1) discrete Haar wavelet
离散Haar小波分解
2) Haar wavelet decomposition
Haar小波分解
1.
Firstly, Haar wavelet decomposition is used to obtain the enhanced image which is the sum of the square of LH sub-image and HL sub-image.
首先,采用自底向上的注意力机制,对图像进行Haar小波分解,对得到的HL,LH分量进行平方求和,得到增强图像,然后对该增强图像在垂直方向上进行侧投影,基于得到的投影曲线进行多层阈值分割,找到显著性建筑物候选区域。
3) discrete wavelet decomposition
离散小波分解
1.
First,staring point of vibration signal is found by discrete wavelet decomposition,then effective data domain is got from original signal,and finally cross-correlation delay estimations is carried out.
在进行互相关时延估计前,首先利用离散小波分解寻找振动起始点,并提取出有效数据域,在显著提高运算速度的同时,有效降低了各类相干噪声和干扰引入的定位误差。
4) discrete wavelet decomposition and reconstruction
离散小波的分解与重构
5) Haar wavelet
haar小波
1.
Implementation of coefficient of Haar wavelet filter by single-mode-fiber coupler;
基于单模光纤耦合器的Haar小波滤波器系数的实现
2.
Texture classification based on M-mand Haar wavelet transform and slant Haar wavelet filter banks;
多进制Haar与斜Haar小波在纹理分类中的应用
3.
A pyramid decomposition and reconstruction algorithm based on haar wavelet;
一种基于Haar小波的塔式分解重构算法
6) double Haar wavelet
双Haar小波
1.
The double Haar wavelet proposed recently can make image denoising more efficient.
在小波域实现信号噪声的滤除是近年来图像处理领域中的研究热点,尤其是三通道双Haar小波的提出,使噪声抑制更加有效。
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条