基于半监督聚类的煤泥浮选泡沫图像分类方法

针对选煤厂煤泥浮选过程加药量依靠人工干预存在主观性、滞后性和粗放性的问题,提出了一种基于半监督聚类的煤泥浮选泡沫图像分类方法。首先,采集已知加药比例与未知加药比例下的煤泥浮选泡沫图像样本,并对泡沫图像进行预处理,提取泡沫的气泡个数、气泡面积、气泡周长等形态特征;然后,对已知加药比例下泡沫图像形态特征样本进行标志,对未知加药比例下泡沫图像形态特征样本不做标志,并将已标志泡沫图像形态特征样本与未标志泡沫图像形态特征样本进行混合;最后,利用基于高斯混合模型的半监督聚类方法对混合样本进行聚类后得到各类簇,将各类簇内已标志泡沫图像形态特征样本的信息映射到未标志泡沫图像形态特征样本。应用结果表明,该方法可为煤泥浮选生产过程加药量调整提供指导,降低了药剂消耗量,提高了选煤厂浮选自动化水平和经济效益。     

MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模型(GMM)在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型(SSGMM)泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.     

基于聚类的自动颜色传输

提出了一种基于聚类的颜色传输算法。利用算法可以自动完成彩色图像间、彩色图像和黑白图像间的全局或者局部颜色传输。首先,对于源图像,将采用混合高斯模型进行建模,并利用EM算法求得相应参数完成图像自动聚类。对于目标图像,如果是彩色图像,采用同样聚类方法。如果是黑白图像,采用K-Means聚类法。完成源图像和目标图像的聚类,并建立双方聚类区域的对应关系后,通过改变目标图像中像素的Lαβ通道值完成色彩传输功能。实验证明,算法高效且无需人工干预,颜色传输效果很理想。     

一种基于混合特征核的图像检索方法

为了更准确地描述图像的视觉特征,提高图像检索的查准率与查全率,提出了一种基于混合特征核的图像检索方法.该方法提取图像的颜色、纹理、SIFT特征,引入高斯核函数,建立图像的混合特征核模型,在高维的核空间进行基于核的图像聚类.实验表明,该混合模型与传统多特征融合方法以及单一特征核方法相比,能够更好地表示图像的视觉特征,提高检索的查准率和查全率.     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

一种快速颜色传输算法

图像间的颜色传输是将一幅图像的颜色特征传输给另一幅图像,使目标图像具有与参考图像相似的色彩。提出一种自动的、快速颜色传输算法。在HSV空间模糊聚类生成代表不同色调特征的样本区域;通过计算各样本区域的特征向量间的距离,建立样本区域之间的匹配关系;利用图像在ιαβ 空间的基本统计信息进行局部颜色传输;最后利用隶属度因子融合局部传输效果。对有效色调值进行加权聚类,大大降低聚类样本数量,在取得较好的颜色传输效果的同时,显著地提高了传输速度。     

一种移动机器人视觉图像特征提取及分割方法

提出一种基于HSI(Hue-Saturation-Intensity) 颜色分量的颜色特征提取方法．该方法结合HSI 颜色 分量反映物体本质颜色的特点和直方图多阈值分类对图像内容的自适应优点,采用直方图多阈值分类方法量 化各HSI 颜色分量,组合量化后的颜色分量提取图像颜色特征．对该方法提取的视觉图像颜色特征进行聚类, 并对视觉图像进行分割;分割结果验证了本文所提颜色特征提取方法的有效性和可行性．针对颜色分量直方 图数据局部极大值引起的颜色分量过分类问题,提出一种通过修改极大值对之间的数据来去除颜色分量直方 图局部极大值的方法．该方法定量分析颜色分量直方图数据的分布特点,从而确定并修改颜色分量直方图数 据中的局部极大值．实验结果验证了该方法能够有效去除直方图数据局部极大值．     

基于变分贝叶斯对比网络的非参数图像聚类方法

非参数图像聚类中聚类簇数是未知的，需要模型自动发现.虽然一些现有的贝叶斯方法可以自动推断聚类簇数，但由于计算成本过高或过于依赖已学习到的特征，在大规模图像数据集上并不可行.因此，文中提出基于变分贝叶斯对比网络的非参数图像聚类方法.首先，利用ResNet提取图像特征.然后，提出深度变分迪利克雷过程混合优化方法，自动推断聚类数量，可直接嵌入端到端的深度模型，并可与特征提取器进行联合优化.最后，提出极化对比聚类学习，利用极化标签去噪策略对标签进行去噪和极化处理，并利用极化标签与数据增强预测标签进行对比学习，联合优化图像特征提取器和分类器.在三个基准数据集上的实验表明，文中方法性能较优.     

基于局部回归融合的多核聚类方法

针对现有多核聚类方法较少考虑多核数据局部流形结构以及在多核融合时学习参数过多进而易受多核噪声异常等干扰的问题,文中首先提出了基于局部核回归的聚类方法(CKLR).该方法通过局部学习来刻画单核数据的流形结构并采用稀疏化的局部核回归系数来进行预测和聚类.文中进一步提出了基于单核局部核回归融合的多核聚类方法(CMKLR).该方法为每个核矩阵构造对应的稀疏化的局部核回归系数,并采用全局线性加权融合的方式获得了多核数据下的局部流形结构和同样稀疏化的多核局部回归系数.所提方法较好地避免了现有方法的两个缺陷,且该方法仅包含局部邻域大小这一超参数.实验结果表明,所提方法在测试数据集上的聚类性能优于当前的主流多核聚类方法.     

基于改进型LBP算法的植物叶片图像识别研究

为了解决LBP算法抽取的纹理特征仅考虑了邻域像素的特征,忽略关键的局部和全局特征的问题,提出一种基于改进型LBP算法的WCM-LBP植物叶片图像特征提取方法。该算法融合了加权局部均值算法WRM-LBP和加权全局均值算法WOM-LBP,通过提取叶片基于区域的关键几何特征和纹理特征对LBP特征描述符进行加权改造,并采用加权局部均值和加权全局均值代替传统的中心像素点,最后将叶片图像的R、G和B通道颜色分量和灰度值作为特征输入矩阵进行图像分析。该算法结合特征加权的模糊半监督聚类算法（SFFD）应用于经典的Flavia、Swedish、Foliage以及自测图片集等4种植物叶片图像数据集中进行实验。实验结果表明,该算法具有很强的鲁棒性,能够有效区分机器视觉下植物叶片图像的关键性识别特征,有效解决叶片图像的分类识别中关键特征的描述问题。     

基于决策融合的图像自动标注方法

结合多媒体描述接口（MPEG-7）和MM（Mixture Model）混合模型,实现了基于决策融合的图像自动标注。在图像标注过程中,分别利用颜色描述子和纹理描述子为每个主题下的图像建立MM混合模型,实现低层视觉特征到高层语义空间的映射,利用局部决策融合方式融合在颜色和纹理MM混合模型下的标注结果,实现图像自动标注。通过在corel图像数据集上的实验,表明提出的局部决策融合方式能更充分利用图像的颜色和纹理信息,提高了图像标注性能。     

基于局部特征融合的邻域排斥度量学习亲属关系认证算法*

针对如何利用人脸图像局部特征进行亲属关系认证的问题,文中提出基于局部特征融合的邻域排斥度量学习亲属关系认证算法.首先抽取脸部的关键区域,分别对每块关键区域提取纹理和肤色特征.然后进行特征融合.最后引入度量学习,学习能使具有亲属关系样本距离变小、非亲属关系样本距离变大的变换矩阵,利用已有数据样本间相似程度的先验知识学习最佳相似性度量,更好地刻画亲属样本间的相似关系.在KinFaceW-I和KinFaceW-II数据库中的实验表明,相比已有的亲属关系认证算法,文中算法性能更好.     

Research on gesture recognition of smart data fusion features in the IoT

With the rapid development of Internet of things technology, the interaction between people and things has become increasingly frequent. Using simple gestures instead of complex operations to interact with the machine, the fusion of smart data feature information and so on has gradually become a research hotspot. Considering that the depth image of the Kinect sensor lacks color information and is susceptible to depth thresholds, this paper proposes a gesture segmentation method based on the fusion of color information and depth information; in order to ensure the complete information of the segmentation image, a gesture feature extraction method based on Hu invariant moment and HOG feature fusion is proposed; and by determining the optimal weight parameters, the global and local features are effectively fused. Finally, the SVM classifier is used to classify and identify gestures. The experimental results show that the proposed fusion features method has a higher gesture recognition rate and better robustness than the traditional method.

     

基于CCA的图像语义特征提取的分析与研究

为了提高图像语义特征提取的精确度,克服目前大部分图像语义特征提取算法中,因图像特征提取不当,导致特征参数不能全面反映图像语义的问题,提出了一种基于典型相关分析(CCA)的特征融合的图像语义特征提取方法。该方法首先采用圆形对称邻域取代传统的矩形邻域的方法,对局部二值模式(LBP)纹理特征进行了改进,然后采用高维小样本下典型相关分析对可伸缩颜色描述算子的颜色特征和改进的LBP纹理特征进行特征融合。实验结果表明,所提出的方法明显提高了图像语义特征提取的精确度,能有效地建立图像的低层特征与语义特征间的一致性。     

基于多特征高效索引的图像检索

为了提高图像检索的准确率和速度,提出了一种多特征组合的图像检索算法。在颜色空间非均匀量化的基础上,利用改进的颜色聚合向量方法提取图像的颜色特征;基于改进的灰度共生矩阵提取纹理特征参数;利用Krawtchouk矩不变量提取图像的形状特征;基于贡献度聚类并建立特征索引库。融合上述特征计算图像间的相似度,使用特征索引对图像进行快速检索。实验结果表明,提出算法的检索精度有较大提高,能快速检索出用户所需的图像。     

基于多特征融合的图像检索

目前图像检索的准确性是研究的难题,主要在于特征提取的方法。为了提高图像检索的精度,在图像底层特征研究的基础上,提出了一种综合多特征的图像检索算法--基于底层特征综合分析算法(CAUC)。首先,在YUV颜色空间下提取图像的平均值和标准方差作为全局颜色特征,获得图像的二值位图,提取其局部颜色特征;然后,基于紧密度和Krawtchouk矩不变量提取图像的形状特征;再根据改进的四像素共生矩阵算法提取图像的纹理特征;最后综合多特征将待查询图像与图像库中图像进行相似度计算,返回相似度高的图像。在Corel-1000的图像集上的实验结果显示,与原来仅考虑四像素共生矩阵的方法相比,CAUC的查准率与查全率没有明显降低,但检索时间大大减少;与另外两种多特征融合的图像检索方法相比,CAUC仍能在保证较高检索速度的同时提高查准率与查全率。实验结果表明,CAUC方案能有效提取图像特征,提高检索效率。     

基于纹理粗细度测量的铝土矿浮选过程最佳精选泡沫状态分析

为实现铝土矿浮选生产工况的自动监测和智能评价,提出一种基于机器视觉的精选泡沫最佳生产状态量化分析与选择方法。首先,通过改进LBP算子实现精选泡沫图像表面纹理粗细度特征的提取;然后,进一步分析了精矿品位与精选泡沫纹理特征间的关系,以获得最佳生产工况下的精选泡沫表面纹理粗细度特征区间。该方法可以实时监测精选泡沫表面纹理的变化,并自动鉴别精选泡沫是否处于最佳生产状态,为实现铝土矿浮选过程优化控制奠定了基础。     

存在运动目标时的图像镶嵌方法研究*

针对在图像镶嵌过程中,存在运动目标时所导致的虚影现象及明显拼接缝的问题,提出了一种图像无缝镶嵌方法。该方法在结合支持向量机处理运动目标的基础上,通过尺度不变特征点的提取以及变换模型参数的更新,得到更加精确的变换矩阵。另外,在图像融合过程中,最优拼接缝的寻找综合了颜色、纹理及结构等多方面的信息。实验表明,该方法能够很好地消除虚影现象和拼接缝隙,得到高质量图像,从而获得无缝镶嵌的效果。     

M-FPCA在彩色人脸图像识别中的应用

将因子化主成分分析（FPCA）算法应用于人脸图像特征提取时,需要使用迭代算法,但该算法应用于高分辨率图像时实时性较差,并且可能导致维数灾难。针对上述问题,提出一种模块化FPCA（M—FPCA）的新型特征提取方法。将原始数字图像样本进行模块化,对模块化后得到的各个子图像矩阵采用FPCA算法进行特征提取,合并子图像特征矩阵得到原图的特征矩阵。彩色图像由R、G、B3个分量来表示,根据现有彩色信息融合方法的不足,对其进行改进,并结合M—FPCA算法,提出一种彩色M—FPCA新方法。在CVL和FEl人脸库上进行的实验结果表明,M—FPCA方法能提高FPCA算法的实时性,解决维数灾难问题。彩色M—FPCA方法能有效提取彩色人脸图像的色彩信息,得到较高的人脸识别率。     

一种基于特征的遥感影像融合新方法

基于特征的影像融合主要是在突出目标地物的空间结构和纹理特征情况下的信息融合,在小波多分辨率分析理论基础上,采用小波变换方法对高分辨图像的目标地物边缘信息增强后与多光谱图像进行特征融合,在融合过程中,没有采用传统的HIS小波融合方法,而是采用RGB小波变换的方法,用多光谱图像中的R、G、B 3个波段经小波分解后的低频图像与特征增强后的高分辨率图像、经小波分解后的高频图像分别进行融合,再经RGB合成为彩色图像得到最后的融合图像,这样既改善了图像的清晰度和分辨率,同时也保留了原多光谱图像的光谱信息。最后通过实验验证了上述结论。