基于小波变换和支持向量机的图像分类

提出了一种基于小波变换和支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用支持向量机进行图像分类,并与基于图像底层特征的分类方法进行了实验比较.实验结果表明该方法具有较好的分类性能.     

一种基于小波变换和人类视觉系统的自适应水印算法

提出了一种以灰度图像为水印并用随机序列置乱水印的基于WT域的新的自适应水印算法.首先,将小波变换后的图像的小波系数组成小波子图块,然后根据人类视觉系统(HVS)特性,多参数对小波子图块进行分类.根据分类结果,结合小波变换特征,将不同强度的水印嵌入到不同的小波子图块中.实验结果表明,所提出的算法具有较好的鲁棒性.     

基于小波变换的图像自适应水印算法

根据人类视觉系统(HVS)特性和小波变换特性,提出了一种新的自适应水印算法.这种新的自适应水印算法可将小波变换后的图像的小波系数组成小波子块.根据人类视觉系统(HVS)特性,采用多参数对小波子块进行分类.根据分类结果并结合小波变换特性,将不同强度的水印幻方置乱后嵌入到不同的小波子块中.实验结果表明,该算法具有较好的鲁棒性和不可感知性.     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

电力电子装置周期性故障波形小波矩阵分类法

提出一种基于平稳小波变换和奇异值分解的电力电子装置周期性故障波形的分类方法.该方法利用平稳小波变换的冗余性和奇异值的稳健性.其步骤为:对周期性故障波形进行平稳小波变换,将信号分解到多个小波子空间;将平稳小波变换后的小波系数矩阵奇异值进行分解,即采用K-L变换对子信号进行特征压缩,并以奇异值向量作为特征向量;按照向量的空间距离对故障波形进行分类实现故障的分类诊断.以精确的半导体器件模型建立的PSPICE逆变器故障波形为例,分别用该方法和小波子带能量法对逆变器的IGBT开关故障进行分类.研究结果表明,与采用小波子带能量法相比,采用所提方法能够精确地对22种逆变器断路故障进行诊断,且受小波分解层数的影响较小,分类边界较清晰,其类间距与类内距之比是小波子带能量法的2.5倍,抗噪性能好,正确识别率高5%.     

改进的Gabor变换图像纹理特征提取方法应用研究

提出一种具有近似旋转不变性的改进Gabor小波变换纹理特征提取方法,由小波变换系数模的均值和标准方差组成特征向量表示图像内容,利用10幅Brodatz纹理图像经过旋转、分割组成的图像数据库进行了检索测试,并与传统Gabor变换和二元树复小波变换特征提取方法的分类结果进行了比较分析,实验表明本文方法有效地提高了图像检索精度.     

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.     

一种基于分块小波的人脸识别算法

提出一种基于分块小波的人脸识别新算法.在充分考虑提取局部特征,又克服小样本问题的基础上,提出分块小波的概念.首先,对小波分解后的低频子图进行分块,提取局部特征,从而降低图像维数并除去冗余噪声;将其先后进行PCA和LDA变换,得到组合特征向量;最后,根据KNN的快速分类能力及SVM在少数类别分类上的优势,提出KNN+SVM融合分类器对组合特征向量进行分类识别.研究结果表明:该方法识别率高,识别速度快,具有一定的实用价值.     

基于小波变换和RBF神经网络的交通标志识别

提出一种基于小波变换特征提取及采用两级神经网络分类器的交通标志识别方法.使用小波变换对图像进行处理,消除图像像素间的相关性,提取图像的整体特征作为神经网络分类器的输入向量.因交通标志类型较多,采用两级神经网络结构进行识别,图像特征先送入第一级分类器得到图像的粗分类型,再送入相应的二级子分类器进行细分.实验结果表明,这种方法具有良好的效果.     

基于小波方差的运动想象脑电信号特征提取

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.     

基于小波变换的调制自动识别新方法研究

在小波分析的理论基础上,提出使用高斯(Gaussian)小波进行连续小波变换,进而提取信号的小波变换后的幅度,获取其瞬时特征,达到识别MPSK(M-ary Phase Shift Keying)与MFSK(Multi-Frequency Shift Keying)信号的目的,从而在不需要先验知识的情况下识别接收信号的调制方式的目的.验证该方法较现有文献利用Haar小波变换识别信号方法具有更好的性能,而且克服了现有文献采用Haar小波变换识别调制信号的漏检问题,提高了运算速度和性能,并有效增加了小波变换识别调制信号方法的适用性.通过理论分析和计算机仿真证实了新方法的有效性和优越性.     

微弱信号检测的一种改进小波分析方法

针对小波变换去噪时对微弱信号不敏感,特别是在信号分类检测时检测效果不理想的问题,提出了采用小波熵应用于信号检测的技术.该技术的主要原理是利用小波分析矩阵相应稀疏程度去抑制信号的无关成份,其中小波系数熵确定噪声阈值,小波相关系数熵确定边界轮廓,实现信号准确定位.最后通过数值试验证明其效果好于常规小波变换模极大值的信号检测法,证明了该方法检测微弱信号边缘特性更切实有效.     

一种有效的不变性角点检测方法

在图像形态分类与识别系统中，不变性角点检测是很重要的预处理环节，为有效检测角点，并对之精确定位，本文着重介绍一种基于小波变换的不变性角点检测方法。该方法先对轮廓上各点的切向方向进行小波变换，然后提取出变换幅度的局域最大值点作为待定角点。接着，根据待定角点类型建立相对应的模型，并根据模型对待定角点的直伪进行评判，实验表明，上述方法既能正确检测到角点，又能大大提高计算效率。     

基于不完全树结构小波变换及FKCN 的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取，提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法，它由(1)特征提取：使用不完全树结构小没变换抽取纹理特征；(2)基于模糊Kohonen聚类网络的特征粗分类：使用缩减的特征向量对网络进行训练，得到粗分割结果；(3)粗分割结果的细化等几部分构成。实验结果证明了本方法的有效性。     

基于小波变换和SVM的文本区域定位

提出了一种基于小波变换和支持向量机(SVM)在数字图像中定位文本的方法.对图像进行小波变换,并在低频概貌和高频能量空间应用SVM提取文本的纹理特征,由SVM来决定当前的像素是文本类还是非文本类.因为SVM的分类结果可能存在噪声或错误,用形态学去噪和计算纹理能量的方法对SVM的分类结果进行后处理.小波变换和SVM的结合,不仅降低了输入空间样本的数量,而且利用了SVM适合于高维空间工作的特点,提高了文本提取的效率.实验结果表明,提出的方法可以快速有效地定位数字图像中的文本区域.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

近似小波变换的一种空中多目标分选方法

通过对由空中多目标间距引起的目标间多普勒频率的差异分析，基于Morlet小波变换，提出了一种空中多目标分选识别的新方法——小波变换谱分析法。此方法选用不同中心频率的Morlet小波，对信号进行小波变换，求取信号的功率谱，获得雷达目标的一维距离像，从而分选识别目标。     

电磁场数值计算中的多分辨率分析

该文对电磁场数值计算中的多分辨率方法进行了系统的讨论，从基函数的多分辨率性以及基函数之间不同的转换方式出发，对不同的方法进行了分类，揭示了各种方法的实质以及它们之间的联系，也为发展新的方法提供了线索，该文还对用小波变换求解算子方程的２种不同方法进行比较，并给出了构成各种不同方法的框图，从中也提出了新的研究课题。     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.