基于频率域峭度谱迭代阈值的多尺度形态学轴承故障诊断方法

在复杂恶劣的环境中,存在滚动轴承故障信息难以准确提取的问题。因此,引用多尺度数学形态学对滚动轴承故障诊断开展研究。由于小尺度形态学滤波能较好的保存信号的细节特征,大尺度形态学滤波能有效抑制噪声,因此为了能更好的兼顾噪声抑制和故障特征信息保存,采用迭代阈值的方法选取尺度范围,运用频率域峭度谱方法计算出阈值,然后通过迭代自适应获取最佳尺度区间。多尺度形态学信号重构加权方法引用加权多尺度形态梯度算法,该方法能保证小尺度具有较小的权重,大尺度具有大权重。通过仿真和实验表明:多尺度形态学有效检测出滚动轴承故障信号,深度挖掘滚动轴承故障特征信息。

一种基于WT⁃MMGR超像素技术的图像分割算法

在图像处理领域,谱聚类算法被广泛应用于图像分割任务。但对于背景复杂、色彩界限不明显的图像,传统的谱聚类算法往往无法准确地将目标物体分割出来,同时需要耗费大量的计算资源和时间。因此设计一种基于多尺度形态学梯度重构的分水岭超像素的改进谱聚类算法,它利用多尺度形态学梯度重构的分水岭超像素算法作为谱聚类算法的预处理步骤,将超像素处理所得的结果作为谱聚类的输入,以达到谱聚类算法的运算量目的。验证算法实验结果表明,所提出的改进谱聚类算法在图像分割任务中具有较好的边缘贴合度,并且程序的运行速率得到了显著提升。

基于油石分离的再生集料颗粒形态多尺度变化

为研究废旧沥青混合料(recycle asphalt pavement,RAP)再生工艺对集料颗粒形态特征的影响,采用油石分离处置技术制备再生集料,建立考虑再生集料颗粒宏观-细观-微观的多尺度评价指标体系,结合三维扫描仪和集料图像测量系统测量新集料、未处置RAP和再生集料颗粒的球度、针片状指数、梯度棱角性和纹理指数等4个形态评价指标,对比分析3种集料颗粒的形态特征与多尺度变化规律。结果表明:相比于新集料颗粒和未处置RAP颗粒,再生集料颗粒的形态特征在宏观尺度上的指标参数变化不大,在微观-细观尺度上的指标变化较大,梯度棱角性平均减小12.5%,纹理指数平均增大14.0%,3种集料的4个形态指标均符合正态分布。相比于未处置RAP颗粒,再生集料颗粒的球度、梯度棱角性和纹理指数的标准差均明显变小,表明油石分离处置技术对改善再生集料颗粒的宏观-微观-细观形态特征的变异性有积极作用。对RAP进行高掺量再生利用时,应考虑再生集料颗粒的梯度棱角性和纹理指数与混合料路用性能的关联关系。

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,提出了一种自适应多尺度形态梯度变换(AMMG)方法,能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。

基于迭代多尺度形态学开重建的城区LiDAR滤波方法

针对形态学运算在机载Li DAR滤波中最大窗口尺寸的选择问题,提出了一种基于形态学开重建的迭代多尺度点云滤波算法。通过循环迭代多尺度开重建运算,克服开重建对矮小地物的误判问题,自动获取开重建运算的最大窗口尺寸,解决了对城市区域滤波的窗口适宜尺寸选择问题,提高了地物与地面点分类的正确性。使用ISPRS提供的城区样本测试数据开展实验,结果表明:其Ⅰ类、Ⅱ类及总误差均值分别达到3.10%、6.05%和4.11%,在Ⅱ类误差不显著增加的情况下,Ⅰ类误差和总误差均值同比均为最小,整体分类与自动识别性能优于常规滤波算法。

基于多结构多尺度形态学梯度的医学图像边缘检测

边缘检测在医学图像处理中占着至关重要的位置,检测的准确性将直接影响诊断和治疗。本文针对传统边缘检测算子对噪声敏感的不足,结合医学图像的特点,提出了一种形态学梯度运算的修正算法。首先由闭一开运算完成图像预处理以滤除噪声,再作闭运算平滑图像,最后对平滑的图像作多尺度的形态学梯度运算,得到噪声存在下的理想边缘,并将其用于医学图象的边缘检测。实验结果表明,该算法具有良好的边缘提取能力,抗噪性能良好,具有一定的实用性。

基于多尺度形态学梯度的医学图像边缘检测

边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法。单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法,检测精度较经典的单一梯度算子检测方法亦有一定的改善。

非负矩阵分解在发动机故障特征提取中的应用

信号处理与特征参数提取是发动机故障诊断的核心和关键。提出了采用自适应多尺度形态梯度算法对信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点,能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于发动机故障诊断的特征参量。结果表明:与传统的信号处理与特征参量提取方法相比,所提的方法具有更高的分类精度,为准确判断发动机故障状态提供了一种行之有效的新方法。

基于小波增强的改进多尺度形态梯度边缘检测算法

在形态学梯度边缘检测算子的基础上,综合多结构元和多尺度算法的特性,提出了一种基于小波增强的多结构元、多尺度边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘,得到了噪声存在下的理想边缘。实验表明,本文方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力。

基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明:与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。

一种图像噪声的形态学多尺度去除方法

提出了一种基于形态学多尺度的图像噪声去除方法,该方法首先利用形态学多尺度开闭重建运算对噪声图像进行多尺度重建,将噪声图像分解为一系列尺度不同的特征图像叠加,然后对叠加特征图像进行尺度模式谱分析,确定图像中噪声对应的尺度范围,最后将噪声尺度对应的特征图像从噪声中去除,达到同时消除噪声和保持图像目标信息完整及准确定位的目的。仿真实验表明,该方法能够有效地去除不同类型的图像噪声,具有较高的输出信噪比,同时保持了图像信息的完整和图像目标的准确定位。

改进的HSI空间形态学有噪彩色图像边缘检测

针对在RGB空间中很难有效区分颜色相似性问题,选择了更加符合颜色视觉特性的HSI颜色空间进行图像处理,提出了一种改进的形态学有噪彩色图像边缘检测方法,将开闭的迭代运算和双结构元多尺度运算应用到传统形态学梯度算子中,然后计算图像H、S、I三个分量的边缘信息,根据H、S、I所占比重对三分量进行加权融合得到彩色图像边缘。实验结果表明,该方法所检测的边缘符合人眼视觉特性,在抗噪声方面的效果比传统方法及其他多种方法更佳,能够更完整地保留原彩色图像的轮廓,计算量相对较小,有很好的实用性和通用性。

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。

基于改进分水岭算法的医学图像分割

医学图像存在病变区域和背景区域,病变区域是分割的重点。针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将形态学滤波、多尺度形态学梯度和控制标记符分水岭相结合的分割策略。首先利用数学形态闭-开运算完成预处理以滤除原始医学图像中的噪声和非感知信息。其次做闭运算以平滑图像,并对平滑的图像计算多尺度的形态学梯度。再次对形态学梯度图像进行重建,然后采用控制标记符的分水岭变换算法对重建后的梯度图像进行分割。最后将分割结果变换回原始尺度。仿真实验结果表明,这种改进的方法不但使经典分水岭算法中的过分割现象得到了很好的抑制,医学图像中的病变区域被有效分割出来;而且分割算法简单,同时具有多尺度的特点,能够适应医学图像分类与信息提取的需求。

融合多结构滤波和多尺度重建的分水岭算法

为了解决传统分水岭算法中存在的过分割问题,提出一种结合多结构形态学开闭滤波和多尺度形态学开闭重建的新方法。该方法用12种不同结构的结构元对原始图像进行开闭滤波,接着对梯度图像应用多尺度开闭重建,通过加权融合不同的重建梯度为最终的梯度。在重建后的梯度上应用扩展最小变换技术(H-minima)以提取标记,用所得的标记修正原始梯度,在修改后的梯度上进行分水岭分割。实验结果表明:该方法不仅能有效抑制分水岭算法中的过分割,而且通过调节分割过程中的参数,还能防止欠分割的发生,对于不同的需求均可得到理想的分割效果。

基于形态学多尺度修正的脑肿瘤分割

针对脑部核磁共振成像(MRI)图像中因噪声、肿瘤内部灰度不均匀、模糊及边界不连续等造成肿瘤难以准确分割的问题,提出了一种基于形态学多尺度修正的控制标记符分水岭分割方法。该方法在形态学梯度图像基础上,根据不同像素点所在特定邻域内的梯度值自适应确定结构元素的大小;然后,对图像进行形态学多尺度修正,保证修正过程中目标轮廓不发生较大偏移;最后,采用控制标记符的分水岭变换对图像进行分割。实验结果表明,该方法可对脑肿瘤进行较精确的分割。

基于形态学重构的宫腔镜下子宫内膜腺体开口标记算法

目的在宫腔镜下为胚胎种植窗口期的子宫容受性提供一个量化的评价方法,提出一个宫腔镜下的子宫内膜腺体开口标记算法。方法采用数学形态学重构算法提取可能的腺体开口区域,利用多尺度的高斯滤波增强腺体区域去除噪声,最后使用数学形态学的区域最大值标记腺体开口。结果该标记算法的标记结果与专家标记结果进行比对,灵敏度为84.72%±8.00%,Dice相似度系数达83.80%±4.56%。结论经仿真和真实数据验证,提出的子宫内膜腺体开口标记算法是有效的。

形态学分水岭算法在粘连图像分割中的应用

针对分水岭算法对噪声敏感和易于产生过分割的问题,提出运用顶帽变换对图像进行Ostu局部阈值处理,改善光照不均和噪声对图像分割的影响;采用多尺度形态学梯度,解决结构元素的形状和尺寸对梯度图像产生的影响。实验结果表明,该算法既能有效地分割粘连颗粒,又能有效抑制过分割现象。

一种基于分水岭和区域合并的视频对象分割算法

为了从视频序列中分割出完整的、一致的运动视频对象,并且改善分水岭算法存在的过分分割问题,本文提出了一种基于时空分割融合的视频分割算法。时间分割采用图像差分算法,其关键的阈值选取通过直方图分析得到。空间分割时,先采用抗噪声能力更强的多尺度形态学算子求取图像梯度,然后进行分水岭变换,最后进行区域合并,它可以有效克服噪声的影响并有效地减少过分割。仿真结果表明,此算法对于改善过分割现象有明显效果,并且对分割程度具备可控能力,在适应不同场景需求方面存在一定的应用价值。

多尺度的灰值形态学在图像边缘检测中的应用

传统的边缘检测算法存在检测边缘不连续、漏检、抗噪性能差等缺点。针对传统方法在边缘检测中遇到的问题,结合数学形态学的方法,介绍一种基于多尺度灰值形态学的边缘检测算子,该算子是在形态学梯度算子的基础上改进之后,结合多尺度的概念,将各种不同尺寸下的边缘图像结合起来,提取出比较理想的边缘图像。采用Visual C++编程实现算法,并与传统边缘检测算子进行比较。实验结果表明本文提到的算子检测边缘效果更好。