小波变换在数字图像上的应用（上）小波变换原理的简单概述一维小波变换关于一维连续小波和离散小波变换的公式只能抱书啃了，这里给出一张图展示小包变换分析的一些特点。 第一幅图是原始信号，其右侧是它的傅里叶谱，由傅里叶谱我们可以知道原始信号存在两个频率峰值。但是关于这两个频率峰值出现的时间却无法得知。也许你觉得短时傅里叶变换可以解决这个问题，实际上关于STFT窗宽的选择存在一个矛盾。选择的框太宽时间分辨

离散信号的FFT我们知道一个信号的傅里叶变换就可以得到该信号的频谱，下面我们就通过matlab具体代码来感受这个过程。实验分析信号输入t=0:0.01:2;x=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180)plot(x);通过上述代码我们画出一个频率f为50hz(相角-30度)和频率f100hz（相角

CT图像增强简介如下图所示，希望对这幅人体骨骼扫描图片实现增强的效果。 通过这个实验， 我们可以了解到一阶微分算子以及二阶微分算子在图像细节信息以及边缘信息获取的原理；以及将其用在图像增强上的优缺点。处理过程首先我们选择二阶微分算子-Laplace算子来处理图像g2，然后通过原图f2(double类型)减去g2来获取增强的图像。 这里说明以下做减法而不是加法的原因，图像的二阶微分不为零的区域是

脉搏波信号处理%信号采样N = 256;fs = fr;data = data(1:N);n = 1:N;t = n/fs;plot(t,data);首先，我们将原始一维脉搏波信号做256点的采样，以便其方便fft计算。采样频率和原信号的频率一样均为30hz。画出此信号，可见其包含一些高低频的噪声。y=fft(data,N);%对信号进行快速Fourier变换mag=abs(

基于LAB颜色空间的彩色图像分割首先加载原始图像fabric = imread('fabric.png');figure(1), imshow(fabric), title('fabric');上述彩图包含背景黑色，红色，绿色，紫色，紫红色以及边缘的黄色。LAB颜色空间是基于色彩进行图像分割的最优空间。 Lab颜色模型由三个要素组成，一个要素是亮度（L），a 和b是两个颜色通道。a包括...

图像复原之退化模型概述引言退化就是将一幅正常的图像给弄得不正常，从而验证后续的复原方法是否能达到预期的效果。如上图所述，正常的图像经过退化函数H还需要加噪声，下面我们来介绍几种常见的噪声模型。高斯噪声来源于诸如电子线路的传感器噪声；瑞利噪声源于深度成像的表征噪声现象；指数和伽马源于激光成像。对于这些噪声的去除估计大家应该会想到很多的方法。空域包括如均值滤波，统计滤波中的中值滤波，频域的带阻滤波和

基于opencv的人脸识别opencv的一个目录：opencv/sources/data/haarcascades 提供了用于人脸检测相关的文件，加载这些文件，就可以方便的实现人脸检测的相关工作。face_cascade = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')faces = face_cascade.det

监控视频的行人追踪概述要求：根据提供的监控视频图像，追踪视频中行人并对其运动轨迹做出预判。实现视频图像的行人认定为图像的前景区域，识别新人即为分割图像的前景背景，故可使用knn实现分割利用opencv的BackgroundSubtractorKNN实现的分割效果如下图所示：对分割出的前景区域，可以计算该区域的HSV颜色模型并计算反投影，再利用camshift( 原理是均值漂移算法 )实现对前

隐马尔科夫模型Hmm的研究摘要隐马尔可夫模型（Hidden Markov Model，HMM）作为一种统计分析模型，创立于20世纪70年代。80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。本文主要从以下几个方面研究了hmm。第一，分析了hmm经典三大问题及其推导过程。第二，总结hmm在语音信号处理上一个经典的应用——应用hmm说