科技论文写作大作业小波变换图像去噪综述 院系： 班级： 学号： 姓名：
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词：小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时，不仅能采集或接收到与所研究的问题相关的有效信号，同时也会观测到各种类型的噪声。在实际应用中，为降低噪声的影响，不仅应研究信号采集的方式方法及仪器的选择，更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器，滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号，这些信号可以近似的认为是一个高斯过程，同时由于信号的平稳性假设，傅立叶交换是一个很好的信号分析工具。但也有其不足之处，给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破，它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法，它具有这样的特性；在低频段具有较高的频率分辨率及较低的时间分辨率，在高频段具有较高的时间分辨率及较低的频率分辨率，实现了时频窗口的自适应变化，具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪，它能在去噪的同时而不损坏信号的突变部分。在过去的十多年，小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理，概括目前的小波图像去噪的主要方法，最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化，即:
小波分析在信号去噪中的应用 摘要：利用小波方法去噪，是小波分析应用于实际的重要方面。小波去噪的关键是如何选择阈值和如何利用阈值来处理小波系数，通过对几种去噪方法不同阀值的选取比对分析和基于MATLAB 信号去噪的仿真试验，比较各种阀值选取队去噪效果的影响。 关键词：小波去噪；阀值；MATLAB 工具 1、 小波去噪模型的建立 如果一个信号被噪声污染后为，那么基本的噪声模型就可以表示为()f n ()s n ()()() s n f n e n σ=+式中：为噪声；为噪声强度。最简单的情况下为高斯白噪声，且=1。()e n σ()e n σ小波变换就是要抑制以恢复，从而达到去除噪声的目的。从统计学的()e n ()f n 观点看，这个模型是一个随时间推移的回归模型，也可以看作是在正交基上对函数无参估计。小波去噪通常通过以下3个步骤予以实现： ()f n a)小波分解； b)设定各层细节的阈值，对得到的小波系数进行阈值处理； c)小波逆变换重构信号。 小波去噪的结果取决于以下2点： a)去噪后的信号应该和原信号有同等的光滑性； b)信号经处理后与原信号的均方根误差越小，信噪比越大，效果越好。 如何选择阈值和如何利用阈值来量化小波系数，将直接影响到小波去噪结果。 2、小波系数的阈值处理 2．1由原始信号确定阈值 小波变换中，对各层系数降噪所需的阈值一般是根据原信号的信噪比来决定的。在模型里用这个量来表示，可以使用MATLAB 中的wnoisest 函数计算得到σσ值，得到信号的噪声强度后，根据下式来确定各层的阈值。 thr =式中n 为信号的长度。 2．2基于样本估计的阈值选取 1)无偏似然估计(rigrsure)：是一种基于Stein 无偏似然估计原理的自适应阈值选择。对于给定的阈值T ，得到它的似然估计，再将似然T 最小化，就得到了所选的阈值，这是一种软件阈值估计。 2)阈值原则(sqtwlolg)：固定阈值T 的计算公式为。 3)启发式阈值原则(heursure)：是无偏似然估计和固定阈值估计原则的折
摘要 小波变换归属于数学领域的调和函数的范畴，是调和分析几十年来的一个突破性进展，并且在很多科技领域内得到了广泛应用。本文旨在探讨小波变换理论，并结合专业中的地震信号去噪展开研究。 论文以小波变换为核心，首先介绍了论文研究的目的、意义及主要研究内容，由此引出了小波变换理论，并对其原理做了详细阐述。这不仅包括连续小波，离散小波，多分辨率分析方法还包括与传统傅氏变换等的对比，从而在理论上明确其性能特点的优越性。本文选定了小波阈值去噪方法。由此结合给定的信号应用matlab 进行处理，并通过对比处理结果为本文后面的处理工作选定合适的参数。从所做例子来看，小波阈值处理达到了很好的去噪效果。论文应用matlab 模拟微地震信号，结合小波阈值去噪方法对微地震信号进行了处理。在文中给出了信号的原始模拟信号，加噪信号及处理后的效果图，从图中可以看出，小波阈值去噪完成了模拟微地震信号的去噪处理。另外，对实际的微地震资料进行了试处理，达到了去噪的目的。 关键词：小波变换；去噪；微地震；分解；重构
ABSTRACT The wavelet transform attributables to the mathematical field of harmonic function areas, it’s a breakthrough progress, and in many areas of science and technology has been widely used. This study aims to explore wavelet transform theory, and the combination of professional study of seismic signal de-noising. Papers to wavelet transform at the core, first of all, on paper the purpose of thestudy, the significance and major research content, which leads to the wavelettransform theory, and its principles expounded in detail.This includes not only thecontinuous wavelet, wavelet, multire solution analysis methods include traditional Fourier transform contrast, in theory, clear the superiority of its performance characteristics. The paper selected through comparative study of wavelet de-noising threshold method.This combination of a given signal processing applications matlab,and by comparing the results of this paper to the back of the appropriate handling of the selected parameters. From doing example, wavelet thresholding to deal with a very good de-noising effect. Papers matlab simulated micro-seismic signal applications, wavelet de-noising threshold with this method micro-seismic signal processing. In this paper the original analog signal, the signal plus noise and the effects of treatment plans, as can be seen from Fig, wavelet de-noising threshold completed micro-seismic signal de-noising analog processing. Key words: wavelet；de-noising；micro-seismic；decompose；compose
I.J. Engineering and Manufacturing 2011, 5, 46-51 Published Online October 2011 in MECS (https://www.doczj.com/doc/3417270167.html,) DOI: 10.5815/ijem.2011.05.06 Available online at https://www.doczj.com/doc/3417270167.html,/ijem Neural Spike Feature Extraction of Globus Pallidus Based on Wavelet Package Decomposition Yan HE a, Jue WANG a, Guangjun ZHANG a, Guodong GAO b,* a The Key Laboratory of Biomedical Information Engineering of Ministry of Education, and Institute of Biomedical Engineering, School of Life Science and Technology, Xi’an Jiaotong University, Xi’an 710049, China b Department of Neurosurgery, Tangdu Hospital, Xi'an 710049, China Abstract In this study, features of neural signal recordings with microelectrode injected into the internal globus pallidus of non-human primates before and after 1-methyl-4-phenyl-1, 2, 3, 6-tetrahydropyridine (MPTP) treatment which induces Parkinson’s d isease (PD) were investigated. Neural oscillations were analyzed using the measure of wavelet spectrum and singular value extraction. Differences in the time-frequency analysis were observed between groups. Results showed that the PD states had significantly higher amplitudes of spectrum. Singular values extracted from wavelet coefficients after wavelet package decomposition were used to differentiate pathological changes from normal states, and the singular values of the reconstructed wavelet coefficients of the PD states were statistically smaller than controls. We speculate that the irregular high frequency oscillations and reduced singular values observed in the pathological firings are consistent with the previous view that a loss of information transmission in the neural circuitry underlies PD and these measurements could be of diagnostic and monitoring values of the disease state. Index Terms: Parkinson’s Disease; Neuronal Oscillation; Wavelet Packet Decomposition; Singular Value ? 2011 Published by MECS Publisher. Selection and/or peer review under responsibility of the Research Association of Modern Education and Computer Science. 1.Introduction The pathophysiology of the PD disease is related with the loss of pigmented dopaminergic neurons which leads to alterations in the activity of the neural circuits within the basal ganglia that regulate movement [1-2]. The role of dopamine within the basal ganglia appears to be complex [3] while PD is an age-related neurological disorder viewed as a dysfunction of information processing or disruption of the dynamics of neural information processing in the neural circuits in the basal ganglia. The information processing in the Parkinsonism basal ganglia involves not only activities of individual rhythms, but also interactions between rhythms. * Corresponding author: E-mail address: taohuacun@https://www.doczj.com/doc/3417270167.html,
语音信号特征参数提取方法 阮雄飞微电子学与固体电子学 摘要：在语音技术的发展过程中使用了大量的语音信号特征参数, 好的语音信号特征参数能对语音识别起至关重要的作用。本文对语音信号特征参数提取方法以及国内外研究现状进行了介绍,最后介绍了Hilbert-Huang 这一新兴理论成果以及在特征提取中的应用。 关键词：语音技术特征提取HHT 1 引言 语音信号是一种短时平稳信号，即时变的，十分复杂，携带很多有用的信息，这些信息包括语义、个人特征等，其特征参数的准确性和唯一性将直接影响语音识别率的高低，并且这也是语音识别的基础[1]。特征参数应该能够比较准确地表达语音信号的特征具有一定的唯一性。 上世纪40年代，potter等人提出了“visiblespeech”的概念，指出语谱图对语音信号有很强的描述能力，并且试着用语谱信息进行语音识别，这就形成了最早的语音特征，直到现在仍有很多的人用语谱特征来进行语音识别[2]。后来，人们发现利用语音信号的时域特征可以从语音波形中提取某些反映语音特性的参数，比如：幅度、短时帧平均能量、短时帧过零率、短时自相关系数、平均幅度差函数等。这些参数不但能减小模板数目运算量及存储量而且还可以滤除语音信号中无用的冗余信息。语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20-30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大[3]。随着语音识别技术的不断发展时域特征参数的种种不足逐渐暴露出来，如这些特征参数缺乏较好稳定性且区分能力不好。于是频域参数开始作为语音信号的特征比如频谱共振峰等。经典的特征提取方法主要有LPCC（线性预测倒谱系数）、MFCC（美尔频率倒谱系数）、HMM（隐马尔科夫模型）、DTW（动态时间规整）等。 2 语音信号特征参数提取方法
基于小波分析的信号去噪技术 [摘要] 介绍了小波变换的基本思想和优点及多分辨率分析的过程, 并在MA TLAB 下利用小波变换工具箱, 编写程序实现信号去噪处理。充分显示了小波变换在处理非平稳信号中的优势。 [关键词] 小波变换 信号去噪 模极大值 李普西兹指数 在通信及计算机过程控制系统中，对信号进行实时采样是很重要的环节。但由于信号在激励、传输和检测过程中，可能不同程度地受到随机噪声的污染，特别在小信号采集和测量中，噪声干扰显得尤其严重。因此，如何消除实际信号中的噪声，从混有噪声的信号中提取有用信息一直是信息学科研究的焦点之一。傅里叶变换是一种经典方法，适用于诸多场合。但由于傅里叶变换是一种全局变换，无法表述信号的时域局部性质，而这种性质恰恰是非平稳信号最根本和最关键的性质。为了更有效地处理非平稳信号，人们提出了小波变换这种新的信号分析理论。小波变换是一种信号的时频分析，它具有多分辨率的特点，可以方便地从混有强噪声的信号中提取原始信号，被誉为分析信号的显微镜。本文主要讨论应用小波变换的理论，利用Matlab 软件在计算机上实现了信号的噪声消除，从混有噪声的实际信号中提取了原始信号，具有非常实用的意义。 1.小波变换与多分辨率分析 设ψ是定义在(-,+)∞∞上能量有限的函数，Ψ构成平方可积信号空间，记为Ψ∈L2(R)，则生成函数族{ ab ψ }： 1/2()||()ab t b t a a --ψ=ψ ,0b a -∞<<+∞> （1） Ψ(t)称为小波函数，()ab t ψ由Ψ(t)伸缩和平移生成，为小波基函数。a 为伸缩因子，b 为平移因子。对任一信号()f i ∈L2(R)的连续小波变换可定义为信号与小波基函数的内积： 1/ 2 (();,),||()ab R t b WT f t a b f a dt a --=<ψ>=ψ? （2）
文章编号：1006-7043（2000）04-0021-03 基于小波变换的去噪方法 林克正 李殿璞 （哈尔滨工程大学自动化学院，黑龙江哈尔滨150001） 摘 要：分析了信号与噪声在小波变换下的不同特点，提出了基于小波变换的去噪方法，且将该去噪算法 用算子加以描述，给出了具体实例.小波变换硬阈值去噪法和软阈值去噪法的性能比较及仿真实验，表明基于小波变换的去噪方法是非常有效的.!关 键 词：小波变换；去噪；奇异性检测；多尺度分析 中图分类号：TN911.7 文献标识码：A Denoising Method Based on Wavelet Transform Lin Ke-zheng Li Dian-pu （Automation Coiiege ，Harbin Engineering University ，Harbin 150001，China ） Abstract ：This paper anaiyzes the different characteristics of noise and signai under waveiet transform and proposes the denoising method based on waveiet transform.The denoising aigorithm based on waveiet transform are described with some operators.Some exampies are demonstrated.The performance of denoising with hard and soft threshoid method based on waveiet transform are compared in computer simuiation.The simuiation shows that the denoising method based on waveiet transform is very effective. Key words ：waveiet transform ；denoising ；singuiarity detection ；muitiresoiution anaiysis 提取掩没在噪声中的信号是信号处理的一项重要课题.实际的信号总是含有噪声的，当待检测信号的输入信噪比很低，各种噪声幅值大、分布广，而干扰信号又与真实信号比较接近时，用传统的时域或频域滤波往往不能取得预期效果.D.L.Donoho 提出的非线性小波方法从噪声中提取信号 效果最明显［2-5］ ，并且在概念上也有别于其它方 法，其主要思想有局部极大值阈值法、全局单一阈 值法［3］和局部SURE 多阈值法［4］ .在此基础上，本文首先分析了信号和噪声在小波变换下的不同特 性，据此可有效地从噪声信号检出有用的信号，用算子的形式对基于小波变换的去噪方法进行了统一的描述，并提出了一种可浮动的自适应阈值选取方法. 1 小波分析基础 1.1 信号的小波变换 ［1］ 设母波函数是!（t ），伸缩和平移因子分别为a 和6，小波基函数!a ，6（t ） 定义为!a ， 6（t ）=1! a !（t -6 a ）（1）式中，6"R ，a "R -｛0｝. 函数f （t ）" 2 （R ） 的小波变换W a ，6（f ）定义为 W a ，6（f ）=
%应用db5作为小波函数进行3层分解 %利用无偏似然估计阈值 %对100.dat from MIT-BIH-DB的单导联数据进行去噪处理clear;clc load('D:/matlab/matlab7.2/work/M.mat'); E=M(:,2); E=E'; n=size(E); s=E(1:2000); %小波分解 [C L]=wavedec(E,3,'db5'); % 从c中提取尺度3下的近似小波系数 cA3=appcoef(C,L,'db5',3); %从信号c中提取尺度1,2,3下的细节小波系数 cD1=detcoef(C,L,1); cD2=detcoef(C,L,2); cD3=detcoef(C,L,3); %使用stein的无偏似然估计原理进行选择各层的阈值 %cD1,cD2,cD3为各层小波系数， %'rigrsure’为无偏似然估计阈值类型 thr1=thselect(cD1,'rigrsure'); thr2=thselect(cD2,'rigrsure'); thr3=thselect(cD3,'rigrsure'); %各层的阈值 TR=[thr1,thr2,thr3]; %'s'为软阈值;'h'硬阈值。 SORH='s'; %---------去噪---------------- %XC为去噪后信号 %[CXC,LXC]为的小波分解结构 %PERF0和PERF2是恢复和压缩的范数百分比。 %'lvd'为允许设置各层的阈值, %'gbl'为固定阈值。 %3为阈值的长度 [XC,CXC,LXC,PERF0,PERF2]=wdencmp('lvd',E, ...'db5',3,TR,SORH); %---------去噪效果衡量（SNR越大效果越好, %MSE越小越好）------------------------ %选取信号的长度。 N=n(2); x=E; y=XC; F=0; M=0; for ii=1:N m(ii)=(x(ii)-y(ii))^2; t(ii)=y(ii)^2; f(ii)=t(ii)/m(ii); F=F+f(ii);
基于小波变换的人脸识别 近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。 具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。 4.1 小波变换的研究背景 法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。在早期的信号处理领域，傅立叶变换具有重要的影响和地位。定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下： ()()dt e t f F t j ωω-? ∞ -∞ += (4-1) 傅立叶变换的逆变换为： ()()ωωπ ωd e F t f t j ? +∞ ∞ -= 21 (4-2) 从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率
的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。 尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不
小波分析浅析 —— 李继刚 众所周知，以π2为周期的复杂的波都可以用以π2为周期的函数)(t f （模拟信号）来描述，它可以由形如)sin(n n nt A θ+的若干谐波叠加而成，因此，完全有理由认为)(t f 有如下的表现形式： ∑ ∑ ∑ ∞ =∞ =∞ =+= += += ) sin cos ()cos sin cos sin ()sin()(n n n n n n n n n n n nt b nt a nt A nt A nt A t f θθθ 为了确定上式中的系数n n b a ,，可以利用Fourier 变换，可以得到函数)(t f 的Fourier 级数，即 ??? ? ? ? ? ?? ====++=??∑--+∞ =π πππππ.,2,1,sin )(1,,1,0,cos )(1),sin cos (2)(1 0 n ntdt t f b n ntdt t f a nt b nt a a t f n n n n n 如果函数以T 为周期，则通过对t 作T w x T t ππ2,2= ?=变换，可以得到函数的Fourier 级数，即 ??? ? ? ? ? ??=?==?=?+?+=??∑--+∞ =π πππ .,2,1,sin )(2,,1,0,cos )(2),sin cos (2)(1 0 n wtdt n t f T b n wtdt n t f T a wt n b wt n a a t f n n n n n 从时域角度来理解Fourier 级数，将}sin ,{cos wt n wt n ??看作是具有频率w n ?的谐波，则时域表现的函数)(t f 可分解为无穷个谐波之和。 从频域角度来理解Fourier 级数，因为)(t f 的频域范围是[)+∞∈,0w ，所以，可将w 轴用间距w ?作离散分化，离散点w n ?处对应着频率为w n ?的谐波}sin ,{cos wt n wt n ??，这样就可将时域函数)(t f 与谐波组成1-1对应关系，即 +∞???0}sin ,cos {)(wt n b wt n a t f n n
基于小波分析的脑电信号去噪方法研究 摘要 小波变换[1]是20世纪 80 年代后期迅速发展起来的新兴学科。它是在傅里叶分析[2]的基础上发展起来的，但小波分析与傅里叶变换有很大的不同。总体来说，傅里叶分析是整体域分析，用单独的时域[3]或频域表示信号的特征；而小波分析是整体域分析，它用时域和频域的联合来表示信号的特征。小波分析的理论和方法在信号处理[4]、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用，它被认为是近年来在工具及方法上的重大突破。信号的采集与传输过程中，不可避免会受到大量噪声信号的干扰，对信号进行去噪，提取出原始信号是一个重要的课题。 本文根据目前的研究课题基于脑电信号的机械外骨骼[5]系统研究与应用，在此研究小波变换在脑电信号去噪中的应用。 关键词小波变换、信号处理、脑电信号、机械外骨骼、小波包分析[6] Abstract Wavelet transform is a new subject in the late twentieth Century 80 developed rapidly. It is developed based on the analysis on Fourier transformation ，but wavelet and Fourier transformation are very different. Overall, Fourier transformation analysis is the whole domain analysis[7], said signal characteristics[8] with single time domain or frequency domain; wavelet analysis is the whole domain analysis, it combined with the time domain and frequency domain to represent the signal features. The theory and method of wavelet analysis has been applied more and more widely in signal processing, image processing, speech processing, pattern recognition, quantum physics and other fields, it is considered a major breakthrough in the tools and methods in recent years. Collection and the process of signal transmission, will inevitably receive a lot of noise signal interference, the signal denoising, extract the original signal is an important topic.
—172 — 基于Gabor 小波变换的人脸表情特征提取 叶敬福，詹永照 (江苏大学计算机科学与通信工程学院，镇江 212013) 摘 要：提出了一种基于Gabor 小波变换的人脸表情特征提取算法。针对包含表情信息的静态灰度图像，首先对其预处理，然后对表情子区域执行Gabor 小波变换，提取表情特征矢量，进而构建表情弹性图。最后分析比较了在不同光照条件下不同测试者做出6种基本表情时所提取的表情特征，结果表明Gabor 小波变换能够有效地提取与表情变化有关的特征，并能有效地屏蔽光照变化及个人特征差异的影响。关键词：模式识别；表情特征提取；Gabor 小波变换 Facial Expression Features Extraction Based on Gabor Wavelet Transformation YE Jingfu, ZHAN Yongzhao (School of Computer Science and Communications Engineering, Jiangsu University, Zhenjiang 212013) 【Abstract 】This paper introduces a facial expression features extraction algorithm. Given a still image containing facial expression information,preprocessors are executed firstly. Secondly, expression feature vectors of the expression sub-regions are extracted by Gabor wavelet transformation to form expression elastic graph. Different expression features are extracted and compared while different subjects display six basic expressions with illumination variety. Experiment shows that expression features can be extracted effectively based on Gabor wavelet transformation, which is insensitive to illumination variety and individual difference. 【Key words 】Pattern recognition; Expression feature extraction; Gabor wavelet transformation 计 算 机 工 程Computer Engineering 第31卷 第15期 Vol.31 № 15 2005年8月 August 2005 ·人工智能及识别技术·文章编号：1000—3428(2005)15—0172—03 文献标识码：A 中图分类号：TP37 人脸表情识别是指从给定的表情图像或者视频序列中分析检测出特定的表情状态，进而确定被识别对象的心理情绪。人脸表情识别技术在许多领域有着潜在的应用价值，这些领域包括心理学研究、图像理解、合成脸部动画、视频检索、机器人技术、虚拟现实技术以及新型人机交互环境等[1]。 典型的人脸表情识别系统包括人脸检测、表情特征提取、表情特征分类识别3个阶段。人脸检测要能够从复杂的背景中检测出人脸的存在并确定其位置，对于图像序列，还要能精确跟踪人脸区域，国内外在人脸检测方面已做了大量的研究，且已有相关的有效方法及成果报道。而对于表情特征的提取和分类识别算法的研究目前还处于探索之中，国外学者已做了一定的研究工作，国内关于这方面的研究则相对较少。 针对处理图像的性质，可将表情特征提取方法分为两类：基于静态图像的表情特征提取和基于视频序列的动态表情特征提取。前者处理的是单帧静态表情图像，一般要求该图像反映的表情处于夸张或极大状态，使得提取的表情特征更为典型，这类方法主要包括主成份分析、奇异值分解以及基于小波变换的方法等。后者处理的是表情图像序列，目标是提取表情特征的变化过程。光流模型(Optical Flow Models)是提取动态表情特征的典型方法。比较而言，静态方法处理的数据量少，方法简单可靠，且提取的特征较为典型，能获得较高的识别率，但待处理的图像所包含的表情信息需处于夸张状态。而动态方法处理视频序列中的每一帧图像，因此计算量较大，难以满足实时性要求。 1表情图像的预处理 表情图像的预处理包括表情图像子区域的分割以及表情图像的归一化处理。前者指从表情图像中分割出与表情最相关的子区域，而后者包括图像的灰度均衡和尺度归一。图像预处理的好坏直接影响表情特征提取的效果和计算量。 (a) (b) 图1 分割人脸表情图像以提取特征区域 人脸表情特征可分为两类：持久性表情特征和瞬态表情特征，前者包括嘴巴、眼睛和眉毛，决定了基本表情状态，后者包括脸颊和额角皱纹的瞬间变化，能在一定程度上揭示表情状态。实验表明[3]，嘴角形状对表情的影响最大，其次是眼睛和眉毛，而皱纹变化属于动态特征，且受年龄等因素影响较大，对表情的贡献不大，甚至会对表情识别产生不利影响。因此表情识别应重点提取嘴巴、眼睛和眉毛等局部表情特征，并忽略皱纹的变化。图像分割算法的目标就是要精确定位和分离出持久表情特征子区域。对于样本图像，可以人工框出这些区域，也可以根据眼睛的灰度特征并结合先验知识采用特定的定位算法实现特征区域的自动分割。分割结 基金项目：国家自然科学基金资助项目（60273040）；江苏省高校自然科学基金资助项目（02KJB520003） 作者简介：叶敬福(1980—)，男，硕士生，研究方向：多媒体技术，CSCW ；詹永照，教授、博导 定稿日期：2004-06-26 E-mail ：yejingfu@https://www.doczj.com/doc/3417270167.html,
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴脑和兔脑上记录