基于小波变换模极大值与奇异点的短时电压变动实时检测.pdf

Denoise_w_Mod_sim实现小波模极大值去噪的代码，经过在MATLAB中测试通过，可以实现去噪功能

用于实现一维小波去噪的程序！包括重构法，模极大值，软硬阈值法！

基于小波变换的信号奇异性检测原理,提出了信号奇异点的定位及奇异性程度的检测方法,并利用Matlab仿真平台,对故障信号实例进行了仿真和分析。仿真结果表明,与传统的Fourier分析方法相比,该方法是一种简单、有效的检测方法,特别在非平稳信号的监测和机械故障诊断领域。利用此方法可以比较精确地判断出信号发生的奇异点时刻以及奇异程度的大小,并且边缘效应要小得多。

小波模极大源代码，可用来进行小波降噪或小波模态参数识别

依据白噪声小波变换性态与信号奇异性相比具有显著不同的特点,在大尺度下设置阈值,去掉噪声信号而保留图像细节信号引起的模极大值点。在阈值设置问题上,采用自适应阈值的方法,克服单一阈值不能在每级尺度上将信号与噪声作最大分离的缺点。实验表明,与单一阈值去噪方法相比,该方法不仅可以保留图像边缘信息,而且能提高去噪后图像的峰值信噪比 2～5 dB。

这是一段用小波模极大值进行图像边缘检测的程序，欢迎批评指正。

复杂背景下的图像边缘通常非常复杂。为了解决人耳图像边缘检测中区域精度要求和抗噪性的矛盾,提出了一种基于小波模极大值的人耳边缘提取方法。首先对图像进行小波分解,得到3种不同尺度下的小波模极大值图像;接着将图像分别转换为二值边缘图像;然后将这些图像进行叠加;最后利用肤色二值图排除肤色区域范围外的噪声点得到边缘图像。此肤色二值图是图像经过形态学处理,并且依据人侧脸的先验知识通过分析和筛选所得到的。该方法引入了多尺度小波模极大值图像叠加技术,对解决复杂背景下人耳内外边缘特征难以提取的问题有良好的效果。实验结果表明,该方法在复杂背景下是有效的。

基于故障行波的输电线路单端故障定位利用故障点的反射行波与入射行波到达母线的时间差计算故障距离，但如何区分来自故障点和对端母线的反射行波仍是一个难题。在分析故障点和母线的反射特性的基础上，利用电流行波线模分量小波变换的最初2个模极大值之问的相对极性区分来自故障点和对端母线的反射行波．并提出了一种改进的基于小波变换模极大值的输电线路单端故障快速定位方法，能够不受故障类型、故障电阻及耦合线路的影响。理论分析和仿真结果表明，该方法切实可行。

文章利用小波变换和多分辨率分析的性质,从多尺度角度对图像边缘检测算法进行分析,总结出小波变换模极大值多尺度边缘检测算法。通过对标准图像Lena进行小波变换模极大值多尺度边缘检测结果发现,其比小波变换模极大值边缘检测算法和Canny算法在部分边缘检测中得到了更多的细节信息,使图像变得更真实。