基于小波变换的纹理识别

利用小波变换在时、频域同时具有良好的局部化性质,提出由小波变换得到的多分辨率表示来进行纹理识别.通过对肝脏B超图象进行分类,结果表明,本文提出的方法具有分类精度高的特点.     

基于小波变换的工况区域识别

针对生产过程的特点 ,对过程工况区域识别问题进行了描述 ,在分析小波变换的基础上 ,研究了利用小波变换的多尺度分析特性 ,提取生产过程检测信号的多尺度定性变化特征 ,并分析和证明了提取的工况区域特征具有描述工况区域的稳定性和完备性。在此基础上 ,结合模式归纳分类算法 ,提出了一种基于小波变换的工况区域识别方法。应用实例研究 ,证实了所提方法的可行性和有效性     

基于小波变换及分形特征的目标检测与识别

提出在对图像进行小波变换的基础上提取图像的分形特征，即通过小波变换对图像进行频域上的分割，使得对图像的描述更丰富，对各频段上的细节图像分别求分形维数组成联合特征矢量，有利于迅速准确地将目标从复杂的自然背景中分离出来，实验结果表明，这种方法能够有效地区分人造物体和自然背景，但计算量较大。     

人像识别中的特征抽取

提出一种基于快速G小波变换图像压缩原理对人像图像进行特征抽取的方法。用此方法抽取的人像特征在前向神经网络的学习训练和识别中取得了较好的效果。     

基于小波变换的印刷体汉字字体识别研究

本文提出了一种用于识别印刷体汉字字体的方法。首先对汉字的字符图像进行小波分解,然后依据汉字的字型特点,在分解的各子图像上提取汉字基本笔画(横、竖、撇、捺)的能量比例特征。最后依据提取的字体特征进行分类识别,分类器采用MQDF分类器。在包含六种常用字体的样本集上进行了测试,结果表明本文提出的算法能够对单字符字体进行有效地识别。     

一种新的基于多小波变换的虹膜识别算法

提出一种基于多小波变换的新的虹膜识别算法. 利用CL多小波优良的数学性质, 虹膜纹理特征能够被准确完整地表达. 将分解后子带作为特征编码, 利用空间向量的方向夹角余弦作为匹配方法, 有效克服了缩放、 平移、 光照等影响, 达到了较好的识别效果.     

基于小波变换的模糊目标识别

针对图像处理问题中的模糊性问题,在不确定因素分类与影响分析的基础上实施去模糊处理,并与其他图像的降噪处理作比较.利用仿真实验系统地分析模型与算法的有效性;然后,利用小波变换对图像进行分解,提取小波系数和图像的能量特征,给出匹配与识别方法,通过实验与现有主要的目标识别方法作比较.结果表明,该识别法的识别精度高、速度快,比现有的目标识别方法的识别率平均提高了5.16%.     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术 ,以辨识不同目标回波之间的细微差异 ,并对连续波多普勒体制雷达的回波信号进行分析的方法 .采用本方法在雷达的一个距离波门内得到了地面目标的数量信息     

小波变换与FFT联合识别乐音

单一音符是规则的周期信号,利用FFT可以获得最佳频域分辨.但由于乐音的谐波成分非常丰富,直接实施FFT无法准确检测基音.笔者首次提出小波变换DWT和FFT结合的乐音音符识别方法,该方法充分利用了DWT的低通分解迅速、低频近似信号的平滑性好等优点,实现了乐音基音频率的精确识别,是乐音音符识别的一个很好的方法.     

应用连续小波变换提取机械故障的特征

针对机械信号的特征和小小变换的特点,论证了机械信号的连续小波可分解特性,提出了信号的时间－小波能量谱和尺度－小波能量谱的概念,同时,利用信号经连续Ｍｏｒｌｅｔ小波变换后在时间－尺度域内的不同能量分布特性,依据信号的尺度－小波能量谱分布特性,对螺杆泵减速器和滚动轴承这两类不同机械的信号进行了特征提取,结果表明,应用机械信号的尺度－小波能量谱进行特征提取,更好地利用了小波变换的恒Ｑ带通滤波器性质,可以     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于高斯小波滤波器的语音识别特征提取方法

把小波理论应用于抗噪语音识别特征提取,提出了基于高斯小波滤波器的语音识别特征提取方法,通过对人耳听觉特性的研究,按照人耳临界带宽设计了一组高斯小波带通滤波器。详细讨论了高斯小波滤波器的尺度参数选择方法。使用RBF识别网络,仿真实现了使用新特征与原特征的识别结果,证明了新特征具有较高的识别率和优良的抗噪性能。     

基于Symlets小波的虹膜特征提取

提出了基于双正交的虹膜特征提取方法。通过Symlets小波对归一化虹膜图像进行特征提取,运用k-近邻分类器实现匹配．研究结果表明,与基于db4小波的方法比较,该方法在识别率上有明显的改进．     

基于Gabor小波的特征提取技术应用

介绍人脸识别和小波技术,分析其工作原理,给出Gabor小波技术的基本特征和特征提取方法,提出了把Gabor小波技术应用于人脸识别技术中的实验步骤。     

基于小波和Beamlet变换的图像线特征提取

Beamlet变换是多尺度几何分析的有效工具之一。本文提出了一种基于小波变换和Beamlet的图像线特征提取算法,利用小波变换凸显图像的线特征,再通过Beamlet变换提取图像线特征,实验结果表明了该方法有效。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于小波包变换的说话人语音特征参数的提取

在说话人识别系统中,提出反映说话人个性的语音特征参量是系统的关键问题之一.在研究小波包变换的基础上,借鉴MFCC参数和其一阶差分参数的提取方法,用小波包变换代替傅立叶变换,提取新的特征参数DWPTMFCC.实验证明:这种方法具有较高的识别率.     

基于小波变换的说话人识别技术

说话人识别技术是通过判断待识别人语音与预先提取的说话人语音特征是否匹配来鉴别说话人身份的一种生物认证技术,环境噪声是说话人识别技术走向实用化的一个主要障碍.针对噪声环境中说话人识别性能较差的不足,结合小波变换的优点,提出了将小波变换技术与传统的特征参数提取方式相结合的方法.该方法首先对语音信号进行小波分解,在此基础上再对小波系数进行阈值处理,仅保留阈值以上的数据,而后提取相关性不大的传统特征参数进行组合,分别作为说话人识别系统的输入矢量.仿真结果表明:在噪声环境中,说话人识别系统能较好识别出说话人,经过小波变换后再提取特征参数的方法可以得到更高的识别率,大大提高说话人识别系统的识别性能.