基于K-L变换的无人机巡检图像特征提取方法

为了提升特征提取效果,提出了基于K-L变换的无人机巡检图像特征提取方法。利用双边滤波算法去除无人机巡检图像噪声,通过Retinex算法增强去噪后图像亮度,提升图像清晰度。实验证明:该方法可有效去除图像内部噪声,增强图像亮度,提升图像清晰度;可有效提取图像特征,样本维数为3时,特征值与特征向量偏离度最低;特征提取时的真实接受率高至0.9以上。

License Plate Recognition Based on Transform Coding and Neural Network

A method of vehicle license plate recognition utilizing Karhunen-Loeve(K-L) transform is provided. The transform is used to extract features from a mass of image templates, to describe high-dimensional images with low-dimensional ones, and moreover, to implement data compression and play down complexity of the neural network. With the character to reduce eigenspace dimensionality of K-L transform and the ability to map data of BP network, the method does effectively in recognizing license plates.

基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法。采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类。通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%。

小波变换域K-L变换及其去噪效果分析

K-L变换利用相邻地震道的相关性来去除随机噪声,但对于倾斜和弯曲同相轴反射去噪效果不佳。采用改进的时变倾角扫描叠加K-L变换能够较好地去除随机噪声,但由于在时间域进行,没有考虑有效信号和随机噪声在频率域的特点,高频有效信号易受压制。小波变换具有较强的时频分析能力,在小波变换域进行K-L变换,可以实现分时分频K-L变换去噪。介绍了小波变换域K-L变换压制随机噪声的基本原理,即先将地震信号进行小波分解形成分时分频的小波包剖面,然后用K-L变换对小波包剖面进行去噪,再将去噪后的小波包剖面重构回地震剖面,从而达到消除随机噪声的目的。理论模型计算和实际资料处理表明,小波变换域K-L变换去噪方法在有效去除随机噪声的同时能够保护高频有效信号。

基于K-L变换的红外图像弱小目标检测与分析

针对红外图像中的目标对比度低、尺寸小及背景复杂等特点 ,利用正交变换的去相关特性 ,提出了一种改进的 K - L变换和广义 K- L变换的红外弱小目标检测与描述方法 ,从而实现低信噪比条件下红外弱小目标的检测 .

基于K-L变换的污秽绝缘子红外图像特征提取方法

利用K-L变换降低污秽绝缘子红外图像特征维数,得到3个独立主分量特征,该3维主分量包含了各原始特征分量的信息。通过主分量累积贡献率的大小,选取了原始污秽特征数据协方差矩阵的3个最大特征值对应的3维特征矢量构成正交变换阵,用于主分量特征提取。通过正交变换阵中各系数的大小,研究了各原始特征分量在各主分量特征中所占的比例。为比较K-L变换前后数据类间距离的变化,绘制了K-L变换前后特征数据分布的3维立体图。实验结果证明K-L变换在最大限度地保留原有信息的同时,降低了原始污秽特征数据的维数,减少了计算量,加大了数据的类间距离,提高了污秽数据分类的准确性。

基于并行特征组合与广义K-L变换的字符识别

针对传统的串行特征融合方法的弱点,提出了一种新的并行特征融合方法.该方法的基本思路是:首先,利用复向量将样本空间上的两组特征集组合起来,构成复特征向量空间;然后,从理论上推广了经典的K-L变换方法与3种基本的K-L展开方法,使其适用于复特征向量空间内的特征抽取.此外,还揭示了并行特征融合的对称性质,并详细讨论了并行特征组合的策略问题.最后,用所提出的方法来解决手写体字符的特征抽取与识别问题.在南京理工大学NUST603HW手写体汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的实验结果表明,所提出的特征融合方法不仅较大幅度地提高了识别率,而且识别结果优于传统的串行特征融合方法.

K-L变换地震属性优化及其在储层预测中的应用

在地震资料精细解释的基础上,以地震属性优化为前提,以K-L变换为手段,对原始地震属性进行了优化处理。经变换后地震属性特征维数下降十分明显,选取的地震属性之间的相关性得到明显降低,突出了其间的差异性,降低了多解性。在利用优化后的属性进行储层预测时,储层参数更加精确。

基于K-L变换的彩色航空影像阴影检测

从K L变换的原理及其特性出发 ,提出了一种利用K L变换技术来对影像上的阴影进行检测的方法 。

利用K-L域惩罚加权最小均方平滑对低剂量CT投影数据进行噪声滤除(英文)

通过对校准的低剂量CT投影数据的噪声特性进行分析,发现该噪声可用高斯分布近似,但其方差与信号本身有关,且信号与方差间的关系是非线性的。基于上述发现,我们选择惩罚加权最小均方平滑架构作为此类问题的最优解法之一。该方法可利用均值-方差间关系等先验知识来构造加权矩阵,并利用二维局部空间信息来构造惩罚项或正则算子。同时,为了进一步利用不同角度或切片间的空间相关关系,我们首先对投影数据沿角度或切片方向进行K-L变换,然后再对变换后的投影数据进行惩罚加权最小均方平滑,从而亦使原来的三维滤波问题简化为二维滤波过程。通过选择适当的邻域,K-L域惩罚加权最小均方平滑方法可充分利用先验统计知识及三维空间信息,对被噪声污染的低剂量CT投影进行更为准确的恢复。实验结果表明,当选取适当的控制参数,在投影数据的噪声滤除效果上,上述方法远较传统的低通滤波器为优。

K-L变换在地震资料去噪声的应用

介绍了K-L变换衰减噪声的基本原理,并将其用于实际地震资料的处理中.针对不同类型的干扰波,利用实例对K-L变换进行了讨论.结果表明,K-L变换可压制噪声提高信噪比,去噪的效果与所选取的特征值的个数有关.利用K-L变换对浅层多次波、折射波、直达波的压制,可避免手工切除对浅层有效信息和干扰信息一刀切的弊端,保存了浅层有效信息.

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在 ORL标准人脸库上的试验结果表明 ,提出的方法不仅识别性能优于传统的主分量分析和 Fishr线性鉴别分析 ,而且特征抽取的速度得到了很大的提高。

基于Contourlet变换的K-L变换地震随机噪声自适应衰减方法

地震资料中有效反射信号具有丰富的纹理及边缘特性,在Contourlet变换域系数较大并具有相关性,而随机噪声均匀分布于Contourlet变换域且系数较小。考虑K-L变换具有分类特征提取的优势,在Contourlet变换基础上应用K-L变换,采用最大似然估计法和多尺度噪声估计法估算地震记录中有效信号及随机噪声的Contourlet系数方差,并将其应用到K-L变换域能量百分比阈值函数的定义中,自适应地确定用于K-L反变换的特征向量,修改Contourlet变换的系数,再进行Contourlet反变换压制随机噪声。数值模拟及实际地震资料去噪效果表明,基于Contourlet变换的K-L变换去噪方法不仅可以有效地压制地震资料中的随机噪声,提高地震资料信噪比,而且具有较好的保真性。

基于Wiener滤波,K-L变换和BP网络的数字识别

研究基于传统模板匹配的识别灰度图像中数字的方法 .在对大量样本图像模板进行 Wiener滤波的基础上 ,利用 K- L 变换进行特征提取 ,用低维子空间描述高维空间中的图像 .将低维子空间中的向量加载到 BP网络的输入端进行训练 ,调整神经网络权值 .权值稳定后 ,在网络输入端加载经过预处理的待识别灰度数字图像 ,在输出端即可得到识别结果 .该方法有效地利用了 Wiener滤波器以最小方差对原始信号的恢复能力、K- L 变换的降维特性和

基于灰关联分析与K-L变换的双重属性优化方法

将灰关联分析和 K- L 变换有机地结合起来可以实现属性的双重优化。利用灰关联分析实现了地震属性的敏感性分析 ,并建立了储层参数与属性之间的灰色关联。在此基础上 ,通过 K- L 变换将属性空间的高维属性映射为低维属性 ,且去除了属性之间的相关性 ,从而有效地解决了属性组合的优化问题。采用 BP神经网络对目标进行预测表明 ,灰关联分析和 K- L 变换相结合的属性双重优化方法能充分发挥单个方法各自的优点 ,有助于属性分析、关联以及组合优化问题的解决 ,从而提高了地震储层预测的运算速度和精度。

K-L变换在AVO交会图分析中的应用

AVO属性交会图分析是进行AVO解释的最有效手段之一,但是由于AVO属性参数之间具有统计相关性,因此利用AVO属性交会得到的解释结果有不确定性。为了解决这一问题,本文提出对原交会图的属性空间进行K-L变换,再利用新空间的交会图来辅助识别交会异常。文中简要地介绍了离散K-L变换基本原理及实现步骤,并应用该方法对实际资料进行了AVO属性交会图分析,取得了较好的效果。

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。

基于K-L变换的支持向量机在汽轮机故障诊断中的应用

支持向量机应用于故障诊断是近年来研究的热点,在支持向量机算法的基础上,以汽轮机故障为例,引入了K-L变换对故障特征进行提取。结果表明,经K-L变换后的支持向量机算法能够保证故障信息的完整性,有效识别临界故障状态,提高了故障的分类精度,扩展了支持向量机的应用范畴。

基于主成分分析与K-L变换的双重属性优化方法

利用主成分分析客观赋权原理计算地震属性在预测目标参数时贡献率的大小,通过去除权重系数较小的属性参数,实现了地震属性的敏感性分析,建立储层参数与有效属性之间的匹配关联;在此基础上,利用KL变换将属性样本空间的高维属性映射为低维属性,去除了属性之间的相关性,有效地解决了属性组合的优化问题,表明了主成分分析和KL变换相结合的属性双重优化方法克服了单纯使用每种方法时的局限性,充分发挥了各自的优点,有助于属性分析、关联以及组合优化问题的解决,提高了地震储层参数预测的运算速度和精度。

基于Sobel边缘检测与K-L变换的高效SIFT算法

针对SIFT经典算法提出了一种基于Sobel边缘检测与K-L变换的高效SIFT算法。首先,采用Sobel算子边缘检测,通过设置阈值T,忽略部分冗余特征点,减少冗余的特征向量生成;其次,通过K-L变换,把128维的空间特征描述符降低到60维,降低了时间的复杂度。通过实验表明,阈值设置得越高,获取的关键点越少,匹配的效率越高,可见该算法从整体上实现了匹配的高效性和实时性。