基于内积能量的小波域自适应水印算法

针对目前很多小波域水印算法都没有考虑噪声对选择水印嵌入位置的干扰这一问题,提出一种基于内积能量的小波域自适应水印算法。该算法充分考虑人眼视觉系统掩蔽特性,利用梯度内积能量衡量的纹理特征和亮度对噪声的掩饰特性确定水印嵌入强度,将水印分量嵌入到低频系数中,解决了噪声对嵌入位置选择的影响。实验结果表明,该算法在保证水印透明性的同时,对于非几何攻击和几何攻击具有很强的鲁棒性。     

基于小波变换的车辆牌照定位研究

车辆牌照的准确定位是智能交通中车辆牌照识别技术的关键,提出一种基于小波变换的车牌质心定位方法,该方法可以很好地解决复杂背景与光照下的车牌定位.经过小波分析的车牌图像利用数学形态学进行车牌特征提取,对特征提取后的车牌图像采用连通区域质心的方法对车牌进行定位,最终得到车牌的准确区域.实验结果表明,该方法能够实现车牌的快速准确定位,是一种有效的车牌定位方法.     

基于哈达玛变换的多元时间序列聚类研究

对当前聚类算法进行研究的基础上,提出了有效地实现多元时间序列聚类的方法.用离散哈达玛变换对多元数据进行降维,求出多元变量相关系数矩阵的特征值作为权值.采用带权值的矩阵相似性度量方法,利用改进的K-means算法对多元时间序列进行聚类分析.实验结果表明,该方法能够有效地实现多元时间序列聚类,把具有相似趋势变化的多元时间序列对象划分到同一类中.     

基于经验模态分解和小波分析的靶船外弹道测量数据去噪方法

针对舰船外弹道测量数据误差性质复杂,表现为非平稳信号,难以用模型准确进行描述的问题,提出基于经验模态分解和小波去噪的靶船外弹道测量数据处理方法。首先对测量数据进行经验模态分解,得到测量数据不同频率的本征模函数,接着采用小波间值去噪原理对含有噪声的高频本征模函数去噪,最后将经过去噪的本征模函数与剩下的没有经过去噪的本征模函数和趋势项相加,重构去噪后的靶船测量数据。经实验数据分析,本方法在很大程度上克服了小波阈值降噪的缺陷,保留了高频分量中包含的有用信息,是分析非平稳、多频段的靶船外弹道测量的有效方法。     

彩色数字图像的脆弱数字水印

针对彩色数字图像局部区域内容保护和认证,研究了彩色数字图像的脆弱数字水印.为了保证水印的安全性,利用三维二值混沌序列对原始二值水印图像进行加密,对提取的加密二值水印图像进行解密.嵌入载体图像的水印和从嵌入水印的图像中提取的水印均是加密水印.将彩色数字图像中被保护区域的三个分量的小波变换域分别嵌入加密水印,以保护其内容的完整性和不可篡改性.采用模运算实现水印的嵌入和盲提取.理论分析和实验结果表明,该脆弱水印算法对彩色数字图像保护区域内的任何篡改,都能够正确地检测和定位.     

滑动DCT-LMS自适应算法研究与FPGA实现

研究一种改进的低复杂度复数滑动离散余弦变换(DCT)最小均方(LMS)自适应算法,并设计该算法的FPGA实现结构。在常规LMS算法的输入端前添加改进的滑动DCT,降低输入信号之间的关联性,提高自适应算法收敛速度。改进的滑动DCT算法针对硬件实现进行了优化,提高其在硬件实现中稳定性和精度。给出算法在FPGA实现框图、结果和Matlab仿真结果的对比,以及算法在FPGA中的资源使用。算法已经在实际工程中应用,效果远优于常规LMS自适应算法。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

双轴旋转惯导系统的转位方案优化技术研究

针对旋转惯导系统导航性能受陀螺漂移调制特性影响的问题,以双轴旋转惯导系统为对象,推导了双轴依次旋转方式的漂移调制特性;通过傅里叶级数变换,提取了调制后陀螺漂移的关键分量;通过惯导误差方程求解和分析不同转、停时间条件下的定位误差特性,确定了优化的双轴转位方案。计算机比对仿真表明:优化的转位方案能有效提高双轴旋转捷联惯导的导航定位性能。     

基于改进LP变换及自适应PCNN的多聚焦图像融合方法

提出一种抗噪声多聚焦图像融合方法.首先,采用改进拉普拉斯金字塔（LP）变换构造图像的塔形数据结构.每层数据经脉冲耦合神经网络（PCNN）迭代运算生成相应的点火次数矩阵;然后,以此为依据经判决算子完成数据融合;最后,采用伪逆重构算法生成融合图像.实验结果表明,所提出的方法具有抗加性噪声及JPEG压缩系统噪声的能力,融合图像的客观评价指标较高,且能有效减弱原LP算法融合图像边缘的＂Gibss＂伪影现象.     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.