抗混叠轮廓波变换的脱线中文手写体笔迹识别

为了进一步提高脱线中文手写体笔迹识别的正确率,提出了一种基于抗混叠轮廓波变换的特征提取算法。抗混叠轮廓波变换不仅具有轮廓波变换的多尺度、多方向特性,同时克服了轮廓波变换中频谱混叠的现象,避免了重构图像出现"划痕"现象。实验结果证明,抗混叠轮廓波变换的GGD模型与使用单小波、复小波、轮廓波变换的GGD模型方法比较,识别正确率分别提高了23.5%、7.7%、2.5%。

基于小波视觉模型的乘性水印算法

虽然小波域加性水印算法具有较好的不可感知性,但其鲁棒性较弱。因此,结合小波域视觉模型,提出了一种基于小波视觉模型的乘性图像水印算法。在水印嵌入过程中,为平衡水印的不可感知性和鲁棒性,以中频子带作为水印嵌入空间,并根据图像的频域敏感度、亮度敏感度、纹理复杂度确定水印的嵌入强度。在水印检测过程中,采用广义高斯分布(GGD)对小波系数的统计特性进行刻画,并通过奈曼—皮尔逊(NP)准则确定水印系统的检测阈值,给出了水印系统的虚警概率和检测概率之间的接收者操作特征(ROC)曲线关系。最后通过实验测试了该算法在抗压缩、叠加噪声、缩放和剪切等攻击时的鲁棒性能。仿真结果表明:该算法具有较好的检测性能以及在抗攻击时具有较强的鲁棒性。

基于Contourlet系数的广义高斯分布参数的混合估计方法

提出采用广义高斯概率密度建模的Contourlet变换系数的形状参数混合估计方法。当形状参数值较小时,对于小样本采用熵匹配方法估计,而对于大样本利用最大似然方法估计。当形状参数值较大时,采用矩方法估计。实验结果表明,所提出的方案可以有效准确地对Contourlet变换子带进行建模。

基于复数小波域广义高斯分布模型的纹理图像检索

由于在频域用能量参数来表示图像的特征矢量缺乏准确性,而且实数离散小波变换具有平移变化性和弱的方向选择性,为此针对以上问题提出了一种基于复数小波域广义高斯分布模型的纹理图像检索方法。该方法首先利用双树复数小波变换系数的统计特性来建立广义高斯分布的统计模型;然后基于该模型提取图像的特征矢量;最后利用Kullback-Leibler distance(KLD)测度算法进行纹理图像检索。对Brodatz图像库的仿真表明,新方法较双树复数小波算法的查准率提高6.96%,较基于Gabor纹理特征检索法的查准率提高了18.8%。同时复数小波系数统计模型具有旋转不变性。新方法对今后的纹理图像检索具有重要的理论与实际意义。

基于电力电子变压器的低压微电网负荷灵敏度在线辨识

负荷灵敏度在线辨识是一种新的负荷建模方法,在对含有电力电子变压器(power electronic transformer,PET)的低压微电网负荷灵敏度在线辨识方法及应用进行深入研究的基础上,首先建立了AC/DC/AC型PET的数学模型,并给出了PET实现负荷灵敏度在线辨识的基本方法,分析了分布式电源的接入对辨识结果的影响;在此基础上,提出了一种基于PET电压/频率协调控制的微电网柔性负荷控制策略。仿真结果表明,在线辨识方法可以实时获得负荷模型参数,依据所获负荷模型,PET通过跟踪系统柔性减载指令,实现系统柔性控制与管理,为电网柔性负荷控制提供技术支持。

基于互补特征的纹理图像检索

针对互补特征可以有效地改善图像检索系统性能的特点,提出一种在改进Contourlet变换域采用L1能量与广义高斯分布参数特征的纹理图像检索方法。首先,应用改进的方法对方向子带系数进行广义高斯统计建模。然后,分别单独利用各个特征和相应的相似性测度进行检索。最后,基于直接的相似性测度和,采用这两种互补的特征进行检索。实验结果表明,和采用单一特征相比较,互补特征由于充分地反映了图像的结构信息和随机分布信息,从而有效地提高了纹理图像数据库的平均检索率。

使用统计模型的动态红外和可见光图像融合

针对动态红外和可见光图像融合,提出了一种新的基于统计模型的融合方法,即将图像的小波分解系数用广义高斯分布来建模。首先,源图像分别用双树复小波进行分解;然后,采用加权平均融合规则来进行小波系数的融合,其中加权系数由估计的广义高斯分布参数来计算;最后,将融合后的系数重构为一幅图像。融合图像采用熵、互信息和边缘保持度QAB/F来进行质量评价,实验结果表明方法的性能优于其他两种动态图像融合方法。

一种基于脊波变换的乘性数字水印算法

利用脊波变换具有多方向性和各向异性的特点,提出了一种乘性图像水印算法.在水印嵌入过程中,以中频脊波子带作为水印嵌入空间平衡水印的不可感知性和鲁棒性.在水印检测过程中,采用广义高斯分布来刻画脊波系数的统计分布特性,并通过奈曼皮尔逊准则确定水印系统的检测阈值,给出了水印系统的虚警概率和检测概率之间的工作特性曲线关系.最后通过实验测试了该算法在抗压缩、叠加噪声、缩放、剪切等攻击时的鲁棒性能.仿真结果表明,该算法具有较好的透明性和较强抵抗常用图像处理及几何攻击的能力.

非高斯风压峰值因子估计:基于矩的转换过程法的对比研究

建筑围护结构抗风设计需要准确估计非高斯风压极值或者峰值因子。对于非高斯风压峰值因子估计,常用的基于矩的转换过程法有Hermite多项式模型(HPM)、Johnson转换模型(JTM)及平移广义对数正态分布(SGLD)模型。极值通常由母本概率密度函数(PDF)的尾部决定,现阶段对于三种模型基于相同前四阶矩预测的非高斯母本PDF尾部的差别尚不清楚,自然,对于这三种模型预测的极值或者峰值因子的差别尚无答案。为了探明三种模型的异同,从而提供一定的选取原则,该文就三种方法对非高斯风压峰值因子估计效果进行了系统的对比研究。首先从理论上对比了三种方法预测得到的母本PDF的差异和估计的峰值因子差别;其次,选用长时距风洞试验风压数据检验了三种方法对非高斯风压峰值因子的估计效果。结果表明在三种模型都适用的偏度和峰度组合范围内,HPM对非高斯风压峰值因子估计结果相比SGLD模型和JTM模型估计结果更准确。

非高斯风压极值估计:基于矩的转换过程法的抽样误差对比研究

非高斯风压极值的准确估计对于建筑结构抗风设计非常重要。由于使用方便,转换过程法被广泛用于非高斯风压极值估计。转换过程法中典型的转换函数模型有Hermite多项式模型(HPM)、Johnson转换模型(JTM)及平移广义对数正态分布(SGLD)模型。通常,这三个转换函数模型的参数估计仅需数据的前四阶矩,因而这些模型被称为基于矩的转换函数模型。实际工程设计中用于计算风压极值的数据通常是有限长度的,而基于有限长度数据计算的前四阶矩具有抽样误差,致使基于矩的转换函数模型估计的风压极值亦具有抽样误差。现阶段对于以上三种模型估计非高斯风压极值所引起的极值抽样误差的区别尚不清楚。为了对三种模型估计极值时的抽样误差进行对比研究,该研究介绍了HPM、JTM和SGLD三个模型;给出了三个模型估计非高斯极值的抽样误差的理论方法;随后基于理论方法的计算结果对比了三个模型估计的极值的抽样误差;基于超长风压风洞试验数据对三种模型极值估计时的抽样误差进行了系统的评估和验证。结果表明:HPM对非高斯风压极值抽样误差的估计效果通常比SGLD模型和JTM估计的效果更好。该研究结果可为合理选择非高斯风压极值估计模型提供一定的指导。

非子采样Contourlet变换系数统计建模及图像去噪应用

融合拉普拉斯分布及广义高斯分布模型对非子采样Contourlet变换(NSCT)系数进行了统计建模分析。研究发现,NSCT作为平移不变Contourlet变换,系数在不同尺度和方向上均存在较大冗余,在广义高斯分布性等方面需引入参数加以约束。根据建立的统计模型进行了医学图像去噪实验。结果表明,和Contourlet及NSCT软硬阈值去噪等比较,该建模方法提高了噪声估计精度,增加了峰值信噪比,改善了图像视觉效果。

基于小波变换系数统计特征值和深度神经网络的快速噪声水平评估算法

鉴于噪声干扰导致图像小波变换系数的统计特征值产生有规律的变化以及深度神经网络(Deep Neural Network,DNN)强大的函数逼近(映射)能力,提出了一种快速噪声水平评估(Fast Noise Level Estimation,FNLE)算法。具体地,先利用Daubechies 9/7小波基在3个尺度、3个方向对噪声图像进行小波变换,再利用广义高斯分布(Generalized Gaussian Distribution,GGD)模型为变换后各个子带上的小波系数值建模并以GGD模型的2个参数作为统计特征值,共可得到18个特征值构成描述图像噪声水平高低的特征矢量;然后,选用大量已知噪声水平值的噪声图像构成噪声图像集合,提取集合中噪声图像的特征矢量并与所施加的噪声水平值构成训练数据集;最后,利用DNN深度神经网络技术在训练数据集上进行训练从而获得能够将特征矢量映射为噪声水平值的预测模型。为了获得更加准确的预测值,将噪声水平值范围细分为5个子范围分段训练以获得更为精准的预测模型。相对于现有的算法,FNLE算法采用了基于训练的实现策略。预测模型一旦训练完成,其用于预测的执行时间非常短。同时,DNN深度神经网络技术保证了预测结果的准确性。大量实验数据验证了FNLE算法在预测准确性和执行效率两个关键评价指标上具有更好的综合优势。