一种多尺度灰度共生矩阵的纹理特征提取算法

纹理特征作为图像的一个重要特征,在国画分类识别中的地位十分重要,但现有的纹理提取算法大多基于灰度信息而忽略了颜色信息。针对国画分类识别中纹理提取算法存在的问题,本文提出了一种多尺度、多色域的纹理特征提取算法,该算法结合了轮廓波变换和灰度共生矩阵的优点。为了对国画进行特征提取,该算法首先将国画图像转变到HSI色彩空间。然后,提取色调、饱和度、强度这三个色彩分量进行分区域操作,即提取每一个色彩分量的纹理特征。最后,将提取的3个特征向量融合并进行主成分分析降维。实验证明,与灰度共生矩阵相比,本文算法在国画分类识别方面查准率提高了7.5%,查全率提高了8.7%。实验表明多尺度灰度共生矩阵算法优于传统的灰度共生矩阵算法。     

基于深度学习的林火图像识别算法及实现探究

文章首先从算法相关软件及平台、GPU工作站、夜间林火和白天林火数据库等方面对林火图像识别算法实验环境简要分析,然后从图像特征提取、分类算法、图像特征与算法结合等方面对传统林火图像识别特征和算法简要分析,最后分别从夜间林火识别和白天林火识别阐述基于深度学习的林火图像识别算法及实现思路,为相关人员提供参考.     

应用支持向量机的纹理分类

提出了一种使用离散余弦变换(DCT)进行特征提取的应用支持向量机的纹理分类算法,并将文章中的算法与 KIM K I 等提出的不进行先期特征提取而直接将纹理图像送入支持向量机进行训练分类的算法进行比较。结果显示,文章中的算法可以取得更为准确的分类结果,能够大大降低分类错误率,并且分类结果受参数变化的影响很小。由此说明,在使用支持向量机进行纹理分类的过程中,准确的先期特征提取十分必要。     

一种基于Wedgelet变换的遥感图像分类算法

介绍了一种基于Wedgelel(楔波)变换的遥感图像分类算法.该算法将多尺度Wedgelet变换应用于遥感图像区域分割,在此基础上提取各分割区域的Gabor纹理特征实现对遥感图像的分类.为了检验该算法的可行性,将其应用于向海和查干湖遥感图像,并与灰度共生矩阵、高斯马尔科夫随机场等纹理分类算法进行了比较.结果表明,该算法要优于灰度共生矩阵及高斯马尔科夫随机场分类算法,能够得到较高的分类精度和Kappa系数.     

改进的综合BTC颜色矩和DT-CWT的图像检索算法

特征提取是基于内容的图像检索中的关键技术.针对基于单一特征检索效果不理想的问题,提出一种改进的综合颜色和纹理特征的图像检索算法.该算法在YIQ颜色空间中进行特征提取,首先结合方块编码(BTC)的思想,提取颜色矩作为颜色特征;采用双树复小波变换(DT-CWT)提取纹理特征,融合两种特征并利用相似性度量方式进行图像检索.实验结果表明算法所提取的颜色、纹理特征更利于检索,使用综合特征检索的平均查准率比同类算法更高.     

神经网络的图像识别技术及方法分析

神经网络图像识别技术属于图像识别中一种新型技术,主要是基于传统图像识别方式及基础,同时结合了神经网络算法的图像识别方式.神经网络图像识别首先是提取图像特征,再将所提取的图像特征发送于神经网上,用识别器对其进行深层识别.或是BP神经网络图像识别方式无须进行图像提取,是将图像数据直接用作神经网络识别器输入.本文详细分析了神经网络图像识别技术及其方法分析,并提出实用性应用策略.     

纹理图像的特征提取和分类

文章提出了一种纹理图像特征提取的有效算法.该算法利用纹理信息的频域分布以及尺度特性,并在此基础上进行纹理分类.这里采用了分类性能良好的支撑矢量机作为分类器,实验结果表明该方法提取的特征向量稳定,在类别数目比较大时也能得到较高的分类精度.     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

网格索引下反向插补图像纹理细节增强算法

通过对图像纹理细节增强,提高低质量采集图像的识别和细节特征分析能力.传统的图像纹理细节增强算法采用纹理结构信息特征子空间多维谱峰搜索方法,算法只考虑结构信息特征子空间中的纹理特征,对剩余的元素没有进行有效的网格化分区,细节增强效果不好.对此,首先进行图像结构纹理信息传导模型设计,引入网格索引方法对图像纹理细节增强的优先级进行判定,然后提出一种基于反向插补的网格索引下补图像纹理细节增强算法.提取亮度、对比度和结构相似度等能有效表征图像的结构化特征,采用反向插补实现图像纹理细节增强,仿真结果表明,该算法对图像纹理细节特征的检测概率最高,有效确保增强后的图像质量,提高低质量采集图像的识别和细节特征分析能力,在图像识别和成像处理等领域应用价值较高.     

深度学习的MPCANet火灾图像识别模型设计

针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析（Multilinear Principal Component Analysis,MPCA）深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。