کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6951589 1451698 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hilbert spectrum analysis of piecewise stationary signals and its application to texture classification
ترجمه فارسی عنوان
تجزیه و تحلیل هیلبرت از سیگنال های ثابت و کاربرد آن در طبقه بندی بافت
ترجمه چکیده
سیگنال مکانی ثابت، یک نوع خاص از سیگنال های غیر ثابت است که به طور گسترده در دنیای واقعی وجود دارد. بسیاری از تکنیک های فرکانس زمانی برای پردازش سیگنال های غیر ثابت طراحی شده اند. با این حال، تقریبا تمام روش های فرکانس زمانی کلاسیک به شدت بر انتخاب "مبنایی" بستگی دارد، که باعث می شود آنها سازگار با ساختار فرکانس زمان واقعی سیگنال ها سازگار نباشد. این مقاله بینش جدیدی راجع به تبدیل هیلبرت-هوانگ ارائه می دهد. نشان داده شده است که طیف های هیلبرت می توانند ساختارهای فرکانس زمانی خوب را از سیگنال های ایستا قطعه ای با ایجاد سازگار با «پایگاه» ایجاد کنند. بر این اساس، مولفه های هارمونیک انرژی بالا می تواند برای تولید بردار ویژگی برای طبقه بندی تصویر بافت استفاده شود. این بردار ویژگی نشان داده شده است که به چرخش قوی، نور نامنظم و سر و صدا. نتایج تجربی در سه مجموعه داده بافت معمول استفاده می شود که به سرعت تشخیص چالش برانگیز است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
چکیده انگلیسی
The piecewise stationary signal is a special kind of non-stationary signals, which exist widely in the real world. Many time-frequency techniques are developed to process non-stationary signals. However, almost all the classical time-frequency methods depends strongly on the choice of the 'basis', which makes them not match adaptively the real time-frequency structure of signals. This paper presents new insights on the Hilbert-Huang transform. It is shown that the Hilbert spectra can capture fine time-frequency structures of piecewise stationary signals by generating the 'bases' adaptively. Based on that, the harmonic components of high energy can be utilized to generate feature vector for texture image classification. This feature vector is shown to be robust to rotation, uneven illumination and noise. Experimental results on three commonly used texture datasets give challenging recognition rates.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Digital Signal Processing - Volume 82, November 2018, Pages 1-10
نویسندگان
, , , ,