基于小波变换的特征提取和选择及其在模式识别中的应用

小波变换的时频局部化特性使其在特征提取、选择和模式分类中显示出了诱人的应用前景。但离散小波变换缺乏平移不变性、可分离二维小波变换方向选择性弱、最优分类小波基函数的选取缺乏理论依据、如何从高维小波系数空间中构造鉴别力较强的小波特征，并选出低维最优特征集等问题极大地阻碍了小波变换在模式分类中的应用。本课题拟通过引入图像多尺度几何分析、方向小波矩的构造、基于过滤式与封装式模型相结合的复合特征选择模型和自适应小波神经网等新方法解决小波特征提取和选择等关键科学问题。本课题创新点在于结合小波系数的概率分布和信息论测度选择最优分类小波基函数，并系统地提出了一套适合多类目标识别的自适应小波神经网的设计方法。研究内容包括基于提升算法的快速方向小波变换，基于概率信息测度的最优分类小波基函数选择，方向小波特征的构造，基于复合模型的特征选择，基于边界特征的自适应小波神经网和基于小波不变矩的支持向量机识别方法。