结合多尺度局部极值分解和SCM模型的医学图像融合方法

根据不同的成像原理,医学图像有多种不同的图像类型。针对CT-MRI图像融合中容易造成细节和对比度信息丢失等问题,提出一种基于多尺度局部极值分解方法(LES)和双通道脉冲发放皮层模型(DCSCM)的图像融合方法。利用多尺度局部极值分解方法将源图像分解为一系列不同尺度的平滑图像和细节图像;使用最大值法分别提取两个系列平滑图像的最大值,使用稀疏表示方法进行平滑图像的融合;对两个系列的细节图像取均值,使用DCSCM模型对细节图像进行融合;通过融合后的平滑图像和细节图像重构出最终的融合图像。对多组医学图像进行实验仿真和主客观分析,多组实验结果表明,该方法在主观视觉方面和客观评价指标的定量分析方面都取得了优异的效果。

基于多尺度局部极值和边缘检测的目标性算法

目标性作为目标检测的预处理算法,用于高效提取少量可靠的目标潜在区域,可替代针对复杂特征的多尺度滑动窗的分析方式,达到提升目标检测效率的目的。该文提出了一种基于多尺度局部极值和边缘检测的目标性算法。首先,基于原始图像的多尺度梯度特征,在不同尺度下利用均值滤波得到梯度强度的局部极值,并在原始图像上还原出初始目标潜在区域;然后,通过提取图像的边缘特征,计算初始目标潜在区域的目标性得分值;最后,对得分值进行尺度加权,并结合非极大值剔除冗余区域,最终输出少量可靠的目标潜在区域。通过PASCAL VOC和ILSVRC2014数据库的实验对比,该算法给定1000个候选区时在PASCAL VOC和ILSVRC2014分别达到97%和98%以上的召回率,同时有效地提升了首框召回率。

消除局部极值的多尺度形态学肝脏肿瘤CT图像分割方法

针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。

基于局部均值分解和极值差分的直流电机间接测速方法

针对直流电机无转速传感器间接测速问题,首先,根据局部均值分解(LMD)可将复杂信号按频率递减的顺序自适应地依次分离出各PF分量的特点,构建了基于LMD的自适应滤波器(AF)。其次,确定了AF中截止分量阶数以组成带通滤波器提取换向电流;最后结合直流电机换向特点,提出了基于极值差分(ED)的换向电流频率求取方法。试验对比了LMD和EMD提取换向电流特点,并对比ED方法和脊线算法、Hilbert变换及LMD中的反余弦法求取换向电流的频率特点,相关试验证明了所提方法的可行性和有效性。

基于局部极值的保边缘图像分解算法

针对非线性图像滤波算法保边缘能力不强的问题,提出一种新的保边缘图像分解算法。该算法采用局部极值差定义图像的边缘,在此基础上利用加权平均的方法调整极值,通过优化算法得到原图像的基图像,实现图像的多尺度分解。实验结果表明,与同类算法相比,该算法在实现图像平滑的同时保边缘能力更强。

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition,BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明:与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。

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。

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。

基于多尺度极值的一维信号趋势项快速提取方法研究

现有1维信号趋势项提取算法效率低、并且缺乏适应性和灵活性。该文提出基于多尺度极值的1维信号趋势项快速提取方法,充分利用时间序列信号极值点信息,建立信号极值点的二叉树结构,避免了传统经验模式分解(EMD)方法逐层筛选求取内蕴模式函数(IMF)分量的耗时过程,在获得与现有方法趋势项提取精度相当的情况下,极大地提高了计算速度,并且可以直接提取不同层次的趋势。仿真和实际数据实验结果表明:与传统EMD趋势分解方法和趋势滤波方法相比较,计算速度可提高1到2个数量级。

基于信号极值检测分段法和ITD-PE-PCA算法的变压器绕组变形超声检测信号去噪研究

为了解决超声信号特征分段问题和固有时间尺度分解(ITD)算法分解次数不便确定的问题,本文中作者提出了一种极值检测分段和ITD-PE-PCA联合去噪算法。试验结果表明,组合的去噪算法结合了ITD、PE和PCA的优点,去噪后的信号信噪比更高、均值误差更小,并且可以有效保留超声回波中的有用信息。

二维局部均值分解算法

为了获取不同尺度下的特征信息用于滤噪、边缘提取等图像处理,在一维局部均值分解基础上提出一种二维局部均值分解算法.首先用快速8-邻域窗算法或者灰度形态学重构算法提取图像的局部极值点;然后通过Delaunay三角剖分将求得的极值点划分成三角网格来确定每一个极值点的相邻极值点,进而得到相邻极值的局部均值函数和包络估计函数;最后采用一种综合考虑二维乘积函数极值点空间特征和包络估计函数极值大小的停止筛分条件,通过迭代寻优方法得到相应的二维乘积函数,将图像分解成不同尺度下的成分.在Tree,Cameraman等经典图像上的实验结果表明,该算法能快速有效地实施图像多尺度分解,性能好于二维局部均值分解算法及传统的二维经验模态分解算法.

基于局部极值插值的保边缘图像平滑算法

提出一种新颖的基于局部极值的强边界与高对比度纹理的定义。使用这个定义提出一种保留边界的平滑算法,通过将算法迭代运用在基层上面进行多尺度图像分解。同时算法可以抽取图像高对比度纹理,但同时可以保留图像的强边界。该方法可以高效地使用在多尺度图像分解的各种应用中,如高动态范围图像的色调映射、图像细节增强、图像去噪。

基于滑动熵互相关系数与k-means聚类算法的局部特征尺度分解分量筛选方法

提出了一种利用滑动熵以及互相关系数算法对局部特征尺度分解所得分量进行筛选分类的方法。首先对原始信号进行局部特征尺度分解,其次对分解所得的任一分量以及原始信号通过移动起始点的方式计算熵值并计算每一个熵值序列与原始信号的互相关系数,最后利用k-means聚类算法对上述互相关系数进行分类,即可实现分量的筛选。仿真结果表明,该方法能够有效对局部特征尺度分解所得分量进行筛选,较同类方法具有较大的类间距离。

基于LCD和中心极值差分的直流电机间接测速

针对直流电机无转速传感器间接测速问题,构造了基于局部特征尺度分解的具有自适应能力的滤波器组;依据直流电机电枢电流中噪声频率高、幅值小和换向电流频率高、幅值大这一特性,确定了滤波器组中内禀模态分量(Intrinsic Scale Component,ISC)分量的阶数以组成换向电流;为避免复杂换向过程引起的换向电流频率突变,提出了基于中心极值差分(Central Extreme Difference,CED)的换向电流频率求取方法;最后,根据电机电流频率和转速间的关系,获取了电机的转速特性。实验结果表明所提方法提取的换向电流较平滑,不仅获取的转速曲线波动程度较小、不存在转速突变,而且计算速度也有大幅度的提高。

基于自适应局部均值的EMD方法及其在谐波检测中的应用

针对经验模态分解(EMD)方法处理非线性非稳态信号的不足,提出了一种自适应局部均值的EMD分解方法(ALMEMD)。该方法分析了信号极值点分布特性和均值曲线拟合对分解结果的影响,只使用一次样条插值拟合局部均值曲线,且运用积分中值定理利用全部零极值点间的数据作为局部特征时间尺度。针对信号多分量特点,确定了采用高阶极值的局部均值曲线筛选低频分量、低阶局部均值曲线筛选高频分量的优势,并以正交系数作为评价指标自适应选择最优极值阶次。通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的可行性和有效性,而且该方法适用于谐波检测与分析。

基于多尺度局部极值分解与ResNet152的红外与可见光图像融合

为了进一步提升红外与可见光图像融合方法的性能,本文提出了一种基于多尺度局部极值分解与深度学习网络ResNet152的红外与可见光图像融合方法。首先,利用多尺度局部极值分解(multiscale local extrema decomposition,MLED)方法将源图像分解为近似图像和细节图像,分离出源图像中重叠的重要特征信息。然后采用残差网络ResNet152深度提取源图像的多维显著特征,以l_(1)-范数作为活性测度生成显著特征图,对近似图像进行加权平均融合,以保持能量和残留细节信息不丢失。在细节图像中,利用“系数绝对值取大”规则获得初始决策图,源图像作为引导图像,初始决策图作为输入图像进行引导滤波处理,得到优化决策图,计算加权局部能量得到能量显著图,对细节图像进行加权平均融合,使融合图像具有丰富的纹理细节和良好的视觉边缘感知。最后,对近似融合图像和细节融合图像进行重构,得到融合图像。实验结果表明,与现有的典型融合方法相比,本文所提出的融合方法在客观评价和视觉感受方面都取得了最好的效果。

基于LCD-Hilbert谱奇异值和多级支持向量机的配电网故障识别方法

准确识别故障类型是配电网故障处理的首要任务。提出了一种基于时频矩阵奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障识别方法。利用局部特征尺度分解法(LCD)、Hilbert变换以及带通滤波算法,构造配电网母线电压、主变低压侧进线电流等波形的时频矩阵,对其进行奇异值分解以获取波形奇异谱,提取相应奇异谱的分布参数(如反映奇异值大小的奇异谱均值、反映信号复杂程度的奇异熵等)作为特征向量。将特征向量输入基于多级SVM的分类器以实现故障识别。各类典型工况下的仿真和实验结果表明该识别方法的正确率均>90%,可实现对各类不同故障的有效辨识,且具有很强的适应性和实用性。

奇异值分解降噪结合局部特征尺度分解的轴承故障诊断

局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种崭新的自适应时频分析方法,在旋转机械故障诊断领域得到了初步的应用。在研究噪声对LCD影响的基础上,提出了一种奇异值分解(Singular value decomposition,SVD)降噪与LCD相结合的轴承故障诊断方法。首先对信号进行相空间重构,然后运用SVD降噪,对降噪信号进行LCD,将得到的内禀尺度分量进行包络谱分析提取故障特征。通过数据仿真与轴承内圈故障数据分析,验证了该方法的有效性。

基于变分模态分解的断路器机械故障诊断

断路器的振动信号包含了许多机械信息。为了更加精确地对断路器的故障进行识别,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和支持向量机结合的方法。首先利用局部极值法确定合适的VMD分解模态数;其次通过VMD将信号分解成多个具有紧支性的模态,计算各模态的奇异值作为特征向量,将其输入支持向量机(Support Vector Machine,SVM),训练故障模型;最后通过SVM诊断测试信号,成功对不同故障进行诊断。

基于四叉树分解和MB_LBP模式的人脸识别算法

针对多尺度块局部二值模式MB_LBP在分块尺寸选择上的不足,提出了一种基于四叉树分解的MB_LBP算法。算法首先利用图的四叉树分解方法对人脸图像进行高同质性的划分,得到非固定尺寸的图像子块集合;然后对每个图像块利用改进的MB_LBP算法得到图像块的LBP值;最后,将所有的LBP值形成统计直方图得到整幅图像的特征。算法有效考虑了图像块的纹理特性,优化了局部特征值选择,提高了识别正确率。通过在ORL和YALE人脸数据库中进行仿真实验,结果表明,提出的算法相比MB_LBP方法识别正确率提高约10个百分点,并且在针对高分辨率人脸图像时识别速度提高1 s左右。算法适用于高分辨率的人脸图像快速识别。