基于小波變換的交通圖像特征提取-預覽頁
【正文】 鹵廡詒爾膚億鰾簡。假定有一放大倍數(shù)，它對應觀察到信號的某部分內容。三、常用小波函數(shù)與標準傅立葉變換相比，小波分析中所用到的小波函數(shù)具有不唯一性，即小波函數(shù)具有多樣性，用不同的小波基分析同一個問題會產生不同的結果。它的定義為：鵝婭盡損鵪慘歷蘢鴛賴縈詰聾諦鰭皚。（1）假設，其中，為二項式的系數(shù)，則有其中 （2）小波函數(shù)和尺度函數(shù)的有效支撐長度為，小波函數(shù)的消失矩階數(shù)為。Daubechies小波函數(shù)提供了比Haar函數(shù)更有效的分析和綜合。通常的方法是采用一個函數(shù)進行分解，用另外一個小波函數(shù)進行重構。Coiflet具有比更好的對稱性。Symlets函數(shù)系通常表示為symN（）的形式。贓熱俁閫歲匱閶鄴鎵騷鯛漢鼉匱鯔潰。多分辨率分析MRA (MultiResolution Analysis)是小波分析的一個非常優(yōu)良的性質，也是一個非?；镜男再|[4]。小波包分析(wavelet Packet Analysis)能夠為信號提供一種更加精細的分析方法，它將頻帶進行多層次劃分，對多分辨分析沒有細分的高頻部分進一步分解，并能夠根據(jù)被分析信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高了時－頻分辨率，因此小波包具有更廣泛的應用價值[5]?，F(xiàn)在，我們希望進一步對小波子空間按照二進制分式進行頻率的細分，以達到提高頻率分辨率的目的。2 小波包的性質 設非負整數(shù)n的二進制表示為則小波包的傅里葉變換由下式給出：式中 設是正交尺度函數(shù)的正交小波包，則即構成的規(guī)范正交基。綾鏑鯛駕櫬鶘蹤韋轔糴飆鈧麥蹣鯢殘。從上式可以看出，可以通過把支撐區(qū)間分別在[0，1/2]和[1/2,1]內的兩個1/2尺度的加起來獲得函數(shù)。由前面章節(jié)的介紹可知，不同人臉的圖像紋理不同，這在頻帶上可以清楚地反映出來。特征量的提取主要分為以下步驟：貓蠆驢繪燈鮒誅髏貺廡獻鵬縮職鯡樣。具體地預處理過程己方法在前面的章節(jié)進行了詳細的介紹，見第二章，這里就不再贅述。但是，隨著分解級數(shù)的增加，得到的分解子圖的個數(shù)也會成指數(shù)增長，這就使得進一步特征提取以及分類計算的復雜度大大的增加。圖小波包二層分解樹結構在圖35中，表示第層的第個結點，其中，；，每個結點都代表一定的信號特征。提取各頻帶范圍的信號，以表示的重構信號，表示的重構信號，其它依此類推。由于輸入的圖像信號是隨機的，其輸出也是隨機的。識饒鎂錕縊灩筧嚌儼淒儂減攙蘇鯊運。參考文獻：[1] 劉卓夫，桑恩方. 基于紋理的聲納圖像識別[J].計算機工程，2008,第30卷，第14期：113115恥諤銪滅縈歡煬鞏鶩錦聰櫻鄶燈鰷軫
范文總結相關推薦
鄂ICP備17016276號-1