方向性纹理织物疵点检测方法研究

通过分析方向性织物纹理的特点,提出了一种织物疵点检测新的方法。首先根据正常纹理Hough变换确定织物纹理的纹路方向;然后采用方向性小波对织物纹理图像进行方向性的分解,并在此基础上从分解后的各细节子图中提取子窗口的特征;最后通过BP神经网络进行织物疵点识别。实验结果表明了该方法的有效性。     

基于AR谱分析的织物瑕疵自动检测

为实现快速和有效的织物瑕疵自动检测,提出了一种基于时间序列而不是图像的功率谱纹理分析方法.依据Burg auto regressive(AR)算法估计得到谱数据,从中提取能够反映纹理周期和取向等特点的特征,并首次采用支持向量数据描述模型来检测织物瑕疵纹理.对包含多种疵点的若干织物样本的检测结果表明,依照本文所述方案能够在保持较低的误譬率前提下达到较高的疵点栓出率,证明了所述方案的可行性.     

基于分形与灰度特征的无监督纹理分割技术

提出了一种新的基于方向分形特征和灰度特征的纹理图像分割方法。该方法首先用一个局部窗从功率谱图像中提取不同方向上的分形维和分形截距,将它们各自的均值和方差与灰度均值、灰度方差结合起来构成一个多维特征向量,然后利用模糊C均值聚类算法进行聚类实现纹理图像的分割。实验结果表明该方法对织物纹理图像和医学图像都有着良好的分割效果,鲁棒性强。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于PCNN的织物疵点边缘检测

由于纱线的螺旋性、粗细不匀和织物的柔性形变,使得织物的纹理带有较大的不规则性。 用基于特征或模型的分割方法识别织物纹理图像的疵点,效率较低,准确性较差。针对这个问题,提 出了一种基于PCNN的算法,它利用织物表面疵点区域的灰度强度不同于织物表面图像的灰度强度, 根据PCNN神经元是否点火,来获取织物疵点信息;然后将所提取的特征点按作用范围膨胀,并用 CANNY算子分割出织物疵点,提取织物疵点边缘。实验证明这种方法能有效地获取织物疵点特征, 并得到较为理想的边缘检测效果。     

一种基于分形的木材细胞图像特征提取方法*

木材纹理图像的分形维数可以代表木材很多的纹理特征,它是木材树种的一项重要数字特征参数。为了提取木材纹理特征,提出采用改进差分盒子法计算木材纹理细胞图像的分形维数值。理论分析和实验结果表明：该方法能够提取木材纹理特征,并且能在一定程度上克服图像比例大小对于特征提取所造成的影响,是木材纹理特征参数提取的一种重要方法。     

基于多特征融合的织物瑕疵检测研究

织物瑕疵纹理特征复杂,单一特征不能很好地反映纹理信息。为此,本文提出一种基于局部二进制模式(Local Binary Pattern,LBP)算子和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的多特征融合算法。首先,对LBP算子进行了改进,提出一种基于邻域像素中值的中心对称LBP算子;然后,将其提取出的纹理特征和灰度共生矩阵提取的纹理特征进行融合;最后,通过极速学习机和支持向量机做分类实验,验证融合特征描述织物瑕疵纹理特征的能力。实验表明,本文方法提高了织物物疵点检测率,并且具有很好的抗干扰能力。     

基于自适应LBP和SVM的织物疵点检测算法

为准确提取不同种类织物纹理的特征,提出一种新的纹理特征描述方法——自适应局部二值模式(ALBP)。该方法为不同纹理结构创建相应的主要概率模式子集,避免了均匀局部二值模式(ULBP)使用同一模式集描述不同纹理而导致的描述不准确问题。在该算法基础上构建一种基于支持向量机(SVM)的织物疵点检测算法,将疵点检测问题转化为分类问题。实验结果证明,该算法不仅保持了传统局部二值模式(LBP)的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加清晰、误检率更低、适用范围更广,SVM的优秀分类性能也有效地提高了疵点检测的准确率。     

织物疵点检测中的分形法

本文用DFBIR场作为图象处理的模型,通过分形维数等特征参数的提取、K-MEANS法的聚类,将织物图象分割,达到织物疵点检测的目的。     

基于机器视觉的摄像整纬纬斜检测研究

为了在线检测织物的纬纱倾斜量,研究了基于机器视觉的纬斜检测算法;首先采用改进后的陷波滤波器对织物图像进行频域滤波预处理,得到纬纱较为凸显的纹理图像描述;计算自相关图像初步提取纹理基元,随后构建大尺寸Sobel边缘检测模板,结合Blob分析提取纬纱纹理;再通过霍夫变换将纹理区域变换到参数空间,根据黑塞矩阵分析参数空间图像后,利用阈值逼近手段获取直线检测的阈值,最后反变换到图像空间中,显示出所有检测到的纬斜角;搭建摄像检测的硬件系统和软件界面,检测多类高密、低密织物,检测出的纬斜角度平均绝对误差小于0.35°,平均检测时间在225.5 ms内,能够满足整纬机的实际工作要求。     

基于Gabor小波与分形维的人脸情感特征提取

提出一种基于Gabor小波变换与分形维的人脸情感特征提取算法,对包含情感信息的静态灰度图像进行预处理,对表情子区域实行Gabor小波变换,提取情感特征矢量,对人脸兴趣区图像求盒维数和差分分形维数,将经过Gabor小波变换所得的特征矢量和分形维数作为所提取的特征。分析比较了不同测试者7种基本情感的识别效果,实验表明该方法能有效提取与情感变化有关的特征。     

Study on fractal features of modulation signals

Based on fractal theory, the note presents a novel method of modulation signals classification that adopts box dimension and information dimension extracted from received signals as features of classification. These features contain the characteristics of magnitude, frequency and phase of signals, and collect discriminatory information among various modulation modes. They are effective features in classification sense, and are insensitive to noises interfering. The theoretical analysis also proves the above conclusion. The classifier design is very simple based on such features. The simulation results show that the performances of signal classification are superior.     

基于分形的水声图像目标探测

针对水声图像中人造物体的探测问题，给出了一种基于分形分析的方法，由于分形模型可以较好地模拟自然物体，而与人工物体存在较大差距，所以以其为主要特征可以准确地将人造物体从自然背景中探测出来。本文讨论了分维的提取方法，根据分形特征将水声图像标记为人造目标区域和非人造目标区域，并对一定噪声干扰下该方法的应用进行了研究，给出了相应的实验结果。实验结果表明，分形特征可以实现人造目标和自然物体的分类，并具有一定的抗噪声性，适宜对水声图像中的目标进行探测和识别。     

Local fractal and multifractal features for volumic texture characterization

For texture analysis, several features such as co-occurrence matrices, Gabor filters and the wavelet transform are used. Recently, fractal geometry appeared to be an effective feature to analyze texture. But it is often restricted to 2D images, while 3D information can be very important especially in medical image processing. Moreover applications are limited to the use of fractal dimension. This study focuses on the benefits of fractal geometry in a classification method based on volumic texture analysis. The proposed methods make use of fractal and multifractal features for a 3D texture analysis of a voxel neighborhood. They are validated with synthetic data before being applied on real images. Their efficiencies are proved by comparison to some other texture features in supervised classification processes (AdaBoost and support vector machine classifiers).The results showed that features based on fractal geometry (by combining fractal and multifractal features) contributed to new texture characterization. Information on new features was useful and complementary for a classification method.This study suggests that fractal geometry can provide a new useful information in 3D texture analysis, especially in medical imaging.     

基于AE信号与优化SVM的刀具磨损状态识别

根据小波包变换理论,对刀具磨损声发射(AE)信号进行滤波和能量特征值提取.采用分步式扫描的方法对传统的盒计数法进行改进,并利用改进的盒计数法计算滤波后信号的广义分形维数特征值.以上述提取的特征值为备选特征,采用支持向量机(SVM)作为分类器,利用量子遗传算法(QGA)首先对分类器的输入特征进行筛选,之后对分类器的模型参数进行优化.利用优化后的分类器对测试样本进行分类,测试结果表明,该方法可以对刀具磨损状态进行有效识别.     

基于分形纹理特征和小波变换的网状纹理检测方法

网状纹理广泛存在于日常生活中. 其独特的网格结构以及极易发生形变的特点使网状纹理的描述和检测成为一件困难的工作. 本文以球网检测为例, 提出了基于分形纹理特征和小波变换的网状纹理检测方法. 先对足球视频图像进行小波多分辨率分解, 计算不同尺度图像的分形纹理特征向量, 基于因果关系对特征进行选择组成特征向量. 然后使用支持向量机检测图像中的网状纹理. 实验表明此方法有较强的鲁棒性, 能够在剧烈形变、复杂背景和基元大小差异明显的条件下成功检测出球网.     

利用小波分解和分形维数进行声纳图像识别

以分形维数和多重分形的概念为基础，通过计算原图像和灰度差分图像的分形维数和多重分形维数，形成了纹理特征集的第一部分；然后对声纳图像采用树式结构小波变换，将小波变换各个频带输出的熵作为纹理分类的特征，并根据特征本身的离散程度对其进行规范化处理，构成了纹理特征集的第二部分；最后将这两部分组合，对不同信噪比的声纳图像进行分类识别．识别结果表明，文中方法的识别率可达到90％以上．     

双层非负矩阵分解的分形图像压缩算法

分形图像压缩作为一种基于结构的图像压缩技术,在许多图像处理中得到了应用。但是分形图像压缩的编码阶段非常耗时,且重建图像的质量效果不佳。针对这些问题,提出了一种基于双层非负矩阵分解的分形图像压缩编码算法。在传统的非负矩阵分解理论上,将投影非负矩阵分解与[L3/2]范数约束相结合,可以在较短的时间内提取具有代表性的图像特征。算法采用双层非负矩阵分解提取原始图像的特征,对图像的特征进行[K]均值聚类,根据对应索引得到分类的图像块,在相应类别块里进行正交稀疏分解得到分形码,最后重建图像。实验结果表明,与快速稀疏分形图像压缩理论重建的图像相比,双层非负矩阵分解的分形压缩算法提高了重建图像的质量,同时缩短了编码时间。     

Partial discharge pattern recognition of power cable joints using extension method with fractal feature enhancement

This paper proposes a new partial discharge (PD) pattern recognition using the extension method with fractal feature enhancement. First, four common defect types of XLPE power cable joints are established, and a commercial PD detector is used to measure the PD signal by inductive sensor (L-sensor). Next, the feature parameters of fractal theory (fractal dimension and lacunarity) are extracted from the 3D PD patterns. Finally, the matter-element models of the PD defect types are built. The PD defect types can be directly identified by the degree of correlation between the tested pattern and the matter-element based on the extension method. The extension method needs representative features to define the interval of the matter-element. In order to enhance the extension performance, we add fractal features that are extracted from the PD 3D patterns. To demonstrate the effectiveness of the extension method with fractal feature enhancement, the identification ability is investigated on 120 sets of field-tested PD patterns of XLPE power cable joints. Compared with the back-propagation neural network (BPNN) method, the results show that the extension method with fractal feature enhancement not only has high recognition accuracy and good tolerance when random noise is added, but that it also provides fast recognition speed.