血细胞自动识别中特征提取方法综述

运用计算机模式识别技术识别血细胞图像,是医学图像领域应用的一个重要研究课题,在血细胞识别过程中,细胞的特征提取是至关重要的一环。本文从形态学特征、颜色特征、纹理特征等几个方面综述了血细胞自动识别中几种细胞特征的提取方法。     

虹膜区域预处理及纹理特征提取方法的研究

随着电子信息技术的发展,个人的一些隐私信息越来越容易受到侵犯,而基于虹膜纹理特征的虹膜识别技术在确保个人信息安全这一块扮演着越来越重要的角色。在结构上分为预处理和纹理特征提取两部分。在预处理部分,提出一种基于共形几何代数理论结合最小二乘拟合的虹膜区域边界定位方法;在虹膜纹理特征提取部分,提出一种基于多特征的纹理提取方法。实验结果证明,在虹膜区域定位这一块,该方法定位结果准确,能实现对虹膜区域内外边缘的同时定位;在纹理特征提取部分,基于多特征的纹理图像查准率有了很大的提高。     

基于机器视觉的印刷套准识别方法研究*

针对印刷套准检测存在的精度低、速度慢的问题,提取了印刷标志图像的Tamura纹理特征：粗糙度、对比度和方向度,以描述其印刷标志套准或套不准特征;设计了支持向量机的分类器对印刷标志图像进行套准识别,并采用高斯径向基核函数用于非线性数据的分类。实验结果证明,采用建议的印刷标志图像特征提取和分类方法,识别准确率达到90%,识别时间为0.032751秒。本文建议的方法在识别准确率和识别速度上都优于人工检测和文献8的方法。     

一种基于集成学习和特征融合的遥感影像分类新方法

针对多源遥感数据分类的需要,提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取,利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数,并与光谱特征结合,形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合,对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力,综合了多种算法的优势,能够有效地提高总体精度和各类别的分类精度.     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

遥感影像地物分类识别的研究与实现

遥感影像地物分类识别在环境监测、地质调查等领域都有着广阔的应用前景。对遥感影像进行光谱特征和纹理特征提取,并利用支撑向量机(SVM)进行地物分类是遥感影像地物识别的一种常用的方法。文章详细介绍了该方法的理论、思路及实现过程,并基于ENVI和MATLAB环境进行实验仿真证明其有效性,具有良好的研究和学习意义。     

利用抗噪纹理特征的快速鸟鸣声识别

针对非平稳噪声下的鸟鸣声识别问题,提出一种利用抗噪纹理特征的快速鸟鸣声识别方法,该方法也解决了纹理特征提取过程中灰度共生矩阵（GLCM ）占用空间大,以及计算量大、耗时的问题。该方法分三个步骤,首先,通过短时谱估计算法对鸟鸣声带噪功率谱进行音频增强;然后,采用和差统计法（SDH ）对增强功率谱快速提取纹理特征;最后,由随机森林进行分类。在实验部分,设计了两组对比实验,结果表明,该方法有良好的识别性能、较少的时耗,且具有噪声鲁棒性。     

证据理论和改进神经网络相融合的图像识别算法

针对单一特征图像自动识别算法存在识别结果不稳定和识别正确率低等缺陷,提出一种基于证据理论和改进神经网络相融合的图像自动识别算法.首先提取能反映图像类别信息的颜色和纹理特征,然后采用RBF神经网络对单一特征进行初步识别,识别结果作作为证据,最后采用证据理论对初步识别结果进行决策融合处理,得到图像最终识别结果.仿真测试结果表明,该算法的平均识别正确率达到92.29％,相对于单一特征识别算法,图像识别结果的可靠性和正确率得到了大幅提高,具有较好的应用前景.     

基于纹理特征的汽车车型识别

提出了一种基于纹理特征的汽车车脸车型识别方法。首先对车辆图像进行预处理,再通过基于灰度共生矩阵的纹理分析,得到纹理特征值,即待识别车型的纹理特征,最后利用最小距离分类器进行车型识别。实验结果表明,文中提出的车型识别方法简便、快捷、有效。     

基于汉明约束和CLTP的人脸识别

为解决局部三值模型（LTP）在特征提取方面的不足以及在复杂条件下使用一致模式产生的特征误判,提出了一种基于汉明约束和完整LTP的人脸识别方法。该方法在原LTP的基础上,增加对微纹理特征的描述,使得提取的特征更加全面;然后,针对复杂环境下使用一致模式变换产生的特征误判,提出了汉明约束以实现对有效数据的筛选。最后,使用最近邻判别分类器对数据进行判别分类。该方法在FERET、ORL标准人脸库中取得了较好的识别效果,证明了该方法的有效性。     

一种稳定的基于极端学习机的纹理分类方法

针对传统基于极端学习机(ELM)的纹理分类方 法容易出现输出不稳定的缺点,本文将线性和非线 性模型进行融合,改进了传统动力学模型。利用ELM能够快速学习的特点,将其作为基分类 器,同时利用 线性吸引子和局部吸引子的迭代,实现多个ELM分类器的最佳融合,以提升学习模型的泛 化能力和稳定 性。利用动力模型实现多分类器的融合有助于寻求多个基分类器之间的一致性,摒弃了基分 类器中判别错 误的样本输出。通过对CUReT纹理数据库的分类结果,与传统纹理分类方法相 比,本文算法的稳定性 和分类准确率都得到了一定程度的提升,取得了理想的分类效果。     

Robotic grasping recognition using multi-modal deep extreme learning machine

Recognizing which part of an object is graspable or not is important for intelligent robot to perform some complicated tasks. In order to obtain good grasping performance, learning rich representations efficiently from multi-modal RGB-D images is crucial. To address this problem, in this paper, we propose an effective multi-modal deep extreme learning machine structure. In this structure, unsupervised hierarchical extreme learning machine (ELM) is conducted for feature extraction for RGB and depth modalities separately. Then, the shared layer is developed by combining both RGB and depth features. Finally, the ELM is used as supervised feature classifier for final decision. Experimental validation on Cornell grasping dataset illustrates that the proposed multiple modality fusion method achieves better grasp recognition performance.     

An enhance excavation equipments classification algorithm based on acoustic spectrum dynamic feature

Underground pipeline network surveillance system attracts increasingly attentions recently due to severe breakages caused by external excavation equipments in the mainland of China. In this paper, we study excavation equipments classification algorithm based on acoustic signal processing and machine learning algorithms. A cross-layer microphone array with four elements is designed to collect the acoustic database of representative excavation equipments on real construction sites. The generalized sidelobe canceller algorithm is employed for background noise reduction. The improved spectrum dynamic feature extraction algorithm is then implemented for the benchmark acoustic feature database construction of excavation equipments. To perform classification and background noise identification, the single hidden layer feedforward neural network is employed as the classifier. An improved algorithm based on the popular extreme learning machine (ELM) is proposed for classifier learning. The leave-one-out cross validation strategy is adopted for the regularization parameter optimization in ELM. Comprehensive experiments are conducted to test the effectiveness of the proposed algorithm. Comparisons with state-of-art classifiers and the Mel-frequency cepstrual coefficients acoustic features are also provided to demonstrate the superiority of our approach.     

Joint Feature Representation and Classifier Learning Based Unsupervised Domain Adaption ELM

In the problem of unsupervised domain adaption Extreme learning machine (ELM), the output layer parameters need to have both classification and domain adaptation functions, which often cannot be simultaneously fully utilized. In addition, traditional matching method based on data probability distribution cannot find the common subspace of source and target domains under large difference between domains. In order to alleviate the pressure of double functions of classifier parameters, the entire ELM learning process is mainly divided into two stages: feature representation and adaptive classifier learning, thus a joint feature representation and classifier learning based unsupervised domain adaption ELM model is proposed. In the feature representation stage, the source and target domain data are projected to their respective subspace while minimizing the difference in probability distribution between the two domains. In the adaptive classifier learning stage, the smooth manifold regularization term of target domain is used to improve the parameter adaptive ability. Experiments on six different types of datasets show that the proposed model has higher cross-domain classification accuracy.     

混合蒙特卡罗搜索的特征选择算法的优化

特征选择是机器学习和数据挖掘中处理高维数据的初步步骤,通过消除冗余或不相关的特征来识别数据集中最重要和最相关的特征,从而提高分类精度和降低计算复杂度。文中提出混合蒙特卡罗树搜索特征选择算法(HMCTS),首先,根据蒙特卡罗树搜索方法迭代生成一个初始特征子集,利用ReliefF算法过滤选择前k个特征形成候选特征子集;然后,利用KNN分类器的分类精度评估候选特征,通过反向传播将模拟结果更新到迭代路径上所有选择的节点;最后,选择高精度的候选特征作为最佳特征子集。仿真结果表明,对比HPSO-LS和MOTiFS算法,HMCTS算法具有良好的可扩展性,且分类精度高。     

基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点,而导致图像匹配过程中运算量大、效率低的问题,提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息,在此基础上利用SIFT算法提取特征点,这样能够减少冗余特征点,以有效提高算法匹配效率。实验测试结果表明,该算法与传统的SIFT算法相比,冗余特征点少,特征点匹配效率提高到98.04%。     

结合多特征融合和极限学习机的红外图像目标分类方法

针对红外图像目标分类问题,提出了结合多特征融合和极限学习机（extreme learning machine,ELM）的方法。采用主成分分析（principal component analysis,PCA）、局部二值模式（local binary pattern,LBP）以及尺度不变特征变换（scale-invariant feature transform,SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性,因此具有互为补充的优势。在此基础上,基于多重集典型相关分析（multiset canonical correlations analysis,MCCA）对三类特征进行融合处理,获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性,还有效去除了冗余信息。分类过程中,采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点,有利于提高红外目标分类的整体性能。因此,所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中,采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比,实验结果证明了提出方法的性能优势。     

基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点, 而导致图像匹配过程中运算量大、效率低的问题, 提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息, 在此基础上利用SIFT算法提取特征点, 这样能够减少冗余特征点, 以有效提高算法匹配效率。实验测试结果表明, 该算法与传统的SIFT算法相比, 冗余特征点少, 特征点匹配效率提高到98.04%。     

基于统计几何的纹理特征提取及分类算法

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征(SGF)纹理分析方法并与向量机结合构建分类系统。对支持向量机(SVM)的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把一幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

基于小波变换的图像检索技术

通过对图像进行特征提取的方法,设计并实现了一种基于小波纹理特征的图像检索原型系统,并利用所获得的纹理特征对图像库进行检索。实验结果表明,小波变换是一种有效的纹理特征提取方法,能有效地提高检索的准确度。