基于改进数学形态学与S变换的暂态电能质量扰动检测

针对电能质量扰动信号检测受噪声影响大且特征值定位不准确的问题,提出一种改进数学形态学方法对电能质量扰动信号中存在的噪声干扰进行预处理,并选取S变换频谱标准差、S模矩阵时间幅值平方和均值以及S模矩阵等高线这3种时频域的特征值,实现了6种单一扰动信号和2种复合扰动信号的检测和定位.仿真结果表明,与传统的数学形态学滤波和卡尔曼滤波方法相比,改进的数学形态学方法去噪效果好,而且可以加强原信号中的有用信号,S变换中选取的特征值从时域和频域共同体现扰动特征,使电能质量扰动信号的检测定位更加准确.

基于改进数学形态学滤波的农产品图像处理

提出了一种针对农产品图像的改进数学形态学滤波算法(improved mathematical morphology filtering algorithm,IMMFA)。该算法首先在充分结合数学形态学开启-闭合,闭合-开启滤波器特点的基础上,引入了图像加权融合机制,构建了一种新型基于加权融合的数学形态学滤波器。然后,针对噪声的随机特性,设计出3类不同尺度的"棱形"结构元素,以实现对噪声的多尺度梯次滤波。最后,引入噪声判别机制融入了图像灰度值因素,通过对图像中噪声强度进行判别,根据判别结果来自适应选择参与滤波的数学形态学结构元素尺寸并对滤波后图像采用自适应同态滤波进行对比度增强处理,一方面在有效滤除噪声的同时尽量保持图像边缘的连续性,另一方面避免图像被"过滤波",提高滤波后图像视觉效果。理论和试验分析结果表明,该算法的性能较优,这说明这一改进思路对于农产品图像的处理具有一定的效果。

结合无下采样Shearlet变换和改进尺度积的边缘提取

为了解决遥感图像边缘提取中的伪边缘现象,提出了一种基于无下采样Shearlet变换模极大值和改进数学形态学的边缘提取算法。首先,通过无下采样Shearlet变换对目标遥感图像提取高频分量和低频分量;针对小尺度边缘系数受噪声影响过大,对相邻2个尺度较大的高频系数进行改进,得到尺度多方向的高频系数。然后,采用非模极大值抑制方法对高频系数进行处理,提取高频分量的目标边缘;采用改进的数学形态学方法对低频分量进行处理提取低频目标边缘。最后,将高低频边缘提取结果加权融合,并使用区域连通法去除孤立噪声点,得到最终边缘提取结果。实验表明,与Canny算法、基于NSCT模极大值+Canny算法、基于NSCT模极大值+数字形态学3种算法相比,该算法提取的目标边缘轮廓不仅完整清晰,连续性好,还具有较强的抗噪性。

光纤光栅脉搏波分析处理及特征提取

本文提出了一种利用光纤光栅(Fiber Bragg Grating,FBG)检测脉搏波的信号处理及特征提取算法。将光纤光栅采集脉搏波与光电容积(Photoplethysmography,PPG)脉搏波进行对比,分析出光纤光栅脉搏波的特点。提出了小波阈值消噪与改进的数学形态学滤波相结合的光纤光栅脉搏波消噪算法,并根据脉搏周期对形态学结构元素长度进行自适应选择,从而改善了去除基线漂移的效果。研究了脉搏特征提取方法,提高了脉搏波峰值点和起点检测的准确性。实验结果表明,经消噪处理后,输出脉搏波的信噪比是输入脉搏波信噪比的2倍,脉搏波峰值点和起点提取准确率分别达到了97.2和97.6。该算法结构简单,易于实现,对光纤光栅脉搏波检测智能服装的研发和脉搏特征的有效提取具有重要的意义。

基于小波域热红外降质图像滤波增强方法研究

随着现代网络传输和视频通信技术的快速发展,大大拓宽了热红外图像的应用领域。提出了一种基于小波变换的热红外将质图像滤波增强方法。该方法以受到不同强度高斯白噪声和脉冲噪声构成的混合噪声模型的热红外降质图像为研究对象,首先对其进行二维小波变换,从而获得高频和低频小波分解系数;鉴于低频小波分解系数包含图像大部分信息,基本不受噪声干扰的特点,引入直方图均衡化法进行增强处理,以改善图像低频信息的对比度;根据各方向的小波高频分解系数中噪声的分布特征,对经典数学形态学滤波算法进行研究,分别设计出几类多尺度多方向的结构元素,实现对各高频小波分解系数中噪声的三级串联滤波处理,在此基础上进行自适应同态滤波增强,以最大限度改善滤波后图像质量。最后进行小波分解系数重构。实验结果表明,该算法对于热红外将质图像的处理效果优于单纯进行经典数学形态学滤波和已有的改进数学形态学滤波,为该类降质图像的滤波增强处理提供了一条可供借鉴的思路。

印制电路板缺陷图像边缘检测

为了提取含噪声印制电路板（PCB）光板缺陷图像边缘信息,提出了一种基于混合法的图像边缘检测方法.在分析类间最大距离法图像分割基本原理的基础上提出了一种改进的类间最大距离法（IMDBC）;设计了结合中值滤波、IMDBC、改进的数学形态学边缘检测算子与LOG算子进行PCB光板缺陷图像边缘检测的混合方法.用CCD及显微镜成像系统获取4幅PCB光板缺陷图像,结果表明：用本文方法提取出的图像边缘信息清晰且较精确,噪声点较少,所得到的4幅图像优质系数是其它6种方法的1.0111-1.3586倍.