基于CL多小波变换和组合位平面理论的秘密信息共享算法

针对信息隐藏算法容量和不可见性与鲁棒性矛盾的特点,提出了一种新的基于Chui-Lian(CL)多小波变换和组合位平面(CBP)理论的数字图像载体预处理算法,并将该算法用于以数字图像为载体的信息隐藏,以实现秘密通信和图像共享。其中,CL多小波变换能够将载体图像划分为4个能量等级不同的最低分辨率子图像,组合位平面理论可将子图像解析为不同的位平面层次,在隐藏秘密信息时,可根据最低分辨率子图和组合位平面的能量等级由高到低分别嵌入鲁棒信息、秘密信息和脆弱信息。实验结果表明,在25%的嵌入率时,与基于离散余弦变换和最低有效位方法的信息隐藏算法(DCT-LSB)、基于离散小波变换和最低有效位方法的信息隐藏算法(DWT-LSB)相比,所提算法针对若干常见攻击的鲁棒性有一定程度提升,峰值信噪比(PSNR)分别提高了37.16%和20.00%。

CL多小波图象编码

CL 多小波具有与其他多小波 (如 GHM多小波 )不同的特点 .一幅图象经过多小波变换后 ,原图象的绝大部分能量都集中于最低分辨率子图象 ,而对于 CL 多小波而言 ,其最低分辨率子图象的绝大部分能量又进一步集中于它的第一个分量 .这意味着 CL 多小波图象编码需要考虑的重要系数比其他多小波图象编码减少了四分之三 .本文将 CL 多小波这一特点应用于图象编码 .实验结果表明 ,就压缩比和信噪比而言 ,这种充分利用 CL 多小波特点的图象编码方法 ,其编码结果要优于目前公开发表的

基于CL多小波及SPIHT编码的电力系统故障录波数据压缩算法

针对电力系统故障录波数据的存储和传输问题,提出了基于CL多小波和多级树集合分裂SPIHT(Set Partitioned in Hierarchical Tree)编码的数据压缩方法。首先对故障录波数据进行CL多小波变换,然后对变换以后的系数进行一维SPIHT编码,对得到的排序位流再进行算数编码。实验结果表明该算法在压缩比为8.2907%时,均方误差为0.4544%,信噪比达46.8504,同时该算法可以根据需要自由控制压缩比,实现了可变码率,在应用中可得到满意的压缩效果。

基于CL多小波变换的图像编码

图像的压缩编码是存储、处理和传输大容量的图像信息的基础,提高图像的压缩效率一直是人们不断追求的目标。对图像进行压缩编码,目前成熟的做法都是在变换域进行。在研究图像的多小波变换的基础上,提出了一种面向传输的图像编码方法:基于CL多小波变换的图像精细可分级编码。实验结果表明,该编码方法是对多小波应用于图像编码很有价值的研究。

基于方向对比度的CL多小波图像融合

本文提出了基于方向对比度的CL多小波图像融合方法,将此方法和小波系数取大法,简单平均融合法,应用到彩色图像融合实验中,进行对比,并得到了相应的仿真实验结果。结果表明,此融合方法对不同类型的图像具有更好的融合效果。

基于CL多小波与SOFM的图像矢量量化

针对CL多小波变换后的图像系数特点,综合考虑子带各分量图像间的相关性,构造矢量,并根据系数在不同方向上的分布,提出了分块码本的设计方法;用SOFM网络来训练得到的矢量,完成矢量量化。通过实验,表明了用该方法得到的码本空间不仅具有良好的性能,运算速度快,并且具有很强的通用性,这对未知海底图像的摄取尤其重要。

CL多小波消噪法在局部放电检测中的应用

为了提取电力设备中被现场强背景噪声淹没的微弱局部放电信号,在CL多小波基本理论的基础上,采用haar和平衡预处理的方法,运用矢量阈值法和相邻系数法消噪,并通过运用平移不变多小波的原理消除Gibbs现象以达到更优越的消噪效果。通过运用两种消噪法对仿真局部放电信号进行处理,验证了多小波消噪法的有效性。同时通过与多小波矢量阈值法和相邻系数法消噪结果进行比较,体现出采用相邻系数法能够达到更好的消噪效果。最后将该方法运用于现场发电机局部放电检测数据消噪研究中,经过对结果的分析得出其具有较好的保留原信号信息的能力。

CL多小波结合改进RLS滤波器的信号去噪方法

提出了CL多小波结合改进RLS滤波器的信号去噪方法,该方法将信号划分到不同的频段上,分别用不同起始步长的改进RLS滤波器对系数进行去噪,以提高改进RLS滤波器的去噪效果.仿真结果表明:采用CL多小波结合改进RLS滤波器方法的去噪效果,优于单独使用改进RLS滤波器和CL多小波阈值法的去噪效果.

基于CL多小波变换的自适应数字水印算法

根据CL多小波的特点,提出了一种把视觉系统掩蔽特性结合到水印编码过程中的基于CL多小波域的自适应数字水印算法.首先利用小波系数的树结构关系对最低分辨率子图像的第一分量进行分类,然后根据分类的结果将不同强度的水印分量嵌入到这些小波系数中.实验结果表明,该水印系统具有良好的透明性和鲁棒性.

CL4多小波预处理方法及其在发电机故障检测中的应用

在介绍CL4多小波理论的基础上,分析了基于CL4多小波变换的发电机故障检测方法,通过仿真,分别对基于不同预处理方法的CL4多小波和GHM多小波在发电机故障检测中的应用效果进行比较。仿真结果显示:选择合适的预处理方法,利用CL4多小波,对发电机故障进行检测,可获得比GHM多小波更好的检测效果,研究还表明:预处理方法是影响多小波检测效果的关键因素。

数字图像多小波逆变换及后置滤波算法

为了使数字图像多小波变换域的数据能够快速和有效地还原到空间域,并使还原后的图像具有很好的视觉效果,提出包括多小波逆变换和后置滤波的多小波还原算法。该方法通过前置滤波和多小波正变换将空域图像变换到多小波域,并对多小波域的低频分量和高频分量按一定规律重新组合,在没有额外内插零的情况下进行逆变换和后置滤波还原出空域图像。实验结果表明,所提算法得到的还原图像与原始图像相比90%以上像素点的误差值小于0.0001。

基于改进的SPIHT多小波图像压缩编码

根据CL多小波变换后系数在不同方向的分布,考虑各子带分量图像的相关性,提出了改进的SPIHT(多级树集合分裂)编码算法。通过试验表明,与标准的SPIHT编码算法相比,该算法在重构图像的峰值信噪比不降低的情况下,运算时间不到前者的56％,内存占有量小,缩短了编码时间。

基于自适应多小波与综合距离评估指数的旋转机械故障特征提取

旋转机械设备故障诊断主要包括信号采集、特征提取和故障识别,而特征提取是进行故障诊断的基础和保证诊断结果正确的关键,为了提高特征参数对故障的敏感性,提出了基于自适应多小波与综合距离评估指数的旋转机械故障特征提取方法。该方法以综合距离评估指数最大值为目标函数,利用遗传算法从CL3自适应多小波库中选择最优多小波,并将该最优多小波用于转子振动信号的特征提取。通过对正常、不对中、不平衡、碰摩四种设备状态下采集的振动信号进行特征提取,并将所提出的方法和传统特征提取方法提取的特征参数输入到K-最邻近分类器进行分析,结果表明,所提出的方法能够大大增强特征参数对故障的敏感性,获得更高的故障诊断准确率。

基于区域能量和层间相关性的图像加权融合算法

研究了一种基于CL多小波变换的区域局部能量的多模态医学图像的融合方法.该方法改进了以往依靠能量匹配度的方法,充分研究了图像局部能量之间的数值关系.当多小波分解后,用图像层间相关系数来确定融合权值.该算法稳定性强,基本满足诊断的实时性要求.实验结果表明,该方法相较于单纯GHM区域能量融合方法,不仅将图像的信息熵和互信息熵,分别提高了2%和5%,交叉熵和标准差等指标也不同程度的有所提高,而且有较好的直观视觉效果.

基于尺度不变局部特征的零低频信息隐藏算法

针对目前信息隐藏算法抵抗隐写分析能力弱的问题,提出一种基于尺度不变(BRISK)局部特征的零低频信息隐藏算法。首先,对载体图像进行一阶CL多小波变换,在低频LL 2中提取BRISK特征点生成图像特征矩阵;其次,利用zig-zag和Logistic混沌置乱对秘密信息进行去相关性处理;再次,将图像特征与加密信息通过对比特征值形成关联序列;最后,将关联序列嵌入到高频HL 2、HH 2的低3位。算法将高能量区域的特征矩阵与两次加密信息所构建的关联信息隐藏于高频区域,有利于算法的鲁棒性和抗分析性。在高阶统计量对200幅图片的分析测试下,最大检出率低于7.516%,表明所提算法具有良好的抗分析性。

一种改进的维吾尔族人脸识别算法研究

针对非均匀光照因素干扰维吾尔族人脸识别效果,提出基于CL多小波和灰度排列对(GAP)算法。首先通过归一化系统操作消弱非均匀光照对维吾尔族人脸图像的初级影响,然后利用CL多小波分解一层操作提取维吾尔族人脸图像中的非高频信息,再采取GAP算法找到维吾尔族人脸图像中固定的二维像素点差,为每个类型的维吾尔族人脸信息图像创立其对应的背景匹配模版,最后分类识别经过估算的测试样本图像和每个类型模版的匹配程度。实验结果表明,该算法在保留维吾尔族人脸图像特征的同时,极大地提高了维吾尔族人脸的识别率和运算速度,使维吾尔族人脸图像拥有了非均匀光照下良好的鲁棒性和实时性。

基于CL3-AMW与LTSA的水电机组振动故障特征提取研究

水电机组结构复杂,运行环境恶劣,其运行状态受水、机、电多因素耦合影响,使得传统特征提取方法所得特征敏感性差。针对此问题,提出了基于CL3自适应多小波(CL3 adaptive multiwavelets,CL3-AMW)与局部切空间排列(local tangent space alignment,LTSA)的水电机组振动故障特征提取方法。该方法根据水电机组振动信号特点,对信号处理方法进行自适应改变,通过高维振动故障特征集的自适应构建、特征选择和特征融合三个方面提高水电机组振动故障特征敏感性。利用该方法进行特征提取实验,结果表明,与其他方法相比,所提出的方法能够提高故障特征参数敏感性,为准确识别机组振动故障奠定基础。