在当今的机器人视觉应用中,机器人视觉图像显著目标提取是一个关键问题。它旨在从复杂的机器人视觉图像背景中突出显示最重要的信息,以便机器人可以更有效地理解和处理环境[1]。然而,这一问题具有极大的挑战性,因为需要在大量的机器人视觉图像数据中找到具有显著性的目标,这需要复杂的计算和准确的算法。
摘要:局部放电监测是目前高压电气设备亟需解决的重要问题。由于局部放电信号往往含有大量白噪声,会影响对真实放电信号的识别,因此提出了一种基于EMD与SVD结合的S变换改进模型进行去噪的新方法。该方法主要由经验模态分解(EMD)、S变换、奇异值分解(SVD)3个部分组成。首先利用经验模态分解对局部放电信号进行分解,提取其中主要的特征量:其次对得到的特征量进行S变换,得到时频矩阵:然后对该矩阵进行奇异值分解,去除噪声:最后进行逆S变换,重构信号,从而得到较为清晰的时域放电信号。
前有许多正面人脸的识别方法,当有充分数量的训练样本时,能取得较好的识别效果,然而当处理单样本人脸识别问题时,效果则明显下降。针对这种情况,提出了基于镜像奇异值分解的单样本人脸识别方法,通过采用镜像的方法增加训练样本信息。实验表明,在对人脸图像进行识别时取得了较好的效果,并且在一定程度上克服了单样本条件下姿态变化对识别效果的影响。