基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

基于信号稀疏分解的水下回波分类

针对表面起伏不平的水下底质回波分类效果差的问题,提出一种新颖的基于信号稀疏分解理论的水下底质回波特征提取方法。本方法并不使用通用时频字典,而是针对回波分类这一中心任务直接采用回波训练样本集作为字典,将水下回波信号在该字典上进行稀疏分解,然后提取出回波信号的类别能量特征。对水下钴结壳等三类底质回波分类实验表明,基于信号稀疏分解的类别能量特征的fisher分布明显优于小波域模极大值边缘特征和奇异值特征,从而显著提高了水下回波的分类效果。研究结论:在回波特征提取阶段,采用回波样本作为信号表达字典是可行的,同时由回波样本字典引入的回波类别信息将有助于获取更优的回波特征。      

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。      

基于Hilbert-Huang变换的水声信号特征提取及分类技术

水下目标噪声信号是一种典型的非线性非平稳随机信号，Hilbert-Huang变换较传统方法在处理此类信号时具有很大优势，据此本文提出了一种基于Hilbert-Huang变换的水下目标噪声特征提取方法。本文将环境噪声当作一类目标，利用上述方法对涉及两种航行船舶、海洋生物和海洋环境噪声的四类目标信号的特征进行了详细分析，最后对各类目标噪声信号进行了分类识别实验。实验结果表明基于Hilbert-Huang变换提取的特征对各类目标具有较好的可分性，达到了较高的识别率。     

一种基于自适应高斯神经网络的船舶噪声分类方法

提出了一种用于船舶噪声目标分类的自适应高斯神经网络分类方法．首先利用傅里叶变换对三类船舶噪声进行预处理，然后利用高斯函数特性，将其和神经网络结合构成自适应高斯神经网络对目标信号谱进行有效识别特征自动提取和分类．该方法获得的特征空间与以AR建模和子带平均功率诸方法获得的特征空间相比，类别之间的可分性好，类间聚集性强。分类结果令人满意，证明了该方法的优越性．     

基于小波边缘提取的灰度图象联合相关识别预处理

本文将小波变换方法用于灰度图象的联合变换相关识别中,采用不同的尺度因子对输入图象进行边缘提取预处理,使相关识别结果得到不同程度的改善.通过计算机模拟对比了一阶、二阶微商的边缘提取方法和小波变换边缘提取方法的预处理结果和对识别的影响,在同时衡量相关识别能力及其对噪音的敏感性前提下,小波变换边缘提取预处理明显优于各种微商边缘提取方法.调节小波变换尺度因子还能使识别能力与噪音敏感性这两方面得到更好地均衡,使小波变换边缘提取预处理能够适应不同的图象输入条件和相关输出要求.结果表明,在联合变换相关识别中采用小波变换对输入图象进行预处理是一种更理想的方法。     

Walsh变换对鱼类特征识别的研究*

鱼种的快速识别是渔业资源评估乃至海洋生态系统监测重要组成部分。与传统的拖网捕捞等方法相比,声学方法具有快速有效、调查区域广、不损坏生物资源、可持续观察等优点。鱼类的声学识别方法主要是基于鱼类回波信号特征的识别, 鱼体形状及组成结构的复杂多样导致其回波信号非常复杂,因此利用简单的回波包络或能量特征识别鱼类效果往往不能令人满意。本文提出一种基于Walsh 变换的鱼类回波识别方法。试验获取鲫鱼、 嘎鱼、武昌鱼的回波信号,处理过程中分别提取三种鱼类回波包络信号的Walsh谱作为识别特征量,并利用BP神经网络分类器对其进行了分类。结果表明利用回波的Walsh谱可以成功识别不同形状的鱼类,其中对武昌鱼的识别正确率达90%以上。     

基于多通道Gabor滤波器的高鲁棒灰度图像目标识别新方法

提出了一种针对低质量的灰度图像的基于多通道Gabor小波滤波器的高鲁棒目标识别新方法。主要是利用Gabor小波设计了滤波器,滤波器的中心频率是一个从低到高的范围。滤波器采用不同方向、不同尺度,从而组成多通道滤波器。对灰度图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的灰度图像目标的特征,并对获得的小波特征归一化后输入到改进的BP神经网络分类器中进行分类识别。对四种不同的飞机灰度图像目标进行了分类识别仿真实验。结果表明,这种特征提取方法能有效地提取灰度图像目标纹理特征,并且对噪音和形状的变化具有强鲁棒性。在应用灰度图像对目标进行识别时,神经网络的训练时间减少到10min,识别率达到94%。     

基于平稳小波变换及奇异值分解的湖底回波分类

提出一种水下目标回波的特征提取方法。该方法根据平稳小波变换的冗余性和奇异值的稳健性,将湖底回波信号的平稳小波变换系数矩阵的奇异值作为特征向量。它本质上是利用平稳小波变换将信号分解到多个子空间,再采用K-L变换实现对子信号的特征压缩。实测数据分析表明,本文方法与子带能量特征法相比: (1)在相同的样本集和类内距条件下,得到的类间距大于后者, (2)不论所选测试样本和训练样本是否属于同次湖试所得,分类正确识别率均高于后者, (3)随样本集的变动,其正确识别率抖动程度远小于后者。因此,该方法能得到更加稳健、有效的特征以及更好的分类效果。     

基于多小波变换的红外目标探测与识别

针对光电联合变换相关器目标识别的实际应用,对待测红外目标图片进行多小波变换,并利用模极大值法提取其边缘.通过获取更多的轮廓信息,从而提高对目标的识别能力.计算机模拟了常用于红外目标处理的多小波GHM和SA4,实验结果表明:基于GHM多小波提取的边缘能获取大量的图像轮廓信息,其识别结果明显优于SA4多小波.将目标原图的光学相关探测结果与基于GHM多小波提取的边缘图像光学相关探测结果进行比较发现,经多小波预处理后的边缘图像能有效增强相关峰强度.     

基于多小波变换的红外目标探测与识别

针对光电联合变换相关器目标识别的实际应用,对待测红外目标图片进行多小波变换,并利用模极大值法提取其边缘.通过获取更多的轮廓信息,从而提高对目标的识别能力.计算机模拟了常用于红外目标处理的多小波GHM和SA4,实验结果表明:基于GHM多小波提取的边缘能获取大量的图像轮廓信息.其识别结果明显优于SA4多小波.将目标原图的光...     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

一种照明无关的小波多尺度相乘边缘检测方法

提出了一种照明无关的小波多尺度相乘边缘检测方法,用于从非均匀的弱照明图像中提取边缘。根据照明反射图像形成模板与CCD相机成像原理,推导出图像的对应小波变换公式。然后,对图像局部区域中噪声、边缘与背景像素的小波系数进行比较分析,设计了一种照明无关的小波边缘检测公式。为增强边缘并抑制噪声,提出了一种改善的小波多尺度相乘边缘检测方法,并依照小波变换后边缘像素的特征,提取单像素的边缘。采用仿真和真实的非均匀的弱照明图像对该边缘检测算法进行验证,并与另外两种边缘检测方法进行定性的和定量的比较。实验结果证实了这种边缘检测方法能够从灰度不均匀的低衬比度图像中正确有效地提取边缘。     

基于小波变换的航空红外图像目标检测的预处理

提出了一种基于高斯小波变换的航空红外图像的目标边缘自动提取的新方法。该方法利用小波变换良好的噪声抑制能力及完备的边缘保持能力 ,能够有效的对红外图像进行目标边缘提取、目标增强及噪声抑制等预处理工作。结果表明 ,该方法对红外航空图片的边缘提取能做到快捷、准确、有效     

基于调频信号子带相关性分析的回波特征提取方法

利用两种典型调频信号(LFM及HFM)的波形特点,本文提出了一种基于目标回波子带相关性的特征分析方法,并提取了回波统计特征。仿真与海上试验数据分析结果表明,该方法提取的回波统计特征对于识别水下人造金属目标与非目标具有较好的可分性。     

利用冲击声辨识声源材料的特征提取

声源辨识属于环境声识别的范畴,是模式识别的一个重要研究方向。冲击声携带了大量的声源物理信息,因此利用冲击声提取特征进行声源材料辨识是提高声目标识别分类性能的重要途径。对球-板撞击物理模型合成的冲击声连续统,提出使用基函数学习法提取目标特征,同时利用短时傅里叶变换和小波包变换进行特征提取,以此为基础完成被击平板的材料识别。研究结果表明,利用基函数学习法获得的特征,对于冲击声分类的效果明显优于短时傅里叶变换和小波包变换方法,说明利用该方法进行冲击声声源材料辨识的可行性和优势。      

激光主动探测中回波信号的小波去噪方法

在分析激光主动探测中回波信号的噪声特性和小波变换去噪原理的基础上，提出了一种基于最大信噪比准则的小渡阈值去噪方法。首先用最大信噪比准则对小波变换系数进行阈值选取，然后采用软阂值方法对小波系数进行量化处理后再重构。仿真结果表明最大信噪比准则小波去噪方法改善信噪比效果十分显著，检测下限达到-16．2dB。证明了该方法在激光主动探测系统回波信号检测中的有效性。     

脱粘界面超声检测信号的小波多分辨率分析与重构

针对钢－橡胶分层粘接结构的超声检测回波信号,利用小波变换的多分辨率时频特性提出了小波特征参数提取算法,据此在对检测信号进行的时间－尺度分布分析基础上,重构出脱粘界面回波信号的时域和频域特征。实验检测结果表明本文方法在现代工业ＮＤＴ＆Ｅ中的应用有着可喜的前景。     

基于小波包变换的复合材料超声波检测信号特征提取

本文以碳纤维复合材料常见缺陷分层、孔隙、疏松的超声波检测缺陷信号为研究对象，对超声波检测信号进行小波包变换，提取包含信号绝大部分能量的近似系数波形特征及细节系数的统计量作为样本的特征值。应用BP神经网络分类器进行分类识别验证，取得较好的识别效果。该方法能以较小的特征维数表征原始信号特点。     

利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。