基于形态Haar小波变换的多聚焦图像融合

针对多聚焦图像融合问题,提出一种基于形态Haar小波分解和重构的新方法。通过形态Haar小波分解源图像,在低频分量中保留图像边缘和细节,并采用加权平均法进行融合。高频分量先经Gauss滤波去除噪声和边缘效应,再按取大值的原则进行融合。结合形态Haar小波重构融合后的高低频系数获得融合图像。实验结果表明,该方法能最大限度地保留图像边缘和细节信息,与总体平均法和小波变换法相比,融合图像的熵较大,总体交叉熵较小。

基于分块形态Haar小波变换的盲水印算法

提出了一种基于形态Haar小波变换的数字水印算法。该算法对载体图像按分块进行形态Haar小波变换,水印的嵌入和提取在子块的形态小波域中完成,每个子块嵌入水印的一个像素信息。该算法能实现水印的快速盲提取。实验证明,与分块DCT法和分块DWT法相比,算法不仅简单快速,而且大大提高了水印的不可觉察性和鲁棒性,在抵抗噪声攻击方面更有优势。

基于Haar小波变换的重力场方向性适配区选取方法

水下重力场适配区的选取在重力匹配导航系统中起着至关重要的作用,传统适配区选取方法通常以重力场区域统计特性作为评价标准,而存在对方向适配性特征描述不准确的问题,在适配区中往往存在某一航向轨迹的匹配精度大幅下降的情况。针对此问题,提出一种基于Haar小波变换的方向性适配区选取方法,将小波变换后得到的高频信息图进行再组合,从而得到针对于任意指定航向的重力高频信息图。通过对某一海域的船载重力数据进行实验验证,基于所提方法可以根据当前航向选取出更具有针对性的适配区域,适配区内匹配率提升6.3%。所提出的方法不仅解决了现有适配区选取方法对方向适配性描述不准确的局限性,而且为潜航器选择以何种航向进入适配区起到了指导性作用。

融合小波变换与形态学的车身刮痕边缘检测

针对车身表面外部噪声干扰的影响,导致无法准确提取到车身刮痕边缘有效信息,提出一种融合小波变换和数学形态学的边缘检测方法。首先,为减弱车身刮痕边缘提取过程中受光照等外界噪声干扰影响,对刮痕源图像利用小波模极大值边缘检测方法,消除部分噪声干扰,提高边缘检测定位的准确性;然后,为了优化刮痕边缘的连续性,避免在多尺度小波检测下边缘有效信息的丢失,提出一种改进的数学形态学边缘检测算法;最后,将小波模极大值与数学形态学两种方法的检测结果进行小波分解,分别得到图像的高频和低频分量。两图像低频分量根据图像能量大小分配权重进行融合,对应的高频分量通过绝对值取大的方式融合,将融合后的高频和低频分量重构,获取最终的刮痕边缘。通过实验分析,该融合方法能保证在去噪的同时,获得更完善清晰的边缘特征信息,效果优于传统边缘检测算法,能为后续刮痕精确定位修复提供理论与技术支持。

结合小波变换与数学形态学的电缆局放信号识别与降噪方法

针对大部分电缆局放(PD)信号识别方法在噪声影响下的识别准确率低、波形失真等问题,提出了一种基于小波变换与数学形态学的电缆PD信号识别及降噪方法。该方法利用最大重叠离散小波变换提取PD信号的高频和低频特征,结合重构和数学形态法滤除噪声。利用自适应神经网络学习小波变换后的特征,最终完成PD信号的识别分类。基于某变电站实测PD信号波形对所提方法进行实验分析结果表明,信号降噪处理后的信噪比与均方误差分别为5.439 dB、0.251,且整体的识别准确率超过了88%,均优于其他对比方法,具有良好的应用前景。

基于信息熵和Haar小波变换的开关电流电路故障诊断新方法

针对开关电流(SI)电路的故障诊断和定位问题,为进一步提高故障准确率,提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取,以减少信号的冗余。最后构建故障字典,完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获得了100%的故障诊断准确率,与其它方法进行比较,实验结果显示了本文方法的优越性。

基于改进形态Haar小波在输电线路故障测距中的应用研究

提出将改进形态Haar小波(IMHW)用于输电线路行波测距中。从信号的时域上提取奇异点,能够较为快速和准确地定位奇异发生的时刻,适合应用于输电线路故障测距。大量ATP仿真结果表明采用基于IMHW变换的行波测距能够准确地提取行波信号的波头位置,具有较高的测距精度。IMHW变换主要是加减和取极值运算,与经典Mallat小波算法相比,该算法具有结构简单,算法量较小,易于工程实现的特点。

基于Haar小波变换和分块DCT的人耳识别

提出一种新的对人耳图像进行降维的方法。先对人耳图像进行二维的离散小波分解,然后再对小波分解后得到的低频信息施行分块离散余弦变换,进而获得图像的特征向量。实验证明,该方法与模式识别领域中广泛应用的PCA-LDA方法相比,在识别率大体相当的前提下,具有计算量小、降维速度快的优点,是对人耳图像进行特征提取的一种有效的手段。

基于小波变换和数学形态学的局部放电信号分析方法

应用小波变换与数学形态学相融合的方法对含有强噪声的局部放电信号进行消噪,并与小波变换的阈值法进行了比较,发现该方法能更有效地消除局部放电信号的噪声,同时能很好地保留原信号特征。采用多尺度数学形态学开运算提取消噪后的局部放电信号数学形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征,为放电类型的识别打下基础。

基于Haar小波变换的图像分解与重构

介绍了Haar小波函数及基于Haar小波变换的图像分解与重构,通过实验得出了小波变换及haar小波用于图像分解与重构具有速度快、重构图像压缩比高、对图像容易进行各种分析处理等优点的结论,为后续研究图像压缩技术提供了一定的依据。

基于多方向小波变换及形态学重构的SAR图像边缘检测

结合小波变换和形态学的优点,针对SAR图像提出了一种改进的边缘检测方法。图像小波分解后,对3个方向的高频子图像分别利用Donoho的软门限阈值去噪,采用不同方向的边缘检测算子进行边缘检测,对低频子图像用形态学的开闭运算去噪后采用腐蚀运算进行边缘检测,利用得到的高、低频边缘子图像进行小波逆变换重构出图像边缘。实验结果表明,该算法规则简单,不需要人为设定阈值,泛化能力强,较好地再现了图像的边缘信息,是一种有效的图像边缘检测算法。

基于小波变换和形态学细化算法的真空电弧形态检测

真空开关电弧的形态特征是电弧特性的外在反映,与真空开关的分断能力直接相关。为了研究真空开关电弧燃弧过程及其形态特征,建立了真空电弧图像实验采集系统,通过高速CCD相机采集真空电弧燃烧过程图像。为了获得电弧形态的细节特征,基于小波变换及形态学细化算法对真空电弧图像进行了形态细节特征提取研究。主要通过电弧图像的分解与重构、多尺度边缘检测及多尺度-细化算法实现电弧图像的形态特征检测。对多尺度-细化算法实验结果与经典算子和多尺度边缘检测算法的检测结果进行了对比分析。结果表明,采用多尺度-细化边缘检测算法可得到更完整、更清晰的细节特征,为研究真空电弧的调控理论提供了技术基础。

一种融合小波变换和数学形态学的图像边缘检测算法

针对传统图像边缘检测方法中出现噪边、边缘定位不精确等缺点,提出一种融合小波变换和数学形态学的图像边缘检测算法。先将图像进行小波分解,高频部分利用小波模极大值噪声抑制和尺度相关子带关联算法进行边缘检测,可以很好地减弱噪声;低频部分利用修正的形态算子进行形态学边缘检测,能够检测出弱边且定位准确;最后对两种方法得到的边缘图像进行融合。实验结果表明,该算法能有效抑制噪声,提高边缘精度并且定位准确.

使用形态Haar小波法检测目标感兴趣区域

对图像进行面向自动目标识别(Auto Target Recognition,ATR)的压缩其关键是快速而准确地检测到目标感兴趣区域ROI(Region-of-interest),并将其与背景区域分别进行不同比特率的压缩。本文将形态Haar小波法与数学形态学方法相结合来实现目标ROI的检测,设计了新的目标ROI检测算子。对采集图像进行二维形态Haar小波分解,结合目标ROI检测要求的特点,仅在尺度信号域内应用设计的目标ROI检测算子,最终完成目标ROI的检测。仿真实验表明,该方法对目标ROI的检测率最高可达到1.0000,而最低虚警率仅为0.0012;对含像素级别为102×102的图像,所需运算时间仅为10-1s。与传统方法相比,本文算法对目标ROI检测效果好,运算简单,节省了运算时间和硬件资源。

基于小波变换和数学形态学的遥感图像边缘检测

由于遥感图像一般带有较大的噪声 ,通过实验表明 ,用传统的边缘检测方法效果不理想。采用小波方向性检测技术并结合数学形态学的方法 ,提出了一种基于小波变换和小尺度的数学形态学的遥感图像边缘检测方法。实验表明本算法计算有效 ,边缘定位准确 ,对噪声有一定的抑制作用 。

基于形态学小波变换的图像融合算法

在给出基于小波变换图像融合算法的基础上,为了增强图像的质量,提高图像分辨率,提出一种基于数学形态学的小波变换图像融合算法。对读入的图像进行小波变换分解,将分解后的高低频系数用一个扩展矩阵进行存储。在低频分量系数选择中,采用数学形态学方法进行边缘检测,得到边缘图像后,对边缘图像中的尺度系数采用加权平均法进行融合。在选择高频系数时,基于绝对值最大的原则。对多组图像进行实验,实验结果表明,该算法优于传统的融合算法,有效提高了图像的分辨率。

改进的形态学和小波变换边缘检测算法研究

针对传统数学形态学边缘检测算法存在的图像噪声干扰、边缘分辨率较低等问题,提出了一种基于数学形态学与小波变换方法相结合的边缘检测改进算法。在小波域中,对图像分解的弱边缘进行适当的加强,对低频系数采用模极大值法进行边缘处理,对边缘细节比较多的高频系数采用基于多尺度的双结构元素数学形态学算法进行边缘检测,最终得到图像的完整边缘。实验结果表明与传统的小波变换边缘检测法以及数学形态学边缘检测等方法相比,此种算法更能有效提取准确的边缘信息,而且又具有很强的抗噪性,是一种有效的边缘检测方法。

小波变换和数学形态学在电力扰动信号消噪中的应用

基于小波变换和数学形态学的信号消噪方法都已被充分证明是行之有效的,但两种方法应用于电力扰动信号这一特殊对象的消噪是否能够适应良好,根据不同的信号和精度要求如何选择不同的消噪方法,成为一个很重要的问题。基于此,建立了重构因子用以评价算法对信号的重构能力,并对几种典型电力扰动信号进行了分析,通过计算其重构因子,讨论了两种算法对不同信号的适应性。通过仿真分析,得出对于无暂态脉冲或高频振荡扰动的信号,两种方法都是有效的,可根据计算速度和精度的不同要求予以选择;对于含暂态脉冲和振荡扰动的信号,基于小波变换的消噪效果明显优于基于数学形态学的消噪方法。

基于小波变换与灰度形态学滤波的双波段红外图像弱目标融合检测

针对舰载红外搜索与跟踪系统中的弱目标检测问题,本文首先提出了一种采用小波变换与灰度形态学滤波相结合的背景抑制与目标增强算法;然后基于所提出的背景抑制与目标增强算法设计了一种双波段红外图像弱目标融合检测方法;最后采用实际的双波段红外图像序列对所提出的背景抑制与目标增强算法和所设计的双波段红外图像弱目标融合检测方法进行了实验测试,并给出了详细的分析与比较。实验结果显示所提出的背景抑制与目标增强算法在较大程度上改善了在信噪比条件下的红外图像弱目标检测效率,而双波段红外图像的应用进一步提高了系统的目标检测性能。

基于数学形态滤波和Hilbert变换的电压闪变测量

随着电力系统中大容量冲击负荷的不断增加,配电网中的电压闪变也越发严重,因此需要对其进行检测和分析,为进一步的治理奠定基础。而IEC推荐的闪变测量方法只能给出闪变的统计性评价指标如短时闪变严重度和长时闪变严重度,此种指标无法说明闪变的具体参数特征。为此,文中给出了基于数学形态滤波和Hilbert变换的电压闪变快速测量计算方法。其中,基于数学形态学的滤波方法相比传统的数字滤波方法计算速度更快,更易于硬件实现,而且能够在保留电压闪变信号扰动特性的前提下有效地去除电压闪变信号中含有的尖峰脉冲、白噪声,高频噪声等干扰,将去噪后的信号进行Hilbert变换可准确地测出闪变的包络,为进一步测量电压闪变的有关参数奠定了基础。仿真试验证明了所提方法的有效性。