V-系统与Radon变换相结合的纹理分类算法

为了对尺度和旋转变换下的纹理图像进行正确的分类,将Radon变换和V-系统相结合,提出一种纹理分类的算法.首先利用Radon变换将图像的旋转化为平移,再对Radon变换后的图像进行V-变换;利用V-系统的多小波特性,经过一系列的降采样分解过程得到图像在V-系统下的各层次能量表达,并将这些能量作为纹理图像的特征描述.由于V-系统的多小波特性以及Radon变换对旋转的消除,使得文中的特征描述在图像的放缩和旋转变换下有较强的鲁棒性.在通用纹理数据库中的纹理分类实验结果表明了该算法的优越性能.     

基于Log-Polar和DT-CWT的旋转不变纹理分类算法

提出了一种基于对数-极坐标变换和双树复数小波变换的旋转不变纹理分类算法。该方法首先对纹理图像进行对数-极坐标变换将旋转转化为平移,再用具有平移不变性的双树复数小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机算法实现纹理图像的分类。将本方法与其它旋转不变纹理分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。     

基于Radon变换的纹理图像多尺度不变量分析算法

为了更好地进行图像纹理分析,提出了一种基于Radon变换的不变量纹理识别算法。该算法首先利用Radon变换将图像投影到1维空间,然后通过对投影数据进行一种平移和比例不变的自适应小波变换来构造出具有比例和平移不变性的图像的特征矩阵。这种通过对特征矩阵进行多尺度分析得到的多尺度能量特征不但具有平移、比例和旋转不变性,而且反映出了纹理图像在不同尺度上的能量分布特征。在特征提取完成以后,即可利用支撑向量机进行分类。同其他方法的比较说明,该算法可较好地描述纹理特征,并可完成纹理识别。     

基于Radon变换和EMD的旋转不变纹理分类"

提出一种结合Radon变换和经验模态分解(EMD)的旋转不变纹理分类方法。对纹理图像进行Radon变换,使用EMD分解成一系列固有模态函数(IMF),用修改过的能量公式计算各IMF的能量并组成特征向量,利用k-近邻对纹理图像进行分类。通过对Brodatz纹理库中的图像进行分类实验,表明所提方法能够有效地进行旋转不变的纹理分类,较之单一的Radon变换分类有了显著的提高。     

基于形状和纹理的图像检索

构造了Radon变换的不变量，提出一种新的基于形状和纹理的图像检索方法。对小波图像边缘提取Radon不变量作为形状特征，同时提取小波各频道能量作为纹理特征。然后将形状特征和纹理特征分别进行高斯归一化，计算图像形状和纹理的相似度。最后，利用形状和纹理相似度的加权和进行图像检索。试验结果表明该方法对噪声具有较强的鲁棒性，具有尺度、平移和旋转不变性。     

Radon变换域的鲁棒图像Hash算法研究

针对数字图像内容认证的问题,提出了一种基于Radon变换域的鲁棒图像Hash算法。该算法在Radon变换域提取图像平移、缩放不变的矩特征,将矩特征的离散傅里叶变换系数作为图像的Hash值。离散傅里叶变换可实现抗图像旋转操作,并可降低图像Hash的维数。为了增加安全性,整个特征提取过程都是基于密钥进行的。理论分析证明Radon变换域的不变矩特征对一般的图像处理操作,特别是平移、缩放、旋转等几何操作有极好的不变性。实验结果表明提出的算法几乎可以容忍所有的图像内容保存操作,比如缩放、旋转、JPEG压缩、滤波和加噪等,同时对视觉上有明显失真或根本不相似的图像有高度的敏感性。     

基于DT-CWT和SVM的踏面旋转不变纹理提取算法

针对列车车轮踏面旋转纹理信息无法准确、有效提取的问题,提出一种基于Radon变换和双树复小波变换（DT-CWT）的列车车轮踏面特征提取方法。首先,对车轮踏面图像进行Radon变换;然后,对变换后的图像进行DT-CWT分解,使用分解后的各层低频子带系数和高频子带系数模的均值和标准方差构造特征向量,将其作为区分列车车轮踏面是否发生损伤的依据;最后,由支持向量机（SVM）进行分类决策。使用动车所采集的图像及人为加噪声后的图像进行分类实验,结果表明,本文使用的Radon和DT-CWT算法能有效地进行旋转不变纹理的提取,SVM分类正确率可以达到95%,可为列车车轮踏面状况检测提供更为准确便捷的方法支撑。     

基于去降Mallat离散小波变换的彩色图像分割

该文针对Mallat快速离散小波变换,提出了一种利用变换平移不变性的离散小波变换的彩色图像分割方法。首先对原始图像进行平移不变性的小波变换,然后提取颜色和纹理特征,并采用k均值算法进行分割。实验表明该方法对纹理图像和彩色自然图像都具有较好的分割效果。     

基于平移不变预处理的小波变换的虹膜识别算法

普通的离散小波变换具有平移敏感性，无法稳定地表示小波域下的虹膜特征．为了减弱虹膜图像的旋转变化对小波分解系数的影响，提出一种基于虹膜的方向能量分布序列的平移不变预处理方法，以校正虹膜纹理图像角度旋转变化．通过对小波变换系数进行阈值化处理，以双位二进制形式编码虹膜特征．在验证模式下，采用加权Hamming距对未知虹膜进行多模板匹配得出识别结果．基于虹膜图像库进行比对实验，结果表明，增强了小波变换编码虹膜特征的可用性，能够有效地进行虹膜识别．     

基于旋转不变纹理特征的多尺度多方向图像渐进检索

纹理检索是基于内容图像检索的重要内容,旋转不变纹理图像检索是实现纹理检索的关键途径之一.针对旋转不变纹理图像检索中需要解决的3个关键问题:如何消除旋转影响、如何选择多尺度分析方法以及如何构造和度量纹理特征矢量,本文分别分析了Radon变换和Log-polar变换在消除旋转位移时对频谱的影响,以及NSCT变换和小波变换在不同检索参数下的平均检索性能,在此基础上构造出多尺度多方向纹理变换谱和旋转不变特征矢量,提出一种多尺度多方向旋转不变纹理图像渐进检索方法.这种方法采用了可顾及人类视觉对纹理能量敏感性的相似性度量标准,分别采用旋转位移处理后的NSCT变换域低频子带和高通子带实现纹理图像的粗检索和精细检索.Brodatz标准纹理图像库的检索实验表明,本文提出的利用多尺度多方向纹理变换谱构造旋转不变特征矢量的方法既可获取纹理主方向,同时又能有效地表征纹理细节信息,两级渐进式检索策略与多尺度分析方法相结合,既能提高旋转不变纹理图像检索的查准率,又能保证较高的检索效率.     

基于Radon和解析Fourier-Mellin变换的尺度与旋转不变目标识别算法

由于正交矩对噪声鲁棒性强、重建效果好,因此被广泛应用于目标识别与分类中,但是正交矩本质上缺乏尺度变换不变性,而且必要的图像二值化与规一化过程会引入重采样与重量化误差。为此,在研究现有正交矩的基础上,提出了一种基于Radon变换和解析Fourier-Mellin变换的尺度与旋转不变的目标识别算法。该算法首先直接对目标灰度图像进行Radon变换,然后对Radon变换结果进行进一步解析,通过Fourier-Mellin变换将原图像的旋转变化转化为相位变化,将原图像的尺度变化转化为幅度变化;最后,通过定义一旋转与尺度不变函数,同时利用不变函数的4种特征,再应用k-近邻法实现分类。理论与实验结果表明,由于避免了正交矩方法存在的重采样与重量化误差,该算法的分类精度高于基于正交矩的分类方法,而且对白噪声的鲁棒性也显著高于基于正交矩的识别与分类方法。     

基于Radon和解析Fourier Mellin变换的尺度

由于正交矩对噪声鲁棒性强、重建效果好,因此被广泛应用于目标识别与分类中,但是正交矩本质上缺乏尺度变换不变性,而且必要的图像二值化与规一化过程会引入重采样与重量化误差。为此,在研究现有正交矩的基础上,提出了一种基于Radon变换和解析FourierMellin变换的尺度与旋转不变的目标识别算法。该算法首先直接对目标灰度图像进行Radon变换,然后对Radon变换结果进行进一步解析,通过FourierMellin变换将原图像的旋转变化转化为相位变化,将原图像的尺度变化转化为幅度变化;最后,通过定义一旋转与尺度不变函数,同时利用不变函数的4种特征,再应用k近邻法实现分类。理论与实验结果表明,由于避免了正交矩方法存在的重采样与重量化误差,该算法的分类精度高于基于正交矩的分类方法,而且对白噪声的鲁棒性也显著高于基于正交矩的识别与分类方法。     

Geometric invariant features in the Radon transform domain for near-duplicate image detection

Radon transform has been widely used in content-based image representation due to its excellent geometric properties. In this paper, we propose a family of geometric invariant features based on Radon transform for near-duplicate image detection. According to the theoretical analysis between geometric operations (translation, scaling, and rotation) and Radon transform, we present a geometric invariant feature model. Based on the feature model, we developed four kinds of geometric invariant features. In addition, a uniform sampling technique is introduced to combine different features. The comprehensive performance of the combined feature is better than that of a single one. Extensive experiments show that the proposed features are robust, not only to rotation and scaling, but also to other operations, such as compression, noise contamination, blurring, illumination modification, cropping, etc., and achieve strong competitive performance compared with the state-of-the-art image features.     

Log-polar wavelet energy signatures for rotation and scale invariant texture classification

Classification of texture images is important in image analysis and classification. This paper proposes an effective scheme for rotation and scale invariant texture classification using log-polar wavelet signatures. The rotation and scale invariant feature extraction for a given image involves applying a log-polar transform to eliminate the rotation and scale effects, but at same time produce a row shifted log-polar image, which is then passed to an adaptive row shift invariant wavelet packet transform to eliminate the row shift effects. So, the output wavelet coefficients are rotation and scale invariant. The adaptive row shift invariant wavelet packet transform is quite efficient with only O(n /spl middot/ log n) complexity. A feature vector of the most dominant log-polar wavelet energy signatures extracted from each subband of wavelet coefficients is constructed for rotation and scale invariant texture classification. In the experiments, we employed a Mahalanobis classifier to classify a set of 25 distinct natural textures selected from the Brodatz album. The experimental results, based on different testing data sets for images with different orientations and scales, show that the proposed classification scheme using log-polar wavelet signatures outperforms two other texture classification methods, its overall accuracy rate for joint rotation and scale invariance being 90.8 percent, demonstrating that the extracted energy signatures are effective rotation and scale invariant features. Concerning its robustness to noise, the classification scheme also performs better than the other methods.     

面向彩色图像的尺度和旋转不变性特征提取方法及应用

提出一种面向彩色图像的尺度和旋转不变性特征提取方法,并在真实的场景识别中进行了应用。该方法是先对给定彩色图像的各组成平面分别进行Radon变换,然后对得到的Radon变换系数矩阵进行尺度不变性处理,接着对处理后的Radon变换系数矩阵用频率B样条小波进行1维小波变换,在所得到的脊波系数矩阵中计算均值和方差的同时,采用线性回归模型提取在不同的颜色组成平面下所有频率子波段之间的关系属性,最后将得到的特征进行旋转不变性处理,从而得到所提出的尺度和旋转不变性特征。在3个数据库上进行了实验,结果表明本文方法可靠有效。     

基于Radon变换的图像识别研究

基于Radon变换提出了一种新的图像识别方法，首先构造了二维图像在Radon变换空间的平移和比例不变量，然后根据变换空间数据的特性，利用奇异值分解得到了旋转不变量并将其用于三类飞机的识别，仿真结果表明该方法具有很好的性能和较高的实用价值。     

Radon transform orientation estimation for rotation invariant texture analysis

This paper presents a new approach to rotation invariant texture classification. The proposed approach benefits from the fact that most of the texture patterns either have directionality (anisotropic textures) or are not with a specific direction (isotropic textures). The wavelet energy features of the directional textures change significantly when the image is rotated. However, for the isotropic images, the wavelet features are not sensitive to rotation. Therefore, for the directional textures, it is essential to calculate the wavelet features along a specific direction. In the proposed approach, the Radon transform is first employed to detect the principal direction of the texture. Then, the texture is rotated to place its principal direction at 0 degrees. A wavelet transform is applied to the rotated image to extract texture features. This approach provides a features space with small intraclass variability and, therefore, good separation between different classes. The performance of the method is evaluated using three texture sets. Experimental results show the superiority of the proposed approach compared with some existing methods.