基于T-GLCM和Tamura融合特征的纹理材质分类

虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高，纹理因素复杂且无规律，单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM （灰度共生矩阵）和Tamura融合特征的纹理材质分类算法.此外，本文对传统灰度共生矩阵GLCM进行优化，提出了改进的GLCM （T-GLCM）算子，提升了GLCM的旋转不变性并减少了大量的冗余信息.利用Tamura纹理特征对图像进行量化，然后将各特征区域量化后级联成一组特征向量，融合T-GLCM的纹理特征，通过支持向量机（SVM）对纹理材质进行分类.实验结果表明，相比传统纹理特征提取算法，本文算法具有更高的分类精度且鲁棒性更好.     

基于图像形状特征和纹理的中药材牡丹皮规格分类研究

首先研究傅里叶图像形状特征提取算法和灰度共生矩阵纹理特征提取算法;其次使用傅里叶图像形状特征提取算法对中药材牡丹皮图像的形状特征进行提取,并且用灰度共生矩阵纹理特征提取算法提取中药材牡丹皮图像纹理数据;最后运用DBT-SVM算法对两种融合数据进行分类,并分析权重、训练集和测试集占比对分类准确率的影响。实验结果优于传统的SVM算法。     

SAR图像纹理特征提取与分类研究

为了高精度地提取合成孔径雷达(SAR)图像中的有用信息,提出一种基于灰度共生矩阵的纹理特征辅助SAR图像分类方法,该方法选择的是在合适的窗口尺寸下能将各种地物类型区分开的最佳纹理特征组合.采用增强的Frost滤波法对SAR图像进行斑点噪声抑制,通过比较各典型地物基于灰度共生矩阵的纹理特征统计量,确定参与分类的最佳纹理特征组合、计算灰度共生矩阵的最佳窗口尺寸;采用主成分分析法去除各纹理特征之间的相关性,选择信息量大的2个主成分与图像的灰度共同组成3个波段的图像;最后采用最大似然分类法对该组合图像进行分类.结果表明:该方法提取出的纹理特征辅助SAR图像分类,比无纹理信息参与的SAR图像分类,其精度可提高11.20%.     

AR图像的检测和分类方法

从理论上分析了图像灰度共生矩阵和灰度共生矩阵的多个统计量. 提出了一种基于灰度共生矩阵的C 均值聚类算法，用于对合成孔径雷达（SAR）图像的分类. 通过真实的SAR图像，在实验中分析了各统计量的性能. 分析表明，熵、方差、对比度、差平均的性能较好. 采用这几个统计量作为特征量进行分类，得到了较好的分类结果，很好地保持了类间距，同时使类内方差较小.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于统计纹理特征的打印文档认证

为了解决计算机打印文档的自动鉴别,提出了一种基于中文汉字显微放大图像灰度共生矩阵统计纹理特征的打印文档鉴别算法.首先,从理论模型上分析了激光打印机传动系统对打印字符潜影的影响;接着对字符图像的22维灰度共生矩阵统计纹理特征进行计算,并利用ReliefF特征选择算法进行特征选择;最后提取显微字符图像激光扫描方向和纸张行进方向的灰度共生矩阵纹理特征并进行融合,利用最近邻和支持向量机2种分类器进行分类鉴别.在两种样本集上的实验结果表明:特征融合后的鉴别性能有所提高;支持向量机的分类鉴别性能优于最近邻分类器,在相同字无重复样本集上的分类准确率和平均召回率分别为96.5%和96.64%,在相同字有重复样本集上分类准确率和平均召回率分别为98%和98.18%;激光打印机品牌分类准确率为98%.上述的实验结果显示该方法具有良好的打印文档分类鉴别性能.     

分形和空间灰度共生矩阵联合评价断口形貌研究

为了全面描述断口形貌特征，采用分形和空间灰度共生矩阵结合的方法，对4个典型断口形貌进行定量分析．结果表明：分形维数与断口的粗糙度和复杂度相关；灰度共生矩阵的每一个二阶统计参数都可以精确地描述断口形貌的某一特征，具有较好的纹理表达能力；将灰度共生矩阵的二阶统计参数和分形维数相结合组成多维特征集可以较完整地描述断口图像的纹理特征．分形和空间灰度共生矩阵的联合评价方法，可望实现断口类型的自动分类识别，同时对处理其它纹理图像具有一定的借鉴作用．     

纹理分析的肺部结节分类算法的研究

为了突破医学影像诊断学依据医学征象进行定性诊断准确度不高的瓶颈,针对肺部CT图像结节良性恶性的分类问题,提出了利用图像的纹理特征进行快速准确诊断的计算机辅助诊断方法。采用区域生长法从肺部CT图像中分割病灶,利用灰度共生矩阵提取纹理特征,然后利用支持向量机构造良性恶性分类器,最后通过测试样本集对经过训练后的SVM分类器进行测试以评价分类性能,实现了对良性结节和恶性结节的快速分类。     

一种基于SVM的刹车蹄块片摩擦块表面裂纹检测法

针对刹车片外观裂纹检测需求,通过构建刹车蹄块片图像采集系统,提出了一种基于支持向量机SVM的刹车蹄块片摩擦块表面裂纹检测法.该方法首先利用灰度图像的梯度模值信息,投影提取摩擦块所在区域; 然后以局部窗口子图像为单位,计算灰度共生矩阵并提取相关特征量; 最后采用分类样本对支持向量机分类模型进行训练,对摩擦块表面裂纹缺陷和正常区域进行分类预测.实验表明:该方法能较好地实现摩擦块表面裂纹缺陷和正常区域的分类,对表面裂纹缺陷存在与否的判定准确率可达98.33%.     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题，本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息；通过基于AlexNet迁移学习网络提取图像的深层信息，在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出；将两种特征进行自适应融合，最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明，5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于多光谱图像的不同品种绿茶的纹理识别

为了提高茶叶加工的智能化水平,提出一种基于多光谱图像纹理分析的快速识别不同品种绿茶的方法.通过3CCD成像仪同时获得绿茶样本的红光、绿光和近红外三个通道的图像,采用灰度共生矩阵和纹理滤波相结合来提取图像纹理特征,分析了不同品种绿茶的各个通道图像的纹理特征.非监督聚类分析表明,基于组合方法提取的纹理特征优于仅依靠灰度共生矩阵得到的纹理特征.优化和筛选后得到10个特征参数作为支持向量机模型的输入,建立模式识别模型.结果表明,对于126个建模样本的识别正确率达到94.4％,对于未知64个预测样本的识别正确率达到93.8％,说明提出的组合纹理特征提取和模式识别方法能够较好地识别不同品种的绿茶.     

粗糙集与支持向量机在肝炎诊断中的应用

提出了一种基于粗糙集与支持向量机(SVM)的肝炎诊断方法.利用粗糙集对原始特征进行约减,得到多个特征子集,然后采用组选择算法进行二次约减,根据约减后的特征子集生成新的数据集,使用SVM对新的数据集进行训练和预测.采用UCI机器学习公共数据集,试验结果与数据分析表明,与SVM、神经网络(NN)、决策树所预测的结果对比,本...     

基于图像处理的多视觉特征融合方法及其应用

针对目前轨面状态仍以人工经验判断、识别效率低等问题,提出一种基于图像处理的多视觉特 征融合的轨面辨识方法。首先,对采集的不同状况轨面图像分割出铁轨接触面区域图像,并对接触面区域进 行预处理去除噪声干扰;然后,计算接触面区域的灰度均值和方差来描述轨面图像颜色特征,采用灰度共生 矩阵提取接触面区域纹理特征;再融合两种特征作为轨面状态判别依据,利用 SVM 对轨面状态进行识别。 最后,通过实验仿真对所提方法进行验证与分析,结果证明了所提方法的有效性。     

采用共生矩阵的纹理特征提取方法

共生矩阵是一种常用的纹理特征提取方法,针对其易受噪声和图像中实体方向变化的影响等问题,提出一种新型共生矩阵纹理特征提取方法.该方法将傅里叶变换应用于原始图像,利用频域信息确定显著方向集合,把共生矩阵方法应用于显著方向集合以提取纹理特征.在进行图像匹配时,先在显著方向集合间进行相似度计算,后在纹理特征向量间进行相似度计算,显著方向集合中元素的显著性作为权重被引入纹理特征向量间的计算.实验结果表明,与传统共生矩阵方法相比,该方法针对有向纹理和无向纹理均具有较好的性能.     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。