基于形态学与不完全树形小波分解的图像纹理特征提取算法

针对不完全小波树形结构分解提取纹理特征仅对清晰度高的图像效果佳,运算速度慢的问题,提出基于形态学预处理的不完全小波树形分解快速提取图像纹理特征的算法。首先采用形态学高帽—低帽变换对图像进行预处理,去除图像噪声,增强对比度;在提取纹理特征时,采用一致性判别;对于一致性强的图像,只利用图像的一部分进行不完全小波树形结构分解提取出能量、方向性等纹理特征,提高了运算速度;最后使用双概率神经网络(DPNN)的方法自适应地对纹理图像进行识别。利用Brodatz纹理库进行了仿真实验,并将该算法应用到了现场拍摄的海水中藻类细胞图像的识别。实验结果表明,该算法特征提取和识别速度快,尤其对于清晰度不高、现场拍摄的纹理图像具有较好的效果。     

基于改进概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于改进概率神经网络（MPNN）的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用改进的概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：采用基于改进概率神经网络的纹理图像识别方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于差异演化概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于差异演化概率神经网络的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用差异演化概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：该方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于径向基概率神经网络的植物叶片自动识别方法

提出一种将Gabor小波和神经网络相结合应用于植物叶片自动识别的方法.该方法对活体植物图像进行多尺度Gabor纹理特征提取,再使用一种径向基概率神经网络模型进行分类识别.实验结果验证该方法的有效性.     

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

结合小波变换和Log-Gabor滤波的虹膜识别方法

提出了一种将小波变换和Log-Gabor滤波结合起来进行虹膜识别的方法:小波分解后的低频子带包含了虹膜图像的主要信息,而Log-Gabor滤波能有效提取图像的纹理信息.将归一化的虹膜图像进行两层小波分解,再取其低频子带进行Log-Gabor滤波并量化生成虹膜模板,采用汉明距进行快速分类.实验结果验证了本算法具有很好的识别率和等错率.     

方向性纹理织物疵点检测方法研究

通过分析方向性织物纹理的特点,提出了一种织物疵点检测新的方法。首先根据正常纹理Hough变换确定织物纹理的纹路方向;然后采用方向性小波对织物纹理图像进行方向性的分解,并在此基础上从分解后的各细节子图中提取子窗口的特征;最后通过BP神经网络进行织物疵点识别。实验结果表明了该方法的有效性。     

一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法

针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明：该算法平均鉴别准确率均达90%以上。     

EMD-SVM在纹理图像识别中的应用

为了提高纹理图像识别的准确率,提出了一种经验模式分解和支持向量机（EMD-SVM）在纹理图像识别中的应用。首先采用经验模式分解对原始信号进行分解,得到一组固有模式函数;然后采用固有模式函数和残差之和构建特征子集,并用支持向量机对不同的特征进行纹理分类识别;最后对不同的自然纹理图像进行实验,并将结果与小波变换和支持向量机的纹理图像识别做了比较。实验结果表明, EMD-SVM的纹理图像识别率和识别精度高于小波变换和支持向量机的纹理图像识别。     

A self-adaptive data analysis for fault diagnosis of an automotive air-conditioner blower

This paper presents a fault diagnosis system for an automotive air-conditioner blower based on a noise emission signal using a self-adaptive data analysis technique. The proposed diagnosis system consists of feature extraction using the empirical mode decomposition (EMD) method and fault classification using the artificial neural network technique. The EMD method has been developed quite recently to adaptively decompose the non-stationary and non-linear signals. It sifts the complex signal of time series without losing its original properties and then obtains some useful intrinsic mode function (IMF) components. Calculating the energy of each component can reduce the computation dimensions and enhance classification performance. These energy features of various fault conditions are used as inputs to train the artificial neural network. In the fault classification, the probabilistic neural network (PNN) is used to verify the performance of the proposed system and compare with the traditional technique, back-propagation neural network (BPNN). The experimental results indicated the proposed technique performed well for quickly and accurately estimating fault conditions.     

基于双概率神经网络的纹理图像识别

为提高纹理识别速度,在文献1纹理图像识别正确率较高的基础上,提出一种基于双概率神经网络（DPNN）的纹理图像识别方法。首先构造两个概率神经网络A和B,如果纹理特征明显,以较少的纹理特征能量特征作为网络A的输入参数即可识别,否则再加入统计特征和能量特征一起作为概率神经网络B的输入参数以达到较高的识别率。实验结果表明：采用双概率神经网络的纹理图像识别较文献1有更快的识别速度。     

A new short-term load forecasting method of power system based on EEMD and SS-PSO

Aiming to the disadvantages of short-term load forecasting with empirical mode decomposition (EMD) such as mode mixing and many high-frequency random components, a new short-term load forecasting model based on ensemble empirical mode decomposition (EEMD) and sub-section particle swarm optimization (SS-PSO) is proposed in this paper. Firstly, the load sequence is decomposed into a limited number of intrinsic mode function (IMF) components and one remainder by EEMD, which can avoid the mode mixing problem of traditional EMD. Then, through calculating and observing the spectrum of decomposed series, some low-frequency IMFs are extracted and reconstructed. Other IMFs can be forecasted with appropriate forecasting models. Since IMF1 is main random component of the load sequence, the linear combination model is adopted to forecast IMF1. Because the weights of the linear combination model are very important to obtain high forecasting accuracy, SS-PSO is proposed and used to optimize the linear combination weights. In addition, the factors such as temperature and weekday are taken into consideration for short-term load forecasting. Simulation results show that accuracy of the load forecasting model proposed in the paper is higher than that of BP neural network, RBF neural network, support vector machine, EMD and their combinations.     

结合纹理复杂度与 BEMD 的灰度水印图像算法

本文提出并实现了一种结合纹理复杂度和二维经验模态分解(BEMD)的灰度水印图像算法。该算法首先对 Arnold 变换的水印图像进行 BEMD 分解,得到不同尺度的内蕴模态函数及余量信息。其次,对宿主图像分块进行纹理复杂度的计算,选择纹理复杂度高的区域作为嵌入位置;为了使水印图像的内蕴模态函数能与宿主图像更好地融合,对宿主图像进行了与水印图像相同筛分条件的 BEMD 分解。最后,将水印信息重复地嵌入到宿主图像预先选好的位置中,再对嵌入水印信息后的内蕴模态函数及余量重建得到嵌入水印后的图像。水印提取则为水印嵌入的逆过程。通过对不同纹理程度的宿主图像进行实验,得到嵌入水印后图像的峰值信噪比均在 40 dB 以上,面对 8 种常见攻击时提取水印的 NC 值均在 0.95 以上。与现有算法进行对比,该算法在大比例剪切、噪声攻击、图像滤波和 JPEG 压缩攻击上表现出色,且结果整体优于对比算法。     

Image denoising based on improved bidimensional empirical mode decomposition thresholding technology

In this paper, a novel image denoising methodology based on improved bidimensional empirical mode decomposition and soft interval thresholding technique is proposed. First, a noise compressed image is constructed. Then, the noise compressed image is decomposed by means of bidimensional empirical mode decomposition (BEMD) into a series of intrinsic mode functions (IMFs), which are separated into signal-dominant IMFs and noise-dominant IMFs using a similarity measure based on ?2-norm and a probability density function, and a soft interval thresholding technique is used adaptively to remove the noise inherent in noise-dominant IMFs. Finally, a denoised image is reconstructed by combining the signal-dominant IMFs and the denoised noise-dominant IMFs. The performance of the proposed denoising method is evaluated by using multiple images with different types of noise, and results from the proposed method are compared with those of other conventional methods in various noisy environments. Simulation results demonstrate that the proposed denoising method outperforms other denoising methods in terms of peak signal-to-noise ratio, mean square error and energy of the first IMF.

     

二维EMD的指纹边缘检测算法

针对干扰情况下指纹图像边缘提取准确性较差的问题,基于指纹特殊的纹理特征,设计了一种基于二维经验模式分解（ BEMD）的指纹边缘检测算法。首先通过BEMD将指纹图像分解成具有不同特征尺度的、从高频到低频分布的固有模态函数（ IMF）分量和一个残余分量,鉴于高频分量既能有效抑制非对称扰动干扰,又能较好地保留指纹图像的细节特征,接下来取高频IMF分量作为处理对象,通过对获得的IMF分量进行二值化、细化处理,得到指纹边缘检测结果。与传统的边缘检测算法相比,获得的指纹纹线清晰度得到了有效改善,较好保留了指纹的细节特征。     

基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法

针对旋转机械故障辨识准确率偏低的问题,将经验模态分解（ensemble empirical mode decomposition,EEMD）与能量矩、邻域粗糙集（neighborhood rough set,NRS）结合提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数（intrinsic mode function,IMF）分量并计算其能量矩;以此能量矩作为描述故障状态的条件属性建立故障识别决策表;然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性;最后将约简后的敏感特征子集输入所设计的决策树（decision tree,DT）C4.5 算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。     

基于BEMD与NMF的多源遥感图像融合

传统二维经验模式分解图像融合方法以像素点能量最大原则作为融合依据,而不分析图像的特征信息,特征信息得不到最大保留。为此,提出基于二维经验模式分解与非负矩阵分解的图像融合方法。通过二维经验模式分解得到图像的内蕴模式函数和剩余量,并对内蕴模式函数进行非负矩阵分解,提取真实内蕴模式函数作为图像融合后的内蕴模式函数,利用反向重构得到融合图像。实验结果表明,该方法在图像清晰度与对比度方面均优于二维经验模式分解与非负矩阵分解方法。