一种两步HMT文本图像分割方法

引入一种新的文本图像分割方法：两步隐马尔科夫树模型（HMT）多尺度文本图像分割。该分割方法是在文献[1]1的基础上，先将背景分出，再将文本分为文字与图像两种类型，分别建立HMT模型，完成文本图像的分割。最后通过实例阐明了方法的有效性。     

一种新的Eno-haar小波算法

引入了一种新的Eno—haar(Essentially Non-Oscillatory-haar)小波变换算法，并通过仿真实验说明了其在信号以及图像处理应用中具有可行性和有效性，同时也使计算量大幅度的减少．     

一种基于小波变换图像压缩中的振荡消除算法

针对利用小波变换进行图像压缩时产生的振荡现象,给出了一种消除振荡的算法,即利用区域之间的相关性设计了一种最小方差平滑算法.首先通过实际数据和仿真实验说明此算法的有效性,然后利用相关性分析说明了该算法的可行性和优越性.     

信号序列经小波变换后的相关性分析

针对被处理的对象常常是相互独立的随机信号序列，而波小变换是相以相邻中权平均的结果，通过对信号序列经小波变换后的相关性作定性与定量的分析，得到小波变换后序列的相邻项之间是互不相关且自相关性减半的结果。     

基于小波域混合状态隐马尔科夫树模型的文本图像子带分割算法

针对文本图像提出了一种基于小波域混合状态HMT（Hidden Markov Tree）文本图像子带分割算法．该算法在充分考虑经二维小波变换后各子带之间相关性的同时，分别对背景、文字、图片三种纹理建立了不同状态的HMT模型，并且通过计算机仿真实验说明了陔算法的有效性。     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,提高了收敛速度;伯恩斯坦多项式随机产生算法的结构参数值控制了进化过程中的突变和交叉阶段,改变了差分进化算法原有的进化策略,提高了收敛性能,是一种更加快速、高效的无参数方法.通过国际标准测试函数的实验结果表明,改进后的差分进化算法具有更强的全局寻优能力,整体收敛速度和精度明显提高.