基于Access的家畜寄生虫卵图像库的建立

为实现家畜寄生虫卵识别的数字化和自动化,选取了家畜常见16种蠕虫卵进行图像采集和特征分析,将整合的图片与信息进行绑定,利用Access 2003初步建立了16种蠕虫卵的原始图像库。该图像库简单实用,易于操作,共包含1 823幅原始图像,基本涵盖了每种虫卵图像的多种表现形式。通过Access 2003建立的寄生虫卵图像库,不仅可以快速储存查询虫卵图像信息,还可以进行资源网络共享,为之后的虫卵图像自动识别奠定了良好的基础。     

基于概率神经网络的寄生虫卵显微图像识别

病原体(虫卵)检测是诊断寄生虫病的最常用和最可靠的方法。该文对寄生虫卵显微图像的自动识别进行了研究,设计了一个基于概率神经网络的分类器。通过对血吸虫等9种寄生虫卵的显微图像进行自动识别,取得了平均正确识别率为99.23%的较好结果。     

基于图像边界特征的人体寄生虫虫卵形状分类算法研究

针对基于图像的寄生虫虫卵外形分类中存在的不足,提出了一种基于边缘空间分布直方图的寄生虫虫卵形状分类算法,即首先基于不同种类虫卵的边缘轮廓特征对被识别虫卵进行初步定位,在此基础上利用水平集方法进行边缘提取,进而利用傅立叶描述子实现形状分类。实验表明,该方法具有较好的识别率和运行效率。     

基于线性判别分析的寄生虫卵识别

寄生虫病是危害人类及动物健康的疾病之一。为了实现对寄生虫卵的自动识别,辅助临床检测,提出基于线性判别分析的寄生虫卵识别方法。采用结合形态学滤波和Otsu的方法分割得到寄生虫卵及其轮廓,提取形状特征和纹理特征作为特征向量集,并利用线性判别分析实现对寄生虫卵自动识别。实验结果表明,该方法对6种寄生虫卵的识别正确率达到90.70%。     

寄生虫病原体自动识别研究

寄生虫病是影响人类健康的重要疾病。诊断该病的最常用和最可靠的方法是检测疑似患者是否携带有寄生虫病原体,然而寄生虫病原体的形态多样性和复杂性及检测人员的主观因素等严重影响了寄生虫病的正确检测。为了改变人工检测方法的低效率．便于医务工作者开展大规模的寄生虫病普查与防治工作,该文利用医学显微图像自动识别技术对人体寄生虫病原体彩色虫卵显微图像的自动识别进行了研究,并且通过对采集到的10种人体寄生虫卵图像进行识别,取得了较好的识别效果。     

寄生虫病原体自动识别研究

寄生虫病是影响人类健康的重要疾病。诊断该病的最常用和最可靠的方法是检测疑似患者是否携带有寄生虫病原体,然而寄生虫病原体的形态多样性和复杂性及检测人员的主观因素等严重影响了寄生虫病的正确检测。为了改变人工检测方法的低效率,便于医务工作者开展大规模的寄生虫病普查与防治工作,该文利用医学显微图像自动识别技术对人体寄生虫病原体彩色虫卵显微图像的自动识别进行了研究,并且通过对采集到的10种人体寄生虫卵图像进行识别,取得了较好的识别效果。     

基于粘连边界脊线标记的虫卵图像分割

虫卵图像分割是实现兽医寄生虫学虫卵检查技术数字化的重要基础.本文根据图像分割相关理论,提出了基于粘连边界脊线标记算法分割虫卵图像.实验结果表明,该方法对分水岭算法进行合理改进,取得了较好的分割效果,实现了粘连虫卵图像的自动分割.     

改进的基于深度学习的遥感图像分类算法

针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。     

基于信息度量的图像特征与文本图像分类

作为一种基本图像类型，文本图像在电子商务等方面得到了广泛应用。针对图像数据库中文本图像识别与分类的应用需求，依据文本图像数据与连续色调图像的总体灰度分布差异，该文提出了一种基于图像信息度量(Picture Information Measure IPIM)的图像特征和基于该特征的文本图像分类方法。约2G、800幅网络图像数据库的分析和实验表明，图像的PIM特征可以显著区分文本图像和连续色调图像，识别和分类效果好。     

基于深度学习的乳腺癌病理图像分类研究综述

准确、高效的乳腺癌病理图像分类是计算机辅助诊断的重要研究内容之一。随着机器学习技术的发展，深度学习日渐成为一种有效的乳腺癌病理图像分类处理方法。分析了乳腺癌病理图像分类方法及目前存在的问题；介绍了四种相关的深度学习模型，对基于深度学习的乳腺癌病理图像分类方法进行梳理，并通过实验对比分析现有模型的性能；最后对乳腺癌病理图像分类的关键问题进行了总结，并讨论了未来研究的发展趋势。     

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据,结合深度学习理论,建立树种识别模型,以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例,采用无人机获取20 m及40 m高度的航拍影像。其次,以树种为对象,对航拍影像进行分割,获得12种树种影像。最后,结合深度学习理论,采用DenseNet卷积神经网络建立树种识别模型,探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型,其分类精度均达80%以上,最高精度为87.54%。从航拍影像解析度分析,随着航拍影像解析度的下降,模型识别精度呈现下降趋势,以20 m航拍影像数据建构的树种识别模型,其分类精度高于40 m模型;从模型网络深度分析,随着模型网络层数的增加,模型分类精度出现下降现象,DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述,基于无人机航拍影像,结合深度卷积神经网络,提出了新的树种识别方式,并以安溪县森林树种识别为例证明了该分类框架的有效性。     

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据，结合深度学习理论，建立树种识别模型，以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例，采用无人机获取20 m及40 m高度的航拍影像。其次，以树种为对象，对航拍影像进行分割，获得12种树种影像。最后，结合深度学习理论，采用DenseNet卷积神经网络建立树种识别模型，探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型，其分类精度均达80%以上，最高精度为87.54%。从航拍影像解析度分析，随着航拍影像解析度的下降，模型识别精度呈现下降趋势，以20 m航拍影像数据建构的树种识别模型，其分类精度高于40 m模型；从模型网络深度分析，随着模型网络层数的增加，模型分类精度出现下降现象，DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述，基于无人机航拍影像，结合深度卷积神经网络，提出了新的树种识别方式，并以安溪县森林树种识别为例证明了该分类框架的有效性。     

Sample pair based sparse representation classification for face recognition

Sparse representation classification, as one of the state-of-the-art classification methods, has been widely studied and successfully applied in face recognition since it was proposed by Wright et al. In this study, we proposed a method to generate virtual available facial images and modified the well-known linear regression classification (LRC) and collaborative representation based classification (CRC) for face recognition. The new method integrates the original and virtual symmetry facial images to form a training sample set of large size. Experimental results show that the proposed method can achieve better performance than most of the competitive face recognition methods, e.g. LRC, CRC, INNC, SRC, RCR, RRC and the method in Xu et al. (2014). This promising performance is mainly attributed to the fact that the sample combination scheme used in the new method can exploit limited original training samples to produce a large number of available training samples and to convey sufficient variations of the original training samples.     

基于稀疏表示的QR码识别

针对QR码图像受污染、破损、遮挡时识别软件无法识别的问题,提出一种基于稀疏表示的QR码识别方法。以40类QR码图像作为研究对象,每类13幅,其中每类随机选取3幅共120幅作为训练样本,余下400幅作为测试样本。所有训练样本组成稀疏表示字典,测试样本为训练样本的稀疏线性组合,表示系数是稀疏的,对每一个测试样本,计算其在字典上的投影,具有最小残差值的类别,即为分类所属类别。最后将提出的方法与QR码识读软件PsQREdit的识别结果做了对比和分析。实验结果表明：提出的方法对于部分受污染、破损、遮挡的图像仍能正确识别,具有很好的鲁棒性,为QR码的识别提供了一种新的有效方案。     

基于多通道Log-Gabor小波与(2D)^2PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale 人脸数据库上的实验结果表明,该算法具有较好的识别性能。     

基于独立分量分析和遗传算法的人脸性别分类

性别是人脸反映的一个重要信息,通过人脸图像实现性别自动分类对大型人脸数据库的检索和识别具有重要意义。提出了一种新的结合独立分量分析(ICA)和遗传算法(GA)的人脸性别分类方法。首先采用快速独立分量分析方法(FastICA)提取人脸图像的独立基图像和投影向量,获得人脸的低维表征;然后通过遗传算法从该低维空间中选择对性别分类有利的特征子集;最后采用支持向量机进行分类。将ICA的空间局部特征提取功能、遗传算法快速寻优的特征选择功能以及SVM的强分类能力有机地结合起来。实验表明,该方法取得了很好的分类性能。     

基于虹膜纹理深度特征和Fisher向量的人种分类

目的 虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的圆环形区域,有着丰富的纹理信息。虹膜纹理具有高度的区分性和稳定性。人种分类是解决虹膜识别在大规模数据库上应用难题的主要方法之一。现有的虹膜图像人种分类方法主要采用手工设计的特征,而且针对亚洲人和非亚洲人的基本人种分类,无法很好地解决亚种族分类问题。为此提出一种基于虹膜纹理深度特征和Fisher向量的人种分类方法。方法 首先用CNN（convolutional neural network）对归一化后的虹膜纹理图像提取深度特征向量,作为底层特征;然后使用高斯混合模型提取Fisher向量作为最终的虹膜特征表达;最后用支持向量机分类得到最终结果。结果 本文方法在亚洲人和非亚洲人的数据集上采用non-person-disjoint的方式取得99.93%的准确率,采用person-disjoint的方式取得91.94%的准确率;在汉族人和藏族人的数据集上采用non-person-disjoint的方式取得99.69%的准确率,采用person-disjoint的方式取得82.25%的准确率。结论 本文通过数据驱动的方式从训练数据中学习到更适合人种分类的特征,可以很好地实现对基本人种以及亚种族人种的分类,提高了人种分类的精度。同时也首次证明了用虹膜图像进行亚种族分类的可行性,对人种分类理论进行了进一步地丰富和完善。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法

手掌静脉纹识别技术作为新一代高精度的生物特征识别技术,被广泛用于个人身份鉴定领域.然而,其识别效果受限于图像的质量,低质量的图像往往造成识别准确度偏低,如何有效的对图像质量进行评价从而筛选出高质量的图像成为掌静脉识别技术中的一项重要研究内容.本文旨在解决这一问题,提出了一种基于BP-AdaBoost神经网络的多参数的掌静脉图像质量评价法.根据掌静脉图像质量特点,提出多个参数的评价指标（对比度（contrast）、信息熵（entropy）、清晰度（sharpness）和等效视数（enl））.利用BP网络优良的非线性拟合特点,以多个评价参数为网络输入,分类结果为网络输出,训练10个BP弱分类器;在此基础上利用AdaBoost算法得到最终的强分类器.实验结果显示,对比传统加权融合的评价分类方法,分类的结果准确度较高,系统具有具有良好的应用价值.