深度学习技术在图像识别领域取得突破，使得相关领域研究者开始研究如何将一维数据转换成二维的图像。大家多多少少也看到过类似的研究。转换的方式大致可分为两类：时频类和时域转换类。好处是，一维数据中的关键信息可以在二维图像中充分的突出，利用深度学习技术（CNNs，Transformer，注意力网络）也可以学习到图像中的全局的相关性信息，用于故障诊断、状态识别等研究。

本期不完全整合了27种的一维数据转二维图像方法及其matlab代码，并循环自动生成图像数据集，方便后续结合深度学习网络（CNNs，Transformer，注意力网络）用于故障诊断、状态识别等研究。具体有：

时频类：1.  梅尔频谱图Mel spectrogram2.  短时傅里叶变换short-time Fourier transform3.  s变换S-transform4.  魏格纳分布Wigner-Ville Distribution5.  离散魏格纳分布Discrete Wigner-Ville Distribution6.  希尔伯特变换Hilbert-Huang Transform7.  连续小波变换Continuous wavelet transform8.  实小波变换Real wavelet transform9.  同步压缩变换Synchrosqueezing transform10.  小波同步压缩变换wavelet synchrosqueezed transform11.  小波二阶同步压缩变换wavelet second order synchrosqueezed transform12.  垂直二阶同步压缩变换vertical second-order synchrosqueezing 13.  多尺度同步压缩变换Multisynchrosqueezing Transform 14.  小波多尺度同步压缩变换Wavelet Multisynchrosqueezed Transform 15.  局部最大同步压缩变换Local maximum synchrosqueezing transform 16.  时间重分配多同步压缩变换Time-reassigned Multisynchrosqueezing Transform 17.  同步提取变换Synchroextracted transform18.  小波同步提取变换Wavelet Synchroextracted Transform19.  暂态提取变换transient-extracting transform20.  二阶暂态提取变换Second-order transient-extracting transform 时域转换类：21.  格拉姆角和场Gramian angular summation field22.  格拉姆角差场Gramian angular difference field23.  递归图recurrence plots24.  相对位置矩阵Relative Position Matrix25.  对称点模式Symmetrized Dot Pattern26.  马尔可夫转移场Markov Transition Field27.  符号递归图Symbolic recurrence plots

02. 简要说明及结果

相关方法的理论部分在知网上已经有很多了，这里不再赘述。本期以一段信号展示样本的生成原理，可以替换各种数据集。生成原理如下：以一个滑动窗口去切分原始数据，这样形成多个样本，每个样本对应一张图像。

本期以窗口1024为例，即每个样本包含1024个点，不重叠的切分。为了节省时间，暂以自动生成了5个样本为例，展示效果。

注意：样本数据个数跟原始数据长度和窗口选择有关。

梅尔频谱图Mel spectrogram

连续小波变换Continuous wavelet transform

s变换

递归图Reccurence Plots

魏格纳分布Wigner-Ville Distribution

格拉姆角差场GADF

格拉姆角和场GASF

Matlab代码获取:

沙场大点兵：27种一维数据转换成二维图像的方法-matlab代码