● 摘要
小波在时域和频域同时具有良好的局部化特性和多分辨率特性，常被誉为信号分析的“数学显微镜”。近十多年来，小波分析的理论和方法在信号处理、模式识别、图像处理等专业和领域得到了蓬勃发展和广泛应用。本文在对小波分析理论研究的基础上，并结合掌纹识别应用和树叶识别应用，主要工作及取得的进展如下：
(1)传统的小波变换应用于图像处理时，对图像细节信息和边缘特征的保护能力较弱。如何利用图像的局部特征和小波变换的特性，提高对图像的细节信息和边缘特性的保护能力，显得尤为重要。本文成功构建了一种自适应提升小波变换结构，并应用于掌纹识别、树叶识别中，效果显著。自适应提升小波的原理是基于图像像素间的相关性，根据图像的具体特征，对图像各个区域进行分别处理，即对平滑区域加权平均，而突变区域不作任何操作。这样可以有效保护图像的跳跃点、奇异点等细节信息，对图像特征提取及后续图像处理非常关键。
(2)自适应提升小波与脉冲耦合神经网络(PCNN)结合，应用于掌纹识别中。首先将掌纹图像进行统一预处理，截取感兴趣区域；其次，结合提升小波的自适应特性及掌纹图像局部特征，将预处理图像进行自适应提升小波分解，并将分解后的子图通过脉冲耦合神经网络，转化为二值图像，这些二值图像的熵即为掌纹识别所需的特征；最后，利用支持向量机(SVM)对特征进行分类识别。实验结果表明，相比其它的在线识别算法，该算法识别效率很高，易于硬件实现，实验结果达到了预期的效果。
(3)提出了基于自适应提升小波的双尺度算法，并将其对应的特征提取算法应用于树叶识别中。该算法首先对图像进行预处理，截取大小一致的树叶图像。接着进行自适应提升小波三层分解，对不同尺度应用不同宽度的高斯滤波，即大尺度大宽度，小尺度小宽度。然后将中心对称局部二进制模式(CS-LBP)的旋转特性应用于子图的编码。为了使编码的结果更利于分类,我们用模糊熵的思想将特征进行优化，突出贡献大的特征弱化贡献小的特征。最后将特征输入进行SVM相似性度量。实验结果证明该方法具有较强的鲁棒性。