基于NSCT-Gabor特征和脉冲耦合神经网络的SAR图像分割

针对SAR图像目标的精确分割问题,利用非下采样轮廓波变换(NSCT)和Gabor滤波器分别提取图像特征,然后采用脉冲耦合神经网络(PCNN)对目标区域进行增强,提出了一种分割算法。分别对图像进行NSCT分解和Gabor滤波,对NSCT域的高、低频子带系数构造一个特征图,对Gabor滤波的不同尺度构造对应的特征图,对所获取的各个特征图用PCNN进行目标增强,最后对增强的特征图进行合理合并与分割。利用MSTAR SAR数据库中各种干扰强度下的图像进行了实验,结果表明,相比于模糊C均值、马尔可夫随机场等常见的分割算法,所提出的算法分割结果更为准确,同时受噪声干扰更小。     

基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法

该文提出了一种基于Gabor滤波器和Three-Patch Local Binary Patterns(TPLBP)局部纹理特征提取的合成孔径雷达(Synthetic Aperture Rader, SAR)图像目标识别算法。首先, 利用Gabor滤波器对SAR图像在不同方向上进行滤波, 增强SAR图像中目标及其阴影的关键特征;然后, 利用TPLBP算法对Gabor滤波之后的图像进行局部纹理特征提取, 该算法克服了Local Binary Patterns(LBP)算法无法描述大范围领域纹理特征的缺陷, 并且保持了LBP旋转不变的特性, 减少了SAR图像目标方位变化对识别效果的影响;最后利用极限学习机(Extreme Learning Machine, ELM)分类器实现目标识别。该文通过MSTAR数据库中的3类SAR目标识别实验验证了该算法的有效性。      

结合Gabor滤波器和ICA技术的纹理分类方法

提取有效的特征用于纹理描述和分类一直是纹理分析的难点.本文提出一种结合Gabor滤波器和ICA技术的纹理特征提取方法,即纹理图像首先经过Gabor滤波器组滤波,然后由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析PCA进行降维,最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于纹理分类.通过与经典Gabor滤波器和ICA方法的对比实验,验证和评价了本文方法的性能.     

基于多尺度多方向Gabor模板的光学/SAR景象匹配

合成孔径雷达(SAR)成像制导通常采用光学基准图和SAR实时图进行特征提取和景象匹配.提出了一种光学/SAR异类影像匹配方法,利用多尺度多方向Gabor模板提取图像的Gabor特征后进行特征匹配,首先对SAR图像进行方向Frost滤波预处理,然后分别计算光学图像和SAR图像的高斯梯度图像,再利用多尺度多方向二维Gabor滤波器模板分别对两幅高斯梯度图像进行特征提取,最后对两组特征矩阵进行归一化互相关匹配.该方法直接利用光学图像和SAR实时图进行景象匹配,实验表明,该异类影像匹配方法较其他传统方法具有较高的鲁棒性和准确性.     

基于ROEWA和Gabor滤波的SAR图像边缘提取

针对合成孔径雷达(SAR)图像特有的乘性噪声和非恒虚警统计特性很难正确提取目标边缘的问题,提出了在指数加权均值比(ROEWA)算子基础上寻找自适应的最佳局域Gabor滤波器进行目标边缘提取的方法。利用Gabor滤波器具有的多方向特性确定边缘方向,然后用最大似然估计纠正错误边缘方向,重新结合视觉细胞倍频程计算出Gabor函数的最佳局域滤波参数,提取出SAR图像的正确边缘。实验表明,该方法取得很好边缘提取效果,并且后期分割出的目标更符合实际目标形态,具有较强的通用性。     

光照不变量特征提取新方法及其在目标识别中的应用

针对LNSCT光照不变量提取方法因舍弃低频分量而丢失目标轮廓信息的问题,本文提出了一种新的光照不变量提取方法MLNCST.新方法首先用NSCT将对数域的输入图像进行第一重多尺度分解,实现低频分量和高频分量的分离;其次对高频子带系数进行BayesShrink阈值滤波,低频分量做逆NSCT得到其特征图像;然后对特征图像进行第二重NSCT分解,并对分解后的高频子带阈值滤波以及低频分量逆NSCT;经多重NSCT分解,最后由多次分解后的高频子带系数集提取光照不变量特征.经进一步研究光照不变量特征与原始图像之间的关系,设计了并行同步卷积神经网络-Dual Lenet,通过融合两者的高层特征来提高地面目标识别的准确率.实验结果显示,在Lenet模型下,MLNSCT比LNSCT具有更高的分类准确率,并且随着分解重数的增加分类准确率更高;同时融合了光照不变量特征的Dual lenet能进一步提高地面目标识别准确率.     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

基于小波变换和部分最小二乘的掌纹识别

子空间法作为一种传统的识别方法,识别时基于整幅图像,复杂性比较高,而且没有考虑类别信息.为了降低计算复杂性和在提取数据特征的同时融入类别信息,研究了一种基于小波变换和部分最小二乘(PLS)的掌纹识别算法.在建议的识别方法中,首先通过小波三级分解提取低频子图像,对低频子图像应用PLS提取掌纹特征,然后将样本投影到提取的特征上作为特征向量进行分类识别.应用PolyU掌纹图像库进行实验分析,实验结果表明:与主元分析(PCA)、二维主元分析(2DPCA)和独立主元分析(ICA)相比,该方法的识别率得到了很大的提高,大大减小了误识率和拒识率,验证了该方法的有效性.     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

基于对称Gabor小波滤波的舰船目标识别方法

文中构建一种对称Gabor小波滤波器(SGWF),能够对逆合成孔径雷达(ISAR)像中舰船进行识别。由Gabor小波滤波器构建的SGWF 滤波器具有上下对称结构,对镜像翻转的图像滤波后仍具有镜像对称性。使用SGWF 与奇异值分解(SVD)相结合来提取特征,使得该方法可以避免因多普勒变化导致的ISAR正像和倒像的检测问题。SGWF可在不同尺度和方向对图像进行滤波,充分反映图像的纹理特征和强度特征。在实验中,使用九艘民船的实测ISAR 像进行识别,通过在成像过程加入高斯白噪声来检测算法对噪声的鲁棒性,并检验图像分块数量对算法性能的影响,以及检验训练样本数量对算法性能的影响,识别结果证明了算法的有效性。     

SAR图像启发式搜索直线提取

直线特征是识别线状目标的基础,现有启发式搜索算法仅适用于光学图像的直线特征提取,对SAR图像效果并不理想。针对该问题,提出一种SAR图像直线特征提取的启发式搜索算法。首先对SAR图像进行Frost滤波,然后利用指数加权均值比(ROEWA)算子进行边缘检测,再利用非极值抑制得到边缘二值图,最后采用二次搜索策略及“直线走原则”,充分考虑局部信息,设计启发式搜索的代价函数及搜索规则,实现直线特征提取。实验结果表明,该方法具有较好的抗噪性和抗断裂能力,能够有效地提取出SAR图像中的直线特征。      

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

指静脉红外图像特征不变性编码新方法

基于编码的特征表达方法在光照不变性、运算效率、特征表述能力等方面具有较大优势,成为新型的特征提取方法之一。手指静脉图像采用红外光透射成像,加之手指内部其他组织的固有影响,图像质量普遍较低。将Gabor滤波对图像纹理的增强与局部图结构编码的思想相结合,重点研究一种新的对称邻域交叉图结构,将局部邻域的纹理变化转换为加权的编码串。通过不同方向特征编码提取每个通道Gabor滤波图像的特征编码图,充分表达像素点周围邻域的位置信息和梯度信息,具有良好的旋转不变性。实验结果表明:提出的手指静脉特征编码新方法比多种常用特征编码方法具有更好的识别性能,对图像姿态变化更鲁棒。     

基于Gabor调制的深度多层子空间人脸识别算法

人脸识别的关键在于特征提取,过去主要从完美的低维特征子空间来刻画高维图像,但是近年来深度学习模型为特征提取提供新方向。本文提出在Gabor特征描述子调制下的深度子空间模型,在深度子空间这一新型深度学习框架基础上,使用Gabor滤波器组处理图像,并构建深度特征提取多层网络,得到Gabor调制下的深层抽象特征。首先将传统的8个方向5个尺度的40个Gabor滤波器在尺度上进行压缩得到8个基本Gabor滤波器组;然后将经过Gabor滤波的描述特征分别送入深度化改造的子空间模型,得到图像的深层特征表示;其次将这些特征进行哈希编码,直方图分块,作为描述特征。本文在FERET、ORL、CMU_PIE等数据库上讨论加入Gabor滤波器调制后的深度多层子空间特征提取模型在人脸识别问题上性能的提升,实验结果表明,该算法可以取得较好的识别率,并对光照、表情、姿态等有很好的鲁棒性,能够弥补浅层网络易受训练图像影响的缺点。      

基于Gabor小波与HOG特征的目标检测方法

针对传统的HOG目标识别方法,提出一种通过Gabor滤波融合后的进行HOG特征提取的目标检测方法。为了提高HOG特征提取信息的有效性,首先用Gabor对目标图像做了预处理,其预处理过程是针对图像Gabor特征的在尺度和方向上进行融合,形成一幅Gabor图像。为了有效提取全局的Gabor图像纹理、轮廓信息,将该图像分为大小相同且重叠的块,分别对每个块进行统计,最后用RealAdaboost级联方法对目标和非目标样本进行学习,并对测试序列进行分类。结果表明,基于梯度的Gabor预处理技术能提高目标特征提取性能。与传统的HOG目标识别的方法比较,该方法在目标图像受到干扰的情况(遮挡、重叠等)下,监测效果明显优越。     

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。