究区的基本构造格局.