针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征...针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法.该方法采用Lagrange插值取代LCD中的线性插值,且均值曲线的插值点是由相邻的3个同类极值点构成的Lagrange插值多项式计算产生.引入了对称系数的概念,并给出了最优对称系数评价准则.研究了LILCD方法的原理及最优对称系数评价准则,通过仿真信号将LILCD方法与LCD方法进行了对比,结果表明LILCD在提高分量精确性和正交性方面具有一定的优越性.将LILCD方法应用于转子不对中故障的诊断,结果表明了方法的有效性.展开更多
针对二维局部均值分解(bidimensional local mean decomposition,BLMD)中影响算法速度的两个主要因素:自适应搜索窗口和迭代终止条件,提出了优化方法,并在其基础上提出了一种边缘检测算法。该算法采用Delaunay三角剖分得到局部极值点的...针对二维局部均值分解(bidimensional local mean decomposition,BLMD)中影响算法速度的两个主要因素:自适应搜索窗口和迭代终止条件,提出了优化方法,并在其基础上提出了一种边缘检测算法。该算法采用Delaunay三角剖分得到局部极值点的理想规则化的三角网格,通过网格划分确定相邻极值点及滑动平均窗口的大小,并提出了一种新的BLMD算法迭代收敛条件,通过对人工合成图像以及自然图像的实验,证实了该优化算法与原算法结果非常接近甚至更优,且大幅度提高了计算速度。对BLMD得到的最高频分量进行直方图均衡,将其结果二值化,通过设定阈值剔除其中不连续的细小边缘,通过形态学将其骨骼化,得到最终提取的边缘。与几种典型边缘检测算子的比较实验表明,新算法可以较好地检测出图像边缘,相对于其他边缘检测算子,对于图像中的纹理等细节边缘有着更佳的检测效果;并且得益于BLMD图像多尺度分析的优势,较好地避免了因光照明暗等低频因素产生的假边缘,提取出的边缘更符合视觉上的主观检测。展开更多
文摘针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法.该方法采用Lagrange插值取代LCD中的线性插值,且均值曲线的插值点是由相邻的3个同类极值点构成的Lagrange插值多项式计算产生.引入了对称系数的概念,并给出了最优对称系数评价准则.研究了LILCD方法的原理及最优对称系数评价准则,通过仿真信号将LILCD方法与LCD方法进行了对比,结果表明LILCD在提高分量精确性和正交性方面具有一定的优越性.将LILCD方法应用于转子不对中故障的诊断,结果表明了方法的有效性.
文摘针对二维局部均值分解(bidimensional local mean decomposition,BLMD)中影响算法速度的两个主要因素:自适应搜索窗口和迭代终止条件,提出了优化方法,并在其基础上提出了一种边缘检测算法。该算法采用Delaunay三角剖分得到局部极值点的理想规则化的三角网格,通过网格划分确定相邻极值点及滑动平均窗口的大小,并提出了一种新的BLMD算法迭代收敛条件,通过对人工合成图像以及自然图像的实验,证实了该优化算法与原算法结果非常接近甚至更优,且大幅度提高了计算速度。对BLMD得到的最高频分量进行直方图均衡,将其结果二值化,通过设定阈值剔除其中不连续的细小边缘,通过形态学将其骨骼化,得到最终提取的边缘。与几种典型边缘检测算子的比较实验表明,新算法可以较好地检测出图像边缘,相对于其他边缘检测算子,对于图像中的纹理等细节边缘有着更佳的检测效果;并且得益于BLMD图像多尺度分析的优势,较好地避免了因光照明暗等低频因素产生的假边缘,提取出的边缘更符合视觉上的主观检测。
