基于小波變換的交通圖像特征提取(編輯修改稿)
2024-07-20 05:50 本頁面
【文章內(nèi)容簡介】 有線性相位性，它主要應用在信號與圖像的重構中。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。：滲釤嗆儼勻諤鱉調(diào)硯錦鋇絨鈔陘鰍陸。其中，r表示重構（Reconstruction），d表示分解（Deposition）。（coifN）小波系Coiflet函數(shù)也是由Daubechies構造的一個小波函數(shù)，它具有coifN（）這一系列。Coiflet具有比更好的對稱性。從支撐長度的角度看，coifN具有和db3N及sym3N相同的支撐長度；從消失矩的數(shù)目來看，coifN具有和db2N及sym2N相同的消失矩數(shù)目。鐃誅臥瀉噦圣騁貺頂廡縫勵羆楓鱷燭。（symN）小波系Symlets函數(shù)系是由Daubechies提出的近似對稱的小波函數(shù)，它是對db函數(shù)的一種改進。Symlets函數(shù)系通常表示為symN（）的形式。擁締鳳襪備訊顎輪爛薔報贏無貽鰓閎。四、多分辨率分析多分辨(或多尺度)分析的基本思想，從數(shù)學的角度來理解[46]，針對函數(shù)，可以看作某一逐級逼近的極限。每級逼近都是用某一個低通濾波函數(shù)對作平滑的結果，當然逐級逼近的低通濾波函數(shù)也作逐漸伸縮，即用不同的分辨率或不同尺度來逐級逼近。贓熱俁閫歲匱閶鄴鎵騷鯛漢鼉匱鯔潰。更形象地來說，如果把尺度理解為照相機鏡頭的參數(shù)的話，當尺度由大到小變化時，相當于照相機的鏡頭由遠及近的接近對象。在大尺度空間里，能看到目標對象的大致概貌；在小尺度空間里，則可以觀測到對象的細微部分。隨著尺度由大到小的變化，在各尺度上可以由粗及細的觀察對象。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(zhì)，也是一個非?；镜男再|(zhì)[4]。壇摶鄉(xiāng)囂懺蔞鍥鈴氈淚躋馱釣繢鯨鎦。五、小波包分析1 小波包的定義短時傅里葉變換對信號的頻帶劃分是線性等間隔的。多分辨率分析可以對信號進行有效的時頻分解，但由于其尺度是按二進制變化的，所以在高頻頻段其頻率分辨率較差，而在低頻頻段其時間分辨率較差，即對信號的頻帶進行指數(shù)等間隔劃分(具有等Q結構)。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]。蠟變黲癟報倀鉉錨鈰贅籜葦繯頹鯛潔。在多分辨分析中，表明多分辨分析是按照不同的尺度因子把Hilbert空間分解為所有子空間的正交和的。其中，為小波函數(shù)的閉包（小波子空間）。現(xiàn)在，我們希望進一步對小波子空間按照二進制分式進行
范文總結相關推薦
鄂ICP備17016276號-1