CN110222306B - 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 - Google Patents
一种适用于内孤立波试验流场分析及重构的改进模态分解方法 Download PDFInfo
- Publication number
- CN110222306B CN110222306B CN201910493653.0A CN201910493653A CN110222306B CN 110222306 B CN110222306 B CN 110222306B CN 201910493653 A CN201910493653 A CN 201910493653A CN 110222306 B CN110222306 B CN 110222306B
- Authority
- CN
- China
- Prior art keywords
- flow field
- matrix
- solitary wave
- time
- internal solitary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
- G01P5/20—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using particles entrained by a fluid stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种适用于内孤立波试验流场分析及重构的改进模态分解方法,包括如下步骤:S1、生成内孤立波,并测得所述内孤立波与地形相互作用过程中的二维流场序列;S2、提取二维流场序列中的目标信息矩阵,并得到流场时间快照;S3、将各所述流场时间快照按时间顺序拼接为时间快照矩阵;S4、绘制信息密度曲线;S5、对信息密度曲线进行归一化处理,并得到分界点;S6、将相邻两所述分界点之间的流场快照矩阵作为一个线性演化特征片段;S7、对所述线性演化特征片段进行动态模态分解。本发明针对内孤立波过地形这类低速、低采样频率的非稳态过程,能够完成模态提取,并实现流场重构、降噪等功能,为流场特征的进一步分析提供方法。
Description
技术领域
本发明属于海洋工程领域,是一种模态分解方法,具体地说是一种适用于内孤立波试验流场分析及重构的改进模态分解方法。
背景技术
内孤立波与地形相互作用是一个复杂的流动过程,针对其的试验研究可利用重力塌陷法控制生成相应内孤立波,并利用粒子图像测速法(Particle Image Velocimetry)获得流场数据。在获得试验数据的基础上,需要通过流场数据的信息提取,捕捉流动过程的内在特征。
针对试验流场数据,采用信息技术中的降维方法,能够有效地提取流场信息,为进一步深入分析提供依据。目前通常将流场的时间快照组成快照矩阵,并采用模态分解方法进行处理。
当不考虑各流场快照间的时间历程关系时,通常使用正交模态分解方法(Properorthogonal decomposition)进行分析。其核心思想是将高维数据进行基向量投影,并用降维得到的投影长度来表示流场特征。
当需要考虑完整流场的时间历程关系时,通常使用动态模态分解方法(Dynamicmode decomposition)进行分析。其核心思想是假设高维试验数据的演化可表示为线性过程,利用Koopman分析确定线性算子,并将全过程表示为多个随时间变化模态的线性叠加。
目前针对流场数据的模态分解方法只能解决高采样频谱的稳态过程或不关心时间历程的过程,而无法解决内孤立波与地形相互作用这类低速、低采样频率的非稳态过程的分析需求。
发明内容
根据上述提出的技术问题,而提供一种适用于内孤立波试验流场分析及重构的改进模态分解方法。本发明采用的技术手段如下:
一种适用于内孤立波试验流场分析及重构的改进模态分解方法,包括以下步骤:
S1、利用重力塌陷法在试验水槽中生成内孤立波,并通过粒子图像测速法测得所述内孤立波与地形相互作用过程中在等时间间隔内的二维流场序列;
S2、提取每个时间间隔内测得的二维流场序列中的目标信息矩阵,将所述目标信息矩阵中的每一列依次首尾相连形成列向量,并将所述列向量称之为流场时间快照;
S3、将各所述流场时间快照按时间顺序拼接为时间快照矩阵;
S4、采用主成分分析方法,将所述时间快照矩阵进行基向量投影,算得各所述流场时间快照在其所对应的主基向量上的投影值,并将所述投影值称之为信息密度,根据所述各信息密度绘制信息密度曲线;
S5、对信息密度曲线进行归一化处理,并确定其上包络线及上包络线的极大值点,根据相邻极大值点之间间隔及相邻极大值点键对应的极小值点的大小,确定有效极大值点,并将有效极大值点作为分界点。
S6、将相邻两所述分界点之间的流场快照矩阵作为一个线性演化特征片段;
S7、对所述线性演化特征片段进行动态模态分解,并依据能量排序从大到小提取多阶模态,完成所述二维流场序列的降噪重构。
所述目标信息可为涡量、水平速度或垂直速度中的一种。
在所述步骤S4中,所述主成分分析法包括如下步骤:
S41:所述时间快照矩阵中的每个元素减去所述时间快照矩阵的平均值得到矩阵X;
S43:求出协方差矩阵C的特征值及特征向量,将最大特征值所对应的特征向量作为主基向量V;
S44:根据公式Y=VX得到各时间快照在主基向量上的投影值,式中Y即为所述投影值。
在所述步骤S7中提取前六阶模态,重构质量与提取模态数量相关,通常提取前六阶模态可实现重构,增加模态提取数量可提高重构质量。
本发明具有以下优点:
1、可将内孤立波过地形的显著强非线性过程分割为多个可进行高维线性拟合的近线性过程,为流动演化阶段的划分提供依据。
2、针对内孤立波过地形这类低速、低采样频率的非稳态过程,能够完成模态提取,并实现流场重构、降噪等功能,为流场特征的进一步分析提供方法。
基于上述理由本发明可在模态分解方法等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明具体实施方式中一种适用于内孤立波试验流场分析及重构的改进模态分解方法流程图。
图2是本发明具体实施方式中内孤立波试验中工业CCD相机捕捉的原始图片。
图3是本发明具体实施方式中根据原始试验图片处理得到的典型涡量场。
图4是本发明具体实施方式中信息密度曲线。
图5是本发明具体实施方式中归一化的信息密度曲线。
图6是本发明具体实施方式中内孤立波过地形过程中一个典型时间快照分段的前四阶模态。
图7是本发明具体实施方式中降噪重构后的典型涡量场。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-7所示,本实施例以涡量为目标信息,使用工业CCD相机在内孤立波试验中捕捉原始图片,如图2所示;对原始图片测量处理得到的典型试验涡量场如图3所示;一种适用于内孤立波试验流场分析及重构的改进模态分解方法,包括以下步骤:
S1、利用重力塌陷法在试验水槽中生成内孤立波,并通过粒子图像测速法测得所述内孤立波与地形相互作用过程中在等时间间隔内的二维流场序列;
S2、提取每个时间间隔内测得的二维流场序列中的涡量目标信息矩阵,将所述涡量目标信息矩阵中的每一列依次首尾相连形成列向量,并将所述列向量称之为流场时间快照;
S3、将各所述流场时间快照按时间顺序拼接为时间快照矩阵;
S4、采用主成分分析方法,将所述时间快照矩阵进行基向量投影,算得各所述流场时间快照在其所对应的主基向量上的投影值,并将所述投影值称之为信息密度,根据所述各信息密度绘制信息密度曲线;信息密度曲线如图4所示,横轴为快照序号,纵轴为无因次的投影值。
在所述步骤S4中,所述主成分分析法包括如下步骤:
S41:所述时间快照矩阵中的每个元素减去所述时间快照矩阵的平均值得到矩阵X;
S43:求出协方差矩阵C的特征值及特征向量,将最大特征值所对应的特征向量作为主基向量V;
S44:根据公式Y=VX得到各时间快照在主基向量上的投影值,式中Y即为所述投影值。
S5、对信息密度曲线进行归一化处理,并确定其上包络线及上包络线的极大值点,根据相邻极大值点之间间隔及相邻极大值点键对应的极小值点的大小,确定有效极大值点,并将有效极大值点作为分界点。在所示步骤S5中,分界点的选取方法为:首先将信息密度曲线进行归一化处理,然后根据相邻多点的最大值位置确定上包络线,相邻点数的选取与采样频率及流场演化速度相关,针对本实施例的采样频率1/42秒,将相邻15个点的局部最大值作为上包络线数据点,在此基础上,确定上包络线数据点中的极大值点,定义两相邻极大值点间的极小值点为谷值。将与相邻极大值点的间隔距离小于30帧,且与相邻谷值的差值小于0.5的极大值定义为无效极大值点。将去掉无效极大值点后的有效极大值点定义为分界点。归一化的信息密度曲线、其上包络线及分界点如图5所示。
S6、将相邻两所述分界点之间的流场快照矩阵作为一个线性演化特征片段;
S7、对所述线性演化特征片段进行动态模态分解,并依据能量排序从大到小提取多阶模态,完成所述二维流场序列的降噪重构。
动态模态分解的方法为:假设动态系统的演化过程可以表示为uk+1=f(uk);同时存在线性算子K可以将动态系统的标量函数表示为Kg(uk)=g(f(uk));对该线性算子进行特征值分解可得到并进一步可将动态系统的每个时间快照表示为:
其中vi即为分解得到的各阶模态。在本实施例中,内孤立波过地形过程中一个典型时间快照分段的前四阶模态(重构质量与提取模态数量相关,通常提取前六阶模态可实现重构,增加模态提取数量可提高重构质量),如图6所示;
基于本模态分解方法,以内孤立波PIV试验测量数据为输入,能够满足针对内孤立波过地形这类低速、低采样频率的非稳态过程的分析需求,实现非线性流动过程的特征分段,并在此基础上完成模态提取及流场的降噪与重构。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种适用于内孤立波试验流场分析及重构的改进模态分解方法,其特征在于,包括以下步骤:
S1、利用重力塌陷法在试验水槽中生成内孤立波,并通过粒子图像测速法测得所述内孤立波与地形相互作用过程中在等时间间隔内的二维流场序列;
S2、提取每个时间间隔内测得的二维流场序列中的目标信息矩阵,将所述目标信息矩阵中的每一列依次首尾相连形成列向量,并将所述列向量称之为流场时间快照;
S3、将各所述流场时间快照按时间顺序拼接为时间快照矩阵;
S4、采用主成分分析法,将所述时间快照矩阵进行基向量投影,算得各所述流场时间快照在其所对应的主基向量上的投影值,并将所述投影值称之为信息密度,根据所述信息密度绘制信息密度曲线;
S5、对信息密度曲线进行归一化处理,并确定其上包络线及上包络线的极大值点,根据相邻极大值点之间间隔及相邻极大值点键对应的极小值点的大小,确定有效极大值点,并将有效极大值点作为分界点;
S6、将相邻两所述分界点之间的流场快照矩阵作为一个线性演化特征片段;
S7、对所述线性演化特征片段进行动态模态分解,并依据能量排序从大到小提取多阶模态,完成所述二维流场序列的降噪重构;
所述目标信息为涡量、水平速度或垂直速度中的一种;
在所述步骤S4中,所述主成分分析法包括如下步骤:
S41:所述时间快照矩阵中的每个元素减去所述时间快照矩阵的平均值得到矩阵X;
S43:求出协方差矩阵C的特征值及特征向量,将最大特征值所对应的特征向量作为主基向量V;
S44:根据公式Y=VX得到各时间快照在主基向量上的投影值,式中Y即为所述投影值。
2.根据权利要求1所述的一种适用于内孤立波试验流场分析及重构的改进模态分解方法,其特征在于:在所述步骤S7中提取前六阶模态。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493653.0A CN110222306B (zh) | 2019-06-06 | 2019-06-06 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
PCT/CN2019/130246 WO2020244217A1 (zh) | 2019-06-06 | 2019-12-31 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
US17/596,241 US20220390481A1 (en) | 2019-06-06 | 2019-12-31 | Improved mode decomposition method applicable to flow field analysis and reconstruction of internal solitary wave test |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493653.0A CN110222306B (zh) | 2019-06-06 | 2019-06-06 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222306A CN110222306A (zh) | 2019-09-10 |
CN110222306B true CN110222306B (zh) | 2022-12-27 |
Family
ID=67816248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493653.0A Active CN110222306B (zh) | 2019-06-06 | 2019-06-06 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220390481A1 (zh) |
CN (1) | CN110222306B (zh) |
WO (1) | WO2020244217A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222306B (zh) * | 2019-06-06 | 2022-12-27 | 大连理工大学 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
CN111259328B (zh) * | 2020-01-16 | 2021-03-02 | 东南大学 | 一种自由振动位移响应驱动的航天器结构非线性特征检测方法 |
CN111460366B (zh) * | 2020-03-13 | 2023-03-14 | 广州海洋地质调查局 | 一种基于重力曲率的地质体分布判断方法及处理终端 |
CN112214938B (zh) * | 2020-09-16 | 2024-04-09 | 北京动力机械研究所 | 一种基于dmd方法的流动分离控制系统及方法 |
CN113138064A (zh) * | 2021-04-22 | 2021-07-20 | 哈尔滨工业大学(威海) | 双杆连接的潜体遭遇内孤立波试验测量系统和测量方法 |
CN114216650B (zh) * | 2021-12-17 | 2024-05-03 | 中国矿业大学 | 一种可控渗流速率的水槽装置和工作方法 |
CN115422746B (zh) * | 2022-09-01 | 2023-04-25 | 中国海洋大学 | 一种基于水下滑翔机的内孤立波参数提取算法 |
CN116070471B (zh) * | 2023-04-06 | 2023-06-20 | 浙江远算科技有限公司 | 一种基于降阶分解处理的风力发电机仿真加速方法和系统 |
CN116738136B (zh) * | 2023-05-17 | 2024-03-15 | 中国海洋大学 | 一种内孤立波作用下海底甲烷气体释放量的计算方法 |
CN117313587B (zh) * | 2023-11-28 | 2024-02-06 | 西北工业大学 | 一种内孤立波与背景剪切流相互作用模拟方法及其系统 |
CN117744542A (zh) * | 2024-02-21 | 2024-03-22 | 中国空气动力研究与发展中心计算空气动力研究所 | 适用于宽频噪声流动的流声模态分解方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634503A (zh) * | 2015-02-10 | 2015-05-20 | 北京航空航天大学 | 一种测量流场压力场的方法及装置 |
CN105389839A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 基于流体分析的流体参数估计方法 |
CN107340118A (zh) * | 2017-07-07 | 2017-11-10 | 大连理工大学 | 一种实验室内波和内孤立波造波装置 |
CN108021871A (zh) * | 2017-11-22 | 2018-05-11 | 华南理工大学 | 一种基于主成分分析的特征频率提取方法 |
CN108168839A (zh) * | 2018-01-05 | 2018-06-15 | 中国海洋大学 | 一种研究内孤立波对小直径直立桩柱影响的实验装置 |
CN108254157A (zh) * | 2018-02-06 | 2018-07-06 | 中国海洋大学 | 一种内波与潜体相互作用的实验系统 |
CN109436197A (zh) * | 2018-10-31 | 2019-03-08 | 中国海洋大学 | 内孤立波作用下海洋浮式结构的耦合运动及测力模拟实验系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8117150B1 (en) * | 2009-03-09 | 2012-02-14 | The United States Of America As Represented By The Secretary Of The Navy | Method of forecasting a magnetic or electrical environment from an ocean volume |
CN107704427A (zh) * | 2017-09-07 | 2018-02-16 | 中国海洋大学 | 一种基于延迟函数的海洋浮式结构频域响应算法 |
CN110222306B (zh) * | 2019-06-06 | 2022-12-27 | 大连理工大学 | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 |
-
2019
- 2019-06-06 CN CN201910493653.0A patent/CN110222306B/zh active Active
- 2019-12-31 WO PCT/CN2019/130246 patent/WO2020244217A1/zh active Application Filing
- 2019-12-31 US US17/596,241 patent/US20220390481A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634503A (zh) * | 2015-02-10 | 2015-05-20 | 北京航空航天大学 | 一种测量流场压力场的方法及装置 |
CN105389839A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 基于流体分析的流体参数估计方法 |
CN107340118A (zh) * | 2017-07-07 | 2017-11-10 | 大连理工大学 | 一种实验室内波和内孤立波造波装置 |
CN108021871A (zh) * | 2017-11-22 | 2018-05-11 | 华南理工大学 | 一种基于主成分分析的特征频率提取方法 |
CN108168839A (zh) * | 2018-01-05 | 2018-06-15 | 中国海洋大学 | 一种研究内孤立波对小直径直立桩柱影响的实验装置 |
CN108254157A (zh) * | 2018-02-06 | 2018-07-06 | 中国海洋大学 | 一种内波与潜体相互作用的实验系统 |
CN109436197A (zh) * | 2018-10-31 | 2019-03-08 | 中国海洋大学 | 内孤立波作用下海洋浮式结构的耦合运动及测力模拟实验系统 |
Non-Patent Citations (3)
Title |
---|
"A Fast Internal Wave Detection Method Based on PCANet for Ocean Monitoring";Shengke Wang 等;《Journal of Intelligent Systems》;20170722;103-113 * |
"Computational analyses of fully nonlinear interaction of an internal solitary wave and a free surface wave";Li Zou 等;《AIP Advances》;20190519;9, 035234至9, 035234-10 * |
"下凹内孤立波致流场结构及其影响因素的实验研究";武军林 等;《海洋科学》;20170915;592-599 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222306A (zh) | 2019-09-10 |
US20220390481A1 (en) | 2022-12-08 |
WO2020244217A1 (zh) | 2020-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222306B (zh) | 一种适用于内孤立波试验流场分析及重构的改进模态分解方法 | |
CN108805002B (zh) | 基于深度学习和动态聚类的监控视频异常事件检测方法 | |
Yang et al. | Non-local means theory based Perona–Malik model for image denosing | |
KR101695247B1 (ko) | 주파수 변환 및 필터링 절차가 포함된 행렬 기반의 움직임 검출 시스템 및 방법 | |
CN112991278B (zh) | RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及系统 | |
CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN109461136B (zh) | 一种混合纤维制品中纤维分布情况的检测方法 | |
CN111028168B (zh) | 一种含噪声模糊的高能闪光图像去模糊方法 | |
CN107798663B (zh) | 一种基于偏微分方程和bm3d的无参数化图像恢复方法 | |
Hirano et al. | Feature transformation using filter array for automatic construction of image classification | |
CN106530261A (zh) | 一种双动态模糊图像复原方法 | |
Khursheed et al. | A hybrid logarithmic gradient algorithm for Poisson noise removal in medical images | |
CN112862729A (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
CN106331429A (zh) | 一种视频细节放大方法 | |
Esmaeilzehi et al. | UPDCNN: A new scheme for image upsampling and deblurring using a deep convolutional neural network | |
Wang et al. | Image Texture Removal by Total Variantional Rolling Guidance | |
CN111709962A (zh) | 基于各向异性l0梯度稀疏表达和dct变换的图像轮廓和纹理特征分解方法 | |
Krylov et al. | Face image super-resolution from video data with non-uniform illumination | |
CN113538205B (zh) | 基于surf算法的特征点检测方法和装置 | |
CN114254679A (zh) | 基于滤波器的特征增强方法 | |
CN116295790B (zh) | 基于桥梁拉索特征区域帧间相位差的频率检测方法及系统 | |
Liu et al. | Mixed Image Noise Removal by PCNN Combined with Regularization PM Equation | |
CN113658076B (zh) | 基于特征纠缠调制的图像复原方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |