【摘 要】
:
针对结构早期损伤超声非线性检测中损伤表征问题,发展了一种基于动态小波指纹的超声信号分析方法,从超声信号的动态小波指纹分布中提取出一种可用于结构早期损伤表征的超声非线性特征参数。研究了小波基函数及分析尺度对超声非线性效应提取效果的影响,优选出对结构早期损伤敏感的小波基函数以及尺度范围。将提出的动态小波指纹分析方法应用于二次谐波及混频非线性超声检测信号分析,结果表明,动态小波指纹分析方法可有效提取出检
论文部分内容阅读
针对结构早期损伤超声非线性检测中损伤表征问题,发展了一种基于动态小波指纹的超声信号分析方法,从超声信号的动态小波指纹分布中提取出一种可用于结构早期损伤表征的超声非线性特征参数。研究了小波基函数及分析尺度对超声非线性效应提取效果的影响,优选出对结构早期损伤敏感的小波基函数以及尺度范围。将提出的动态小波指纹分析方法应用于二次谐波及混频非线性超声检测信号分析,结果表明,动态小波指纹分析方法可有效提取出检测信号中的二次谐波及混频分量,基于小波指纹分布的非线性特征参数可用于板结构中微裂纹的定量表征.本文研究工
其他文献
针对传统方法边缘细化不准确、效率低的问题,提出混合像元分解下的二维激光图像亚像素边缘细化方法。首先通过非局部均值算法对二维激光图像进行去噪,提取二维激光图像亚像素边缘特征,然后对二维激光图像非极大值进行抑制,引入自适应加权平均融合法,最后结合反扩散思想法,实现对二维激光图像亚像素边缘的细化。结果表明,本文方法的细化结果相比传统细化方法在细化误差、信噪比方面均有一定的提高。
分块加权颜色直方图算法应用于服装检索时效果并不理想。针对存在的问题,对传统算法进行改进。首先采用3×3不均匀分块方式,通过大量实验获取了最佳分块大小和加权权重比。其次,结合Grabcut图像分割算法,提出了一种基于Grabcut图像分割的前景色分块加权颜色直方图算法。对纯色、带少量图案和花色这三类服装,分简单和复杂背景两种情况,分别进行实验。实验结果表明,相比两种传统算法,改进算法很好的解决了服装
传统激光扫描图像重建方法累积误差大、图像处理时间长,为此,提出了虚拟现实技术的3D激光扫描图像重建方法。使用摄像机提取3D激光扫描图像数据,通过刚性转换关系进行点云配准,借助非线性方法缩小配准误差,利用虚拟现实技术增强点云分布密集度,以合理描述图像背景、前景的权重比例,实现图像重建。实验结果表明,本文方法的帧跟踪能力强,重建图像分辨率高。
当前图像篡改检测方法多基于块效应、方法复杂,对于纹理丰富、色彩多变的篡改图像检测率较低、而且容易造成对图像篡改的误判。提出改进图像篡改检测方法。利用激光脉冲峰对图像进行阈值分割处理,然后提取待检测篡改图像的特征点,构建图像区域篡改模型,实现图像特征向量和阈值合理性分析和分解模式匹配,实现对篡改区域的判定和检测。实验结果表明,本文方法能够精确识别出邻近像素的特征差异点,有效提高图像篡改的检测率,降低
服装设计系统中服装模型特征数量增长迅猛,需要借助特殊方法提取出模型特征为设计者所用。三维激光扫描可从多方面分析服装特征,为此,提出了一种基于三维激光扫描的服装模型特征提取方法,介绍了三维激光扫描建模原理,构建出服装模型。为了避免模型中空值信息对方法性能的影响,对其中的局部特征点进行了归一化处理,并将局部特征点的平均曲率设置成极限值,构造备用特征点集合,利用曲率极值法提取重要特征点。将重要特征点汇集
过去常用的对运动角度规范性的判断方式为使用运动链位姿坐标进行变换的特征分解方式,该方法无法对运动中的静态特性与运动特性进行有效的区分,纠正的效果并不理想。本文提出的是在行为视觉下对运动角度的规范性进行智能判断的一种方法,该方法使用的是灰色关联分析的方式,在身体特征运动的状态下,对目前时间点的运动状态进行估计,完成对技术性运动的运动链位姿和技术特点的分析。使用Gamma校正法完成行为视觉下图像运动角
微笑作为一种典型的生物多样性特征信号,在社会交往中有较大影响力,它揭示了人的情感感受和内心状态。自发性的微笑与假笑由不同大脑系统发出,在形态学和动力学上均存在差异。区分这两种类型的微笑仍具有挑战性,因为其中细微差别很难被肉眼观察到,仍有待被识别捕捉。已有相关研究大多是提取自发性微笑的几何特征,而外观特征并没有被充分利用,导致纹理信息的丢失。本文提出一种基于特定区域纹理描述来表示不同面部区域的局部模
鲁棒目标跟踪近年来成为计算机视觉领域一项重要的且极具挑战性的研究方向。随着深度传感器的普及,深度信息因其对光照变化与遮挡表现出一定的鲁棒性而被广泛应用于视觉目标跟踪算法中。本文提出了一种基于RGBD和稀疏学习的跟踪算法,从三个方面将深度信息应用到稀疏学习跟踪框架。首先将深度图像特征结合现有的基于彩色图像的视觉特征用于目标外观的鲁棒特征描述。为了适应跟踪过程中的各种遮挡情况,我们设计了一种特殊的遮挡
对于复杂场景下的自然图像,全自动图像分割方法难以获得与真实情况吻合的结果,人们常常采用交互式分割手段实现精确分割。然而,当前及背景中存在颜色相似的区域时,传统半监督图像分割方法只能通过大量增加手工标记获得精确分割结果。为此,本文提出一种结合半监督学习的基于回归预测的集成学习交互式图像分割方法。通过集成两个互补的样条回归函数,将图像分割视为一个非线性预测问题。首先,基于已标记样本训练出两个在属性上互
为提高样品的重建精度及鲁棒性,提出一种可见光域上基于已知振幅信息约束的叠层成像方法。本方法仅需将待测样品周围的已知振幅图像作为先验参考信息,与样品共同叠层扫描,并代入迭代算法,即可获得优质的重建效果。通过模拟结果及搭建光学系统,对不同样品进行实验探究,证实了本方法的有效性。使用本方法,无需增加实验成本即可获取更优质的重建结果,并保持叠层成像技术的优势。本方法具有较强的抗噪声和抗孔径偏移能力,是一种