一种零树与游程相结合的小波图象编码方法

Shapiro的零树编码方法是众多小波图象编码方法中的佼佼者 ,但通过研究发现 ,图象的小波系数经过量化和零树编码后 ,如果按一定的顺序扫描 ,则零树根会连续出现 ,因此 ,若对 Shapiro的零树编码方法进行改进 ,即在零树编码之后 ,熵编码之前 ,对连续排列的零树根进行游程编码 ,则可以进一步提高图象编码的压缩比 .理论分析和实验结果均表明 。

基于零树、金字塔格型矢量量化的小波图象编码

近年来 ,金字塔格型矢量量化 (PL VQ)方法由于其本身的特点和性质引起了人们的广泛兴趣 ,而文献 [1]介绍的基于零树 (ZR)的编码也获得了极大的成功 .根据信号的二进小波分解特点和小波图象系数的分布特点 ,利用 D4格将 PL VQ和零树结合起来 ,提出了一种基于零树和金字塔格型矢量量化的小波图象编码方法 ,该方法首先采用金字塔格型矢量方法来量化小波图象系数 ,以得到非零格点和零格点 ;然后采用复合熵编码来处理非零格点 ;最后为了有效确定非零格点的位置 ,也就是为了有效地处理零格点 ,又引进了重要图的概念 .在此基础上 ,从下往上、从上往下二次扫描重要图 ,再采用改进的零树编码方法来处理零格点 .实验结果证明 ,本文算法优于传统的基于游长的熵编码 .

多小波图象编码

首先 ,与许多有关多小波的文献不同 ,该文从 Mallat多分辨率分析的角度叙述多小波理论 ,并由此推导出多小波变换的快速算法 ;其次 ,结合二种常用的多小波图象变换预处理方法 ,提出了一种新的预处理方法 .最后 ,揭示了经多小波分解后 ,同一幅矢量子带图象不同分量图之间的相关性 ,并利用这种相关性进行图象编码 .理论分析和实验数据都表明 ,多小波图象编码是一种很有潜力的图象编码方法 .

小波图象编码中的对称边界延拓法

在小波变换图象编码中 ,由于图象信号是有限长信号 ,在子带分解过程中信号边界将外延 ,因此为满足完全重构条件 ,且不增加信号的样本总数 ,必须对信号边界进行延拓 .该文对小波变换图象编码中的对称周期延拓法进行了论述 ,并叙述了其原理及实现方法 ,还讨论了如何根据滤波器长度为奇数或偶数的不同 ,相应地延拓输入信号 ,并恰当地截取出所需长度的子带信号 .同时 ,讨论了综合时如何对子带信号进行延拓的问题 .

Lifting Scheme及其在小波图象编码中的应用

L ifting Schem e是构造第二代小波的关键技术 .相对于第一代小波而言 ,L ifting Scheme是一种比 Mallat算法更快、更简单和更容易操作的算法 ,也是 JPEG2 0 0 0推荐的算法 .为了将其应用到小波图象编码中 ,提出了一种对 L ifting Scheme作适当改进以用于小波图象编码的方法 .该方法就是先用 L ifting Scheme来实现 D9/ 7双正交小波变换 ,然后再用这种技术实现的 D9/ 7双正交小波变换来进行图象压缩编码 .在将 L ifting Schem e算法用于小波图象编码的过程中 ,对该算法做了必要的简化 ,以便保证每个提升 (lifting)环节都是 FIR滤波 .同时 ,根据能量守恒的原则 ,重新调整了尺度因子 .实验结果表明 ,这种经过改进的 L ifting Schem e取得了比

小波图象的视觉特征探讨

对小波图象的视觉特征作了某些心理特征的讨论,并对它的实验图象进行验证分析。结果表明小波图象有很好的人眼视觉特性。

基于小波时频图和ResNet18的焊接状态监测方法研究

针对焊接过程中因外部干扰因素或焊接参数选择不当而导致的气孔和未熔合缺陷的问题,提出一种小波时频图和深度残差网络(ResNet18)相结合的焊接质量检测方法。首先,搭建管道全位置自动焊接试验平台,利用拾音器记录熔合良好、未熔合和气孔焊接状态下的声音信号,将采集到的声音信号进行小波阈值降噪处理并且计算信号的信噪比,从而得到合适的信号降噪方法。其次,使用连续小波变换得到小波时频图,对时频图进行压缩和预处理,将时频图的大小设置为224×224,并剔除时频图上的标题、坐标和能量等。最后,将处理好的小波时频图作为输入,以未熔合、熔合良好和气孔三种状态作为输出,利用ResNet18网络进行训练。结果表明,该模型对三种焊接状态下的声音信号具有良好的监测效果,其准确率为90.78%。

MFA-SGWNN:基于多特征聚合谱图小波神经网络的僵尸网络检测

在僵尸网络攻击中,由于伪装后的僵尸网络流量数据特征与正常流量数据特征过于相似,使得传统的检测方法难以准确地进行区分。为解决这一问题,提出一种基于多特征聚合谱图小波神经网络的方法(Multi-feature Aggregation Spectral Graph Wavelet Neural Network,MFA-SGWNN),将流量的属性特征与空间特征相结合,能有效地捕获隐藏的感染主机流量特征,增强僵尸网络节点的特征表示,同时规避了数据样本不平衡和恶意加密流量对检测的影响。在ISCX2014僵尸网络数据集和CIC-IDS 2017(僵尸网络)数据集上的实验结果表明,MFA-SGWNN检测效果优于现有方法,具有更强的鲁棒性和泛化能力。

基于小波时频图和量子遗传算法的车轮扁疤检测方法

针对地铁车轮扁疤在线诊断困难问题,提出了一种基于小波时频图、灰度投影法和量子遗传算法的智能在线车轮扁疤检测方法。首先对轮轨间的垂向振动信号进行小波时频分析,得到小波时频图,然后结合灰度投影法从时频图中提取车轮扁疤的特征;最后采用量子遗传算法对支持向量机进行优化以提高SVM的分类准确率。通过一个工程实例验证了该方法在识别车轮扁疤时的有效性。结果表明,该方法能够准确且快速地检测出对车轮扁疤,且所使用的分类模型的性能优于现有模型。

基于小波系数零树结构的分形预测图象编码

提出了一种基于小波系数零树结构的分形预测图象编码方法 ,首先按照零树结构在同方向不同分辨率的各个子带图象上确定要预测的图象块 (Range Block) ,也就是将这些图象块串起来构成一棵与零树相类似的图象树(Range Tree) ;然后 ,对每一图象块 ,在同方向低一级分辨率的子带图象上寻找与其最佳分形匹配的相似块(Dom ian Block) ,而这些相似块也按照零树结构上下延伸 ,以产生多棵相似树 (Dom ain Tree) ,其中与图象树最接近的相似树就是图象树的预测树 .理论分析和实验结果表明 ,该方法在峰值信噪比稍微下降的情况下 ,能够获得较高的压缩比 .

小波分形混合图象编码

该文在收集和阅读了与小波分形混合图象编码方法有关文献的基础上 ,对小波分形混合图象编码方法的研究现状和发展前景进行了尽可能全面和详细的评述 .文中介绍了小波图象编码经过 10年研究 ,主要算法已经基本成熟 ,并受到一些正在酝酿之中的图象编码国际标准的青睐 ,而分形图象编码尚处于学术研究阶段 ,并指出小波分形混合图象编码是分形图象编码从学术研究走向实际应用的出路之一 .

基于小波时频图和多尺度卷积神经网络的发动机工况识别研究

针对传统工况识别方法对非平稳的汽车发动机音频信号难以准确识别的问题,提出一种基于小波时频图和多尺度卷积神经网络的发动机工况识别方法。首先,将原始信号通过连续小波转化为小波时频图,其次,对小波时频图进行统一的预处理,最后将处理好的图片输入到卷积神经网络中提取多尺度特征并分类识别。该方法有效结合了具有处理非线性平稳信号优势的小波时频分析和卷积神经网络的图像分析能力。在测试集数据转速不同的情况下,识别准确率和鲁棒性更好。

基于谱图小波的神经精神疾病患者脑功能网络多尺度分析

基于图信号处理,针对神经精神病患者的脑功能网络展开研究,采用谱图小波变换对脑功能网络进行多尺度分析,根据实验数据构建图拉普拉斯矩阵,从中选取最大特征值对谱图小波变换滤波器进行设计。之后结合血氧水平依赖对比度信号计算出受试者各脑区的谱图小波系数,对其进行多尺度组间差异分析,发现脑功能网络在不同频段下的能量分布存有异常,并对对应的异常脑区予以明确。所采用的谱图小波变换是目前针对不规则数据域中信号展开多尺度分析的最有效方法之一,对其他疾病患者脑功能网络多尺度分析研究具有重要的现实意义。

基于小波尺度图重分配的轴承瞬态特征检测与提取

提出基于小波尺度图重分配的信号瞬态特征检测方法和瞬时能量估计方法,并应用于轴承在多种轻微故障状况下的振动非平稳特征的检测与表示。结果表明,重分配的小波尺度图能够以较高的时频分辨率表示轴承振动中的非平稳特征,反映轴承的多种故障,瞬时能量估计可以作为分析轴承状态的依据。

基于重分配小波尺度图的转子系统支座松动故障的研究

介绍了重分配小波尺度图,并通过分析仿真信号将传统小波尺度图与重分配小波尺度图进行比较,结果发现重分配小波尺度图可在一定程度上提高尺度图的聚集性,减少干扰项。通过建立转子松动故障的仿真实验台,把实验采集到的发生松动故障的振动信号,利用重分配小波尺度图和三维谱振图进行分析,结果表明,三维谱振图可以大体上显示频谱信息,重分配小波尺度图可以进一步对松动故障信号进行细化分析,两者结合可以更好地识别转子支座松动故障。

超声血流多普勒信号小波尺度图和谱图的比较

针对血流多普勒信号的谱估计问题 ,将经典的短时傅立叶变换谱图和现代小波尺度图进行了比较 ,从时 -频分布的观点 ,分析认为 ,STFT谱图和小波尺度图是Wigner-Ville分布的一种特殊情形 ,STFT谱图是平滑的伪Wigner-Ville分布 ,小波尺度图是一种仿射平滑的Wigner-Ville分布 ,对于实际仿真的多普勒信号 ,计算得到的STFT谱图和小波尺度图表明 ,小波尺度图的低频效果较好 ,但是交叉项干扰也较大。

基于谱图小波阈值的机床主轴振动数字信号降噪研究

通过数控机床运行过程中数据特征采集获得的实际信号存在噪声成分,无法根据信号特征判断机床实际运行状况。为了提高对特征参数提取对信号实施降噪能力,根据谱图小波转换理论与实际应用过程,构建了一种对一维数字信号分析的谱图小波阈值降噪(spectral wavelet threshold denoising,SWTD)算法,再通过仿真信号与机床主轴振动信号降噪方式验证了谱图小波阈值降噪可靠性。研究结果表明:机床主轴振动信号包含的有用频率基本都处于400 Hz范围内的低频区。完成降噪后,SWTD降噪信号形成了稳定幅值,已经接近初始信号,包络谱内超过400 Hz的高频段已被消除,形成了由主轴自转频率与滚切频率构成的主体成分,观察到明显主轴自转频率特征,表明该方法相对小波阈值降噪结果具备更优性能。

基于小波时频图和AlexNet网络的电弧故障诊断方法

针对故障电弧电流频域特征难以提取,检测率不高的问题,提出一种基于小波时频图和深度学习卷积神经网络的低压交流故障电弧诊断方法。该方法对串联型故障电弧电流信号进行小波时频变换,利用小波对高频突变信号的放大能力,捕捉不同负载的差异特征,得到的时频图经过压缩统一至适当大小后作为AlexNet卷积神经网络的输入特征图,利用AlexNet网络提取小波时频图特征,通过全连接层拟合数据实现故障电弧的智能诊断。建立故障电弧实验平台,分别采集阻性负载、感性负载、阻感负载下的电弧电流2 000组,利用该数据集完成模型训练。选取新负载及10~60 dB信噪比研究模型的泛化能力和鲁棒性。实验结果表明,所提方法能够有效识别故障电弧,识别率达到96.7%,且具有良好的稳定性。

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 。

基于谱图小波变换的图像压缩编码方法

针对小波变换图像压缩编码方法在高压缩比下得到的重构图像质量往往较差的问题,提出了一种基于谱图小波变换的编码方法.该方法首先将图像转化成图,利用谱图小波变换分解图得到谱图小波系数,这些系数的能量随着尺度的增加而衰减,然后根据谱图小波系数的特性对SPECK算法进行改进,最后对谱图小波系数进行量化,利用改进的SPECK算法对量化后的系数进行压缩编码,并在图像数据量压缩的同时从稀疏系数中恢复原始图像.实验结果表明,该编码方法对自然图像的压缩具有高效性,相比小波变换的压缩方法,重建图像的PSNR有所提高且变化平稳,与此同时还得到更大的压缩比.