基于灰度-梯度共生矩阵的车轮踏面缺陷聚类分析北大核心CSCD

车轮作为列车走行部的关键部件之一,其踏面产生缺陷后会直接影响到列车的运行安全。为了能够在检测时准确识别车轮踏面缺陷不同类型,提出一种基于灰度-梯度共生矩阵的纹理特征提取方法,对踏面图像的灰度和梯度特征分析之后,根据灰度-梯度共生矩阵提取踏面图像纹理特征矢量,再结合K-均值(K-means)聚类优化算法对踏面缺陷特征量进行聚类,从而将踏面缺陷类型进行分类,并将分类结果用可视化数据显示。实验结果表明,采用上述所提方法,对车轮踏面缺陷不同类型的分类识别精度达96%以上。     

基于随机森林和纹理特征的苹果园遥感提取

为准确、快速地从高分影像中获取苹果种植分布信息,以QuickBird遥感影像为数据源,首先采用分形理论和灰度共生矩阵(GLCM)提取纹理特征,然后将提取的分形纹理和GLCM纹理特征分别与光谱特征组合,最后开展随机森林分类实验,对不同分类特征和不同分类方法的实验结果进行比较。结果表明:光谱+GLCM纹理识别苹果园的效果明显优于光谱特征和光谱+分形纹理,其苹果园提取精度为95.99%,比光谱分类显著提高11.83%,比光谱+分形纹理提高1.34%;在相同分类特征下随机森林分类结果最高,其中,随机森林结合光谱+GLCM纹理分类精度最高,总体精度和Kappa系数分别为95.30%和0.94,较最小距离和支持向量机分类有明显提高。     

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。     

综合BTC颜色矩和灰度共生矩阵的图像检索算法

针对图像检索的多特征融合问题,提出了一种综合BTC颜色矩和灰度共生矩阵的图像检索算法。该算法借鉴BTC的思想,对传统的颜色矩进行改进,将图像分为若干子块,每个子块按照阈值分割为两类像素,计算颜色矩,提取图像的颜色特征;利用灰度共生矩阵提取图像的纹理特征;通过颜色、纹理单特征相似度加权求和来表示图像的综合特征相似度,进行图像检索。实验结果表明,该算法能够综合颜色特征和纹理特征,有效地提高图像检索的查准率。     

结合金字塔和局部二值模式的遥感图像分类

在住宅区遥感图像分类中,为了克服尺度变化和旋转变化带来的影响,提出一种结合金字塔原理和局部二值模式的图像分类算法。首先对原始住宅区遥感图像进行多次下采样以构建不同尺度的空间金字塔;然后利用局部二值模式提取不同尺度遥感图像的纹理特征,以消除旋转变化的影响;最后将不同尺度下的纹理特征融合到一起,利用支持向量机对住宅区遥感图像进行分类。在标准图像数据集上的实验结果表明,低尺度纹理特征将会降低住宅区遥感图像的分类精度,与单尺度纹理特征相比,多尺度融合的纹理特征提高了遥感图像分类精度,平均高达4.77%。     

基于GLCM算法的图像纹理特征分析

深入研究灰度共生矩阵(GLCM,Gray Level Co-occurrence Matrix)算法,说明基于灰度共生矩阵的14个纹理特征具体意义,指出纹理特征之间存在冗余性。通过对纹理图像的灰度共生矩阵的计算分析和纹理特征提取实验,表明灰度共生矩阵能够反应图像的特点,与纹理特征描述图像的特点相对应,同时,图像的14个纹理特征之间存在一定程度的冗余,实际中可以根据图像纹理特征的差异,选择几个显著的纹理特征对图像进行分类。纹理特征分析和实验结果对图像纹理特征的应用具有普遍的指导意义。     

遥感图像分类中的遗传算法LVQ神经网络运用

对于遥感图像分类过程中的问题,提出遗传算法LVQ神经网络来实现遥感图像的分类。将LVQ神经网络结合遗传算法,使用遗传算法最优阈值与权值实现网络训练,使分类精度得到提高。之后融合相似灰度值创建分类图像特征矢量,使特征矢量在神经网络中输入实现训练。学习矢量量化神经算法对初值非常敏感,对遥感图像分类精度具有一定影响。最后,为了对性能进行测试,在实验过程中对比本文分类方法和SVM决策树分类方法,通过实验结果表示,文中提出的分类方法的遥感图像分类精度为95.82%,与其他分类方法相比,分类精度得到进一步提高。     

基于高压绝缘套管纹理特征的红外目标检测

在基于传统图像分割法的红外图像目标检测中,当背景颜色和被检测物体颜色相近时,往往难以有效地识别红外图像中的被检测物。所以为了进一步提高绝缘套管在红外图像中的识别精度,文中提出一种基于绝缘套管伞裙纹理特征的目标检测方法。首先为增强图像纹理特性,将双边滤波代替传统高斯-拉普拉斯算子中的高斯卷积滤波,通过双边-拉普拉斯进行图像滤波和增强。之后针对高压绝缘套管外层伞裙的特殊纹理,建立反映伞裙周期性分布的描述子,并通过图像扫描法进行粗识别。最终基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,建立其超参数求解方法,实现离群点剔除和特征聚类,完成高压绝缘套管的精细分割。通过实验对比其他绝缘套管红外图像的识别算法,文中算法可以有效地精细分割出绝缘套管主体,克服其他图像分割方法的不足。并在数据集上识别率达到85%以上。     

基于局部分块特征的快速虹膜身份鉴别算法

提出一种新的虹膜身份鉴别算法.首先将灰度虹膜图像等分为若干个子图像,再将每个子图像等分为若干个子区域,将各点梯度之和最大的子区域中心点坐标作为各子图像的特征,各子图像的特征构成了该虹膜图像的特征矩阵,最后通过特征矩阵在空间上直接对准的方法进行匹配识别.给出了子图像和子区域大小的选择方法,同时给出了在人眼自然张开状态下不受遮挡干扰的可用虹膜区域大小对识别效果的影响.克服了之前人为规定子图像和子区域大小和选取固定可用虹膜区域大小提取局部纹理特征所带来的局限性.实验表明:1)人眼自然张开状态下,在虹膜区域超过50%不受遮挡时即可完成识别;2)算法运行速度快且对采集图像时左右各7°以内的旋转失真具有很强的容错能力.     

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提, 针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战, 提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法。该方法首先采用简单线性迭代聚类算 法将遥感图像分割为像素块, 再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测。层次支持 向量机的第一层将像素块初步分为 “云” 和 “地物” 两类。层次向量机的第二层针对第一层分类的结果分别设计两个 分类器进行进一步分类, 并将分类后的结果合并为 “厚云”、 “薄云”、 “地物” 三类。最后, 将分类结果进行膨胀处理, 得到最终的云检测结果。选取高分一号 WFV 的 RGB 波段遥感图像进行实验, 结果显示提出的新方法对实验图像的 云检测平均准确率为 95.4%, 表明该方法可适用于多种场景下遥感图像的云检测, 服务于遥感产品的生产和应用。     

基于GWO-SVM的红外热成像低零值绝缘子识别

为了准确识别电网中的低零值绝缘子,提高劣化绝缘子诊断的准确率,提出了一种使用灰狼算法优化（grey wolf optimizer, GWO）与二进制支持向量机（support vector machine, SVM）分类器相结合的模型,对红外图像中的低零值绝缘子进行自动检测。首先对绝缘子红外图像进行增强,利用Ostu算法对红外图像进行分割,并对得到的二值图像进行倾斜角度矫正和切割,提取绝缘子串的有效区域,然后将图像特征用于向量机的分类识别。实验结果表明,灰狼算法优化支持向量机比常用的网格搜索算法（grid search, GS）、粒子群优化算法（particle swarm optimization, PSO）等得到的分类模型能更准确、有效地对低零值绝缘子进行识别,且准确率更高。     

基于红外图像的零值绝缘子自动检测算法

在电力系统中,利用计算机视觉和图像处理技术对零值绝缘子进行检测,对保障电力系统的安全运行具有非常重要的作用。提出了一种基于红外图像的零值绝缘子自动检测算法。该算法首先对输入图像进行预处理,利用GLOH描述子结合机器学习精确定位绝缘子,然后利用图谱方法提取图像的边界点,并搜索初始轮廓线作为初始值,利用GVF Snake模型检测绝缘子串的精确轮廓线,以分割绝缘子,最后通过分析统计直方图,实现零值绝缘子的自动检测。实验结果表明,所提出的算法可以有效地检测零值绝缘子。     

基于多峰分布最大类间方差的垩白米粒检测方法

采用一种基于多峰分布最大类间方差(Otsu)方法检测垩白米粒。首先利用垩白米粒图像的灰度分布具有多峰分布这一特性,应用数理统计方法进行多峰分布度测度。然后根据垩白米粒图像中垩白部分具有白色不透明这一物理特征将垩白米粒图像的灰度级分成3类,通过使用最大类间方差法确定两个分割阈值,并且检测出大米中垩白部分面积。由于使用了区域控制分割,使得最大类间方差阈值的确定具有自适应性和准确性特点。实验结果表明,本文采用的方法对垩白米粒检测正确度为97.4%,效果好于基于形态学分水岭的检测算法。     

卫星侦察红外图像背景特征分析

以卫星侦察红外图像背景为研究对象,在分析其特点的基础上,讨论了可用于红外图像背景分类的特征量。为了描述卫星侦察红外图像背景的纹理特征,基于灰度共生矩阵和直方图,计算了能量、惯性矩、熵、相关性、灰度均值和方差等统计特征指标。通过大量样本的识别实验,结果也验证了文中所提取的纹理特征量可以有效识别卫星侦察红外图像的背景。     

BP-ANN在光学相干层析图像分类中的应用

为了研究反向传播人工神经网络(BP-ANN,back-propagation artificial neural network)对光学相干层析(OCT)图像的分类能力以及用不同算法训练的网络之间的性能差异,设计了基于纹理特征分析的BP-ANN图像分类实验系统。针对不同图像集,系统可根据类内和类间分散度的比值自适应地筛选最具区分性的纹理特征组成特征向量,再利用以不同算法训练的BP-ANN进行分类。实验表明,BP-ANN在经过快速训练后可以有效分辨不同组织图像,而Levenberg-Mar-quardt(LM)算法则被认为是最为有效的训练算法。以LM算法训练的BP-ANN可以在1 s内以平均8次的迭代计算完成训练,对测试集的分类准确率可以达到93.0%。     

SAR图像的自动分割方法研究

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,该文提出了一种SAR图像的自动分割方法。首先在特征提取阶段,通过计算小波能量提取纹理信息,用邻域统计量提取灰度信息,用保边缘平均灰度提取边缘信息,以确保边缘准确。然后提出一种改进的完全无监督的聚类算法进行图像分割,该算法可以自动确定分割的类型数目。由于该方法充分考虑了SAR图像的纹理、灰度和边缘信息,因而极大地提高了其最终分割性能。实验结果证明了该方法的有效性。     

Detection of breast masses in mammograms by density slicing and texture flow-field analysis.

We propose a method for the detection of masses in mammographic images that employs Gaussian smoothing and sub-sampling operations as preprocessing steps. The mass portions are segmented by establishing intensity links from the central portions of masses into the surrounding areas. We introduce methods for analyzing oriented flow-like textural information in mammograms. Features based on flow orientation in adaptive ribbons of pixels across the margins of masses are proposed to classify the regions detected as true mass regions or false-positives (FPs). The methods yielded a mass versus normal tissue classification accuracy represented as an area (Az) of 0.87 under the receiver operating characteristics (ROCs) curve with a dataset of 56 images including 30 benign disease, 13 malignant disease, and 13 normal cases selected from the mini Mammographic Image Analysis Society database. A sensitivity of 81% was achieved at 2.2 FPs/image. Malignant tumor versus normal tissue classification resulted in a higher Az value of 0.9 under the ROC curve using only the 13 malignant and 13 normal cases with a sensitivity of 85% at 2.45 FPs/image. The mass detection algorithm could detect all the 13 malignant tumors successfully, but achieved a success rate of only 63% (19/30) in detecting the benign masses. The mass regions that were successfully segmented were further classified as benign or malignant disease by computing five texture features based on gray-level co-occurrence matrices (GCMs) and using the features in a logistic regression method. The features were computed using adaptive ribbons of pixels across the boundaries of the masses. Benign versus malignant classification using the GCM-based texture features resulted in Az = 0.79 with 19 benign and 13 malignant cases.     

Specific emitter identification based on ITD and texture analysis

To solve the defects of time-frequency analysis and poor separability of extracted features in specific emitter identification (SEI) based on Hilbert-Huang transform (HHT),a novel SEI method based on intrinsic time-scale decomposition(ITD)was proposed.ITD was utilized to decompose the emitter signals and get the time-frequency energy distribution(TFED)firstly,later the TFED spectrum was transformed into gray image and several image texture features through histogram statistic and gray-level co-occurrence matrix was extracted for identification.Measured ship communication signals and simulated emitter signals were used to test the performance of proposed method.Compared with another two SEI methods based on HHT,the proposed method is proved more effective in identification accuracy.     

深度学习在绝缘子红外图像异常诊断的应用

绝缘子的红外图像分析一般采用图像处理的方法,易受背景环境和数据量的影响,准确率和效率均较低,本文提出一种深度学习的异常诊断方法,基于改进的Faster R-CNN方法搭建检测网络,开展不同类型的绝缘子测试。研究结果表明:相对于神经网络（Back Propagation,BP）、Faster R-CNN方法,本文方法可高效地诊断出绝缘子的异常缺陷,平均检测精度达到90.2%;单Ⅰ型和Ⅴ型绝缘子的异常诊断准确率高于双Ⅰ型绝缘子。研究结果可为输电线路绝缘子异常诊断提供一定的参考。