1) FLWT
快速提升小波变换
1.
A novel digital watermarking scheme based on two_d imension fast lifting wavelet transform(FLWT) using human visual system(HVS) for copyright protection of still image is presented.
提出了一种基于快速提升小波变换与人眼视觉特性的新数字水印算法 ,该算法以提升小波变换为基础 ,能够通过水印序列随机置换、视觉掩盖特性值计算、小波系数排序等措施 ,较迅速地将数字水印信息嵌入到小波图像高频子带的纹理区内的重要位置上 ,从而高效率地实现局部水印和全局水印的双重目标 。
2) FILWT
快速整数提升小波变换
1.
The advantages of fast integer lifting wavelet transform(FILWT)are discussed and a hardware im-plement based on it is presented in this paper.
讨论了快速整数提升小波变换(FILWT)算法易于硬件实现的优点,提出了基于该算法的一种硬件设计,对所实现的硬件系统实际测试表明,该设计具有实现简单、实时性强、处理数据速度快等特点。
3) fast lifting wavelet
快速提升小波
1.
Speech feature extraction method based on fast lifting wavelet transform;
基于快速提升小波变换的语音特征提取方法
4) lifting wavelet transform
提升小波变换
1.
A Method based on fast lifting wavelet transform and modulus maximum for detecting power system singular signals;
基于快速提升小波变换的电能畸变信号模极大值检测方法
2.
VLSI implementation of image compression coding based on lifting wavelet transform;
基于提升小波变换的图像压缩编码的VLSI实现
3.
A autofocusing technology for core image system based on lifting wavelet transform;
基于提升小波变换的岩心图象系统自动聚焦技术
5) lifting-based discrete wavelet transform
提升法小波变换
6) lifting wavelet package transform
提升小波包变换
1.
In order to obtain the feature parameters reflecting engine fault state from cylinder head vibration signal,the lifting wavelet package transformation and the frequency-shift arithmetic are introduced.
为了从发动机缸盖振动信号中快速提取反应故障状态的特征参数,给出了提升小波包变换算法及其移频算法,依据信号时频特性,定义了标准化相对能量,并给出了特征向量提取方案。
2.
In order to on-line process engine cylinder head vibration signals of mobile equipment,a de-noising method with gradual changing threshold based on lifting wavelet package transform was proposed.
为了实现移动装备发动机缸盖振动信号的在线处理,提出一种基于提升小波包变换的渐变式阈值降噪方法。
补充资料：快速傅立叶变换
快速傅氏变换 英文名是fast fourier transform
快速傅氏变换（fft）是离散傅氏变换(dft)的快速算法，它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。它对傅氏变换的理论并没有新的发现，但是对于在计算机系统或者说数字系统中应用离散傅立叶变换，可以说是进了一大步。
设x(n)为n项的复数序列，由dft变换，任一x（m）的计算都需要n次复数乘法和n-1次复数加法，而一次复数乘法等于四次实数乘法和两次实数加法，一次复数加法等于两次实数加法，即使把一次复数乘法和一次复数加法定义成一次“运算”（四次实数乘法和四次实数加法），那么求出n项复数序列的x（m）,即n点dft变换大约就需要n2次运算。当n=1024点甚至更多的时候，需要n2=1048576次运算，在fft中，利用wn的周期性和对称性，把一个n项序列（设n=2k,k为正整数），分为两个n/2项的子序列，每个n/2点dft变换需要（n/2）2次运算，再用n次运算把两个n/2点的dft变换组合成一个n点的dft变换。这样变换以后，总的运算次数就变成n+2（n/2）2=n+n2/2。继续上面的例子，n=1024时，总的运算次数就变成了525312次，节省了大约50%的运算量。而如果我们将这种“一分为二”的思想不断进行下去，直到分成两两一组的dft运算单元，那么n点的dft变换就只需要nlog2n次的运算，n在1024点时，运算量仅有10240次，是先前的直接算法的1%，点数越多，运算量的节约就越大，这就是fft的优越性。
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