复小波包变换域混合统计模型图像降噪算法

该方法利用四树复小波包变换具有的移不变性、良好的方向选择性和对高频信号的细致分析能力等特点,把含噪图像分解成低频逼近子图和若干高频方向子图;在保留低频逼近子图复系数不变的同时,利用复系数层间相关性的强弱把高频方向子图分为主要类和次要类.对主要类和次要类复系数分别进一步采用非高斯双变量模型和零均值高斯分布模型进行噪声抑制.实验结果表明,无论是峰值信噪比(PSNR)指标,还是在视觉效果上,本文方法的去噪性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪,在有效抑制噪声的同时,具有很好的图像边缘和细节保护能力.

复轮廓波包的构造及其图像去噪应用

一般的轮廓波变换只对信号的低频部分进行分解,却忽略了信号的高频部分,因而丢失了丰富的细节和纹理信息,为了克服这种缺陷,本文利用解析的双树复小波包变换和非抽样方向滤波器组,构造了复轮廓波包变换,并提出一种基于相邻系数阈值分类的复轮廓波包图像去噪算法.新的变换除了具有多分辨率、局部性、多方向性和各向异性的特点外,还具有平移不变性和更丰富的方向分量.仿真试验结果表明,构造的复轮廓波包变换能够有效地抑制伪Gibbs现象,并且保护更多的边缘和纹理等细节,其PSNR值和视觉质量均优于一般的去噪方法.

结合复小波域去噪和PSO-TSVM的群体异常行为检测

为了提高群体异常行为检测准确率,减少异常检测中噪声带来的影响,给出一种结合复小波域去噪和粒子群优化孪生支持向量机(PSO-TSVM)的群体异常行为检测算法。通过Horn-Schunck光流法提取视频中群体行为的速度、加速度、方向特征和人群密度特征;利用非抽样对偶树复小波包变换和双变量模型对抽取的群体行为特征进行噪声去除;使用去噪后的群体行为特征训练和测试经粒子群算法优化的孪生支持向量机模型,实现视频中的群体异常行为检测。在UMN视频数据集和自建数据集上的实验结果表明:相较于社会力模型和粒子熵模型等方法,所提算法具有更高的检测准确率。

基于SVM的非侵入式负荷识别

非侵入式负荷监测技术是电力能耗监测的一种手段,通过传感器采集负荷电流和功率等运行特征参数,对设备耗能进行独立计量,预测用户设备的用电情况和规律,以提高电力系统的稳定性和可靠性,为电力公司科学制定电网调度方案,提供科学依据.选取电流、有功功率和谐波电流等稳态数据作为设备的运行特征,基于对偶树复小波变换对数据去噪,建立基于SVM分类识别模型进行负荷识别.

一种图像增强新方法

提出了一种四树复小波包变换域层内层间系数相关性图像增强新方法。该方法利用四树复小波包变换具有移不变性、良好方向选择性和对高频信号的细致分析能力,把含噪图像分解成低频逼近子图和若干高频方向子图;在保留低频逼近子图复系数不变的同时,充分利用变换域信号复系数层间相关性强和噪声复系数层间相关性弱的特点,采用非高斯双变量模型对每一个方向子图复系数进行降噪处理。同时考虑图像的弱边缘在变换域某些方向子图内复系数值较大,而在其他方向子带内其值较小的特点,甄别出弱边缘点对应的复系数并进行增强处理。实验结果表明,无论是PSNR指标,还是在视觉效果上,该方法的增强性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪,在有效抑制噪声的同时,具有很好的图像弱边缘增强和细节保护能力。