51、图像特征提取与电能质量扰动识别方法研究

图像特征提取与电能质量扰动识别方法研究

在当今的科技领域，图像特征提取和电能质量扰动识别是两个重要的研究方向。前者在目标识别、遥感、医学成像等众多图像领域有着广泛应用；后者则对提高电力系统的电能质量至关重要。本文将介绍两种相关的创新方法，分别是基于全局匹配增强局部强度顺序模式特征描述符，以及基于集合经验模态分解（EEMD）和概率神经网络（PNN）的电能质量扰动识别方法。

基于全局匹配增强局部强度顺序模式特征描述符

在图像特征提取领域，已经有许多方法被提出和应用。常见的用于仿射协变区域检测的方法包括基于强度的区域（IBR）、Harris - 仿射、Hessian - 仿射、最大稳定极值区域（MSER）和基于边缘的区域（EBR）等。当前最流行的特征提取方法是尺度不变特征变换（SIFT），它基于直方图，具有较好的尺度不变性。此外，还有如GLOH、SURF、RIFT、DAISY等多种特征提取方法。

然而，局部强度顺序模式（LIOP）虽然能够提取图像的局部特征，但缺乏全局信息，导致在图像分类时可能出现误分类的情况。为了解决这个问题，研究人员提出了一种新的方法，通过添加全局信息到局部强度特征来增强LIOP的性能。

LIOP描述符

LIOP描述符利用整体强度将局部图像块划分为子区域（序数箱），并计算相邻样本点的强度关系。具体来说，假设 $P_N = {p_1, p_2, …, p_N}$ 是 $N$ 维向量的集合，$\gamma$ 是从 $N$ 维向量到 $N$ 维排列向量的映射，定义为：
[
(\pi, P_N) \in \prod_N \times P_N, \gamma(P_N) = \pi
]
其中 $