多尺度小波教程.pptVIP

下载本文档

9
0
约5.06千字
约 34页
2018-04-20 发布于未知
举报
版权申诉

多尺度小波教程.ppt

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

6. 参考文献 [1] Olivier Chapelle, Patrick Haffner, and Vladimir N. Vapnik. Support Vector Machines for Histogram-Based Image Classification. IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 10, NO. 5, SEPTEMBER 1999. [2] Kwang In Kim, Keechul Jung, Se Hyun, and Hang Joon Kim, Support Vector Machine for Texture classification, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 24, NO. 11 NOVEMBER 2002, pp. 1542-1550. [3] 万华林，M. U. Chowdhury. 基于支持向量机的图像语义分类. 软机学报，2003，VOL.14 NO.11,PP. 1892-1899. [4] R. Swiniarski, L. Hargis, Rough set as a front end of neural-networks texture classifiers, Neurocomputing 36 (1-4) (2001) 85–102. [5] Chih-Fong Tsai, Image mining by spectral features: A case study of scenery image classification, Expert Systems with Application 32(2007) 135-142. [6] Autio, I., Elomaa, T. (2003). Flexible view recognition for indoor navigation based on Gabor filters and support vector machines. Pattern Recognition, 36(12), 2769–2779. [7] Huang, Y., Chan, K. L., Zhang, Z. (2003). Texture classification by multi-model feature integration using Bayesian networks. Pattern Recognition Letters, 24, 393–401. [8] Monadjemi, A., Thomas, B. T., Mirmehdi, M. (2002). Experiments on high resolution images towards outdoor scene classification. Proceedings of the seventh computer vision winter workshop (pp. 325–334). Bad Aussee, Austria, 4–7 February. [9] Li, S., Shawe-Taylor, S. (2005). Comparison and fusion of multiresolution features for texture classification. Pattern Recognition Letters, 26(5), 633–638. 基于小波多尺度统计特征的图像分类 1. 小波变换 2. 图像分类问题现状 3. 小波多尺度统计特征抽取及图像分类 4. 实验比较 5. 下一步工作 6. 参考文献报告内容 1. 小波变换小波变换是强有力的时频分析(处理)工具，是在克服傅立叶变换缺点的基础上发展而来的。已成功应用于很多领域，如信号处理、图像处理、模式识别等。小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征，它能够提供目标信号各个频率子段的频率信息。这种信息对于信号分类是非常有用的。小波变换一个信号为一个小波级数，这样一个信号可由小波系数来刻画。 1.1 一维小波变换（一维多尺度分析）设有L2(R )空间的子空间序列： Vj 的正交基函数是由一个称为尺度函数的函数?(x)经伸缩平移得到的设Wj 是Vj 相对于Vj+1的正交补空间， Wj 的正交基函数是由一个称为小波函数的函数?(x)经伸缩平移得到的小波函数必须满足以下两个条件的函数：小波必须是振荡的；小波的振幅只能在一个很短的一段区间上非零，即