基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(partial discharge,PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,提出了一种基于小波变换(wavelet transform,WT)和灰度-梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(support vector machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。

基于灰度-梯度共生矩阵的焊缝缺陷聚类分析

为识别焊缝不同类型缺陷,以焊缝缺陷的漏磁检测(MFL)图像为研究对象,提出基于灰度-梯度共生矩阵(GGCM)和聚类分析的焊缝缺陷识别方法。将采集的三维MFL信号转换为二维灰度图像,利用GGCM直接提取焊缝3种状态下(焊缝无缺陷、焊道上分布圆柱体缺陷、焊道上分布矩形槽缺陷)MFL图像的特征信息。结合2种聚类算法,用层次聚类法选取评述焊缝图像的特征量,用k-均值聚类方法分析这些特征量,并以可视化图形显示聚类结果。结果表明:根据GGCM提取的特征量的聚类分析结果,焊缝典型缺陷的识别率大于96%。

基于灰度-梯度共生矩阵模型的最大熵阈值处理算法

阈值法是图像分割的一种重要方法 ,在图像处理与识别中广为应用 .本文提出了基于灰度 -梯度共生矩阵模型和最大熵原理的灰度图像的自动阈值化技术 ,该方法不仅利用了图像的灰度信息 ,而且也利用了图像的梯度信息 .该方法通过计算基于灰度 -梯度共生矩阵的二维熵并使边缘区域的熵最大来选择阈值向量 .

基于灰度-梯度共生矩阵和模糊核聚类的振动图形识别方法

以往复机械振动参数图形为对象,提出了基于灰度-梯度共生矩阵和模糊核聚类的振动图形识别方法。利用灰度-梯度共生矩阵直接提取振动参数图形中的特征信息,将得到的纹理特征参量作为样本输入空间,通过Mercer核把输入样本映射到高斯特征空间后,在高维特征空间中进行聚类,从而实现往复机械故障智能诊断。实验结果表明,该方法可以获得较高的诊断精度,具有一定的可行性和有效性。

基于灰度-梯度共生矩阵的串联故障电弧特征

为了获取非线性负载回路中串联故障电弧的特征,利用自行研制的故障电弧实验系统开展了变频器和工控机负载条件下的串联故障电弧实验。提出一种基于灰度-梯度共生矩阵的特征提取方法。采用前向差分法对电流信号进行预处理,并利用小波包技术对差分信号进行分解、重构,将重构信号按频率高低依次放入二维数组;二维数组中同时刻各频段的能量归一化后,将其转换为0~255的灰度值图像,对灰度值图像进行Wiener滤波并采用Laplace算子进行锐化和加强处理,取频率高于1 562.5 Hz的图像求解灰度-梯度共生矩阵。通过计算共生矩阵的15种特征量,筛选得到工控机和变频器负载条件下串联故障电弧的特征向量。将获取的故障电弧特征向量输入到支持向量机进行故障电弧识别测试,验证了上述故障电弧特征提取方法的有效性。

基于灰度-梯度共生矩阵的钢轨表面缺陷检测方法

根据钢轨表面缺陷的灰度和梯度特征,提出了钢轨缺陷自动检测方法:基于灰度-梯度共生矩阵为模型提取钢轨缺陷的内边缘,其中以最大熵方法自动求取灰度-梯度二维阈值向量,利用形态学方法对分割后的二值图像进行后期处理,有效区分正常轨面、缺陷区域、阴影和干扰区域.实验表明:本方法能较好地对钢轨表面缺陷进行检测.

旋转机械振动故障诊断的灰度-梯度共生矩阵方法

研究了基于灰度-梯度共生矩阵的旋转机械故障诊断方法,利用灰度-梯度共生矩阵直接提取旋转机械振动参数图形中的特征信息,应用人工免疫系统实现旋转机械故障诊断.实验验证该方法可以获得较高的诊断精度,证明了该方法的可行性.

灰度-梯度共生矩阵模型的加权条件熵阈值法

基于二维灰度直方图的最大熵阈值法是依据"灰度-灰度均值"构成直方图的图像分割方法,该方法着重于图像的内部信息,忽略了边界区域的信息。应用图像的梯度信息建立"灰度-梯度共生矩阵",构造图像的二维灰度直方图,结合最大条件熵法进行阈值选取。为了充分提取图像内部和边缘信息,提出了二维加权最大熵阈值法。结果表明,该方法一方面能够保留更多的图像边缘信息,另一方面能够根据实际需要调节权值大小,得到兼顾图像内部和边缘信息的分割结果。

基于灰度-梯度共生矩阵的木材表面缺陷分割方法

根据木材表面缺陷图像的特点,提出了基于灰度-梯度共生矩阵模型和最大熵原理的木材缺陷图像自动阀值化技术。并且利用形态学运算对分割后的二值图像进行后期处理。经实验验证,该方法提取的木材表面缺陷图像效果良好。

基于灰度-梯度共生矩阵的视网膜血管分割方法

提出了一种新的、有效的视网膜血管分割方法.它包括二维匹配滤波预处理以增强血管的灰度,以及用灰度-梯度共生矩阵的最大熵阈值化方法.该方法同时利用了图像的灰度和梯度信息.在计算梯度时选用了三次B样条小波.实验结果表明,该方法能较好地提取视网膜血管网络.

基于灰度-梯度共生矩阵的往复压缩机气阀故障诊断方法研究

提出基于灰度-梯度共生矩阵的气阀故障图像特征提取方法,以不同故障气阀阀片的平滑伪威格纳-维尔分布图为研究对象,通过提取图像中的纹理特征信息计算其纹理特征参数,由结果可知,不同的故障图像对应不同的特征参量,从而实现了往复压缩机气阀故障的定量诊断。

基于灰度-梯度共生矩阵的大米加工精度的机器视觉检测方法

提出了基于灰度-梯度共生矩阵结合机器视觉技术检测大米加工精度的方法。使用实验碾米机制备不同加工精度的大米样品,设计大米加工精度机器视觉检测系统获取不同加工精度大米样品图像,再利用灰度-梯度共生矩阵提取大米图像的纹理特征,采用逐步判别分析法构建Fisher判别函数组对大米样品的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品检测的平均准确率达到94.00%。

基于“灰度-梯度共生矩阵”的最大条件熵阈值法

基于"灰度-梯度共生矩阵"模型,在现有最大条件熵图像阈值法的基础,引入加权系数进行改进。为了解决权值选取问题,以图像分割质量评价的均匀性测度为评价指标,采用自适应粒子群算法对权系数进行优化选择,进而获得最优的分割阈值。实验结果表明,与二维最大熵、最大条件熵算法相比,该方法能够获得更佳的分割结果。

基于改进双树复小波和灰度-梯度共生矩阵的纹理图像检索算法

针对双树复小波变换缺少不同尺度纹理的空间分布特征的缺陷,提出了一种改进双树复小波和灰度-梯度共生矩阵相融合的纹理图像检索新算法。首先,该算法将图像进行非均匀分块,并对分块的图像进行双树复小波变换,以此增加不同尺度下的空间信息;其次,利用灰度-梯度共生矩阵提取4个统计量特征;然后,融合两种方法提取的纹理特征以得到图像检索的纹理特征;最后,用Canberra距离进行相似性度量并输出图像检索的结果。实验结果表明,该方法对纹理图像有较好的检索效果。

基于灰度共生矩阵和梯度相位互信息的医学图像检索

结合灰度共生矩阵特征和梯度相位互信息,提出了一种面向临床实际应用的两步匹配医学图像检索算法.该算法在提供良好分类性能的灰度共生矩阵特征的基础上,通过精化检索进一步提高了检索精度,以及检索算法的整体鲁棒性.使用该算法对包含有6种不同解剖部位的CT图像库进行检索实验.实验结果表明该算法在达到良好的检索准确性的同时,具有接近实时的查询响应速度.对该算法进行适当扩展,能容易地推广到实际医学检索应用中.

旋转机械故障诊断的灰度-基元共生矩阵方法研究

研究了基于灰度-基元共生矩阵的故障诊断方法,该方法利用图形的灰度空间分布情况和描述纹理的纹理基元法结合起来提取和挖掘旋转机械振动状态参数图形特征,可以有效地提取图形中纹理特征信息,直接利用BP人工神经网络实现旋转机械故障诊断。在600 MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及轴承松动故障的试验,诊断结果表明可以获得较高的诊断精度.

基于灰度—梯度共生矩阵的植被提取方法

在灰度共生矩阵的基础上融入梯度信息,提出灰度—梯度共生矩阵模型,再结合Laws纹理能量测度算法对植被进行提取,得到了较好的实验结果,可应用于遥感影像中的植被监测。

基于灰度—梯度共生矩阵的图像型垃圾邮件识别方法

为了逃避基于文本的垃圾邮件系统的检测,越来越多的垃圾邮件制造者将文本信息嵌入到图像中。为了有效地检测出图像型垃圾邮件,提出了一种基于灰度—梯度共生矩阵(GGCM,gray-gradient co-occurrence matrix)的图像型垃圾邮件识别方法。先通过灰度—梯度共生矩阵提取图像的特征信息,然后运用最小二乘支持向量机(LS-SVM,least squares support vector machines)进行分类。实验表明,该方法具有较高的分类精度和较好的实时性。

基于Gabor变换和灰度梯度共生矩阵的人耳识别研究

人耳识别作为一种新兴的生物特征识别技术,具有其自身独特的优势。提出一种基于Gabor变换和灰度梯度共生矩阵的人耳身份识别方法。首先,利用Gabor变换和灰度-梯度共生矩阵融合提取人耳图像的纹理特征,然后采用K-NN分类器对特征进行分类。该方法用USTB人耳图像库做测试。实验结果表明介绍的提取人耳图像的纹理融合特征的方法优于只采用Ga-bor变换提取特征或是只提取灰度梯度共生矩阵的二次统计特征的性能。在明氏距离测度及K=1时,交叉验证识别率达到81.77%。

基于Gabor滤波与灰度梯度共生矩阵的鸽眼虹膜识别

禽畜标识技术作为当前研究热点难点受到广泛关注,以虹膜识别为代表的生物特征标识技术成为一种趋势。针对传统方法提取全局特征时对局部纹理特征不敏感的问题,文中提出了一种基于多通道Gabor滤波和灰度梯度共生矩阵(GGCM)的鸽眼虹膜识别方法。使用不同方向和尺度的Gabor滤波器组对预处理后的虹膜图像进行滤波,由全局滤波图像构建灰度梯度共生矩阵,提取其特征值生成虹膜特征向量,识别过程采用K-NN分类算法。试验结果表明:该方法具有识别精度高,等错率低等优点,在候鸟监测、家禽管理和肉食品追溯方面具有一定的实际应用价值。