用于模式识别的极半径不变矩

提出了用于目标物识别和分类的极半径不变矩，对目标物进行分割后，先求出目标物的形心，进而求出极半径矩、归一化矩和归一化的中心矩，在此基础上，给出了5个具有平移、旋转和尺度变换不变性的特征量用于物体形状的识别，文中给出了这些不变矩的特性，并给出了极半径不变矩和边界序列矩以及Hu提出的不变矩的实验比较结果，该文提出的极半径不变矩，既可用于区域目标的识别，也可用于边界形状的识别。     

基于Radon变换的水声图像矩特征提取与分类

成像声纳采集的水声图像分析是自动水下潜器研究中的一个重要课题，该文提出了一种基于图像边缘Radon变换的水声图像矩特征提取和分类方法。使用一种形态学边缘提取算子和细化算法提取二维图像中目标的轮廓，构造目标轮廓在 Radon变换空间的平移、比例和旋转矩不变量，应用于3类水下物体的分类中，实验仿真结果表明该方法在运算速度上优于Hu’s不变矩和图像目标面Radon投影空间不变矩，具有很好的性能和较高的实用价值。     

基于改进的阶次规正不变矩小目标识别新方法

提出了一种基于改进的阶次规正不变矩卫星图像小目标识别方法。首先将卫星图像分割成子块，以图像灰度方差描述子块图像特征，应用所提出的子块合并理论进行分类，减少了卫星图像识别的计算量，大大降低了误判率。提出了改进的阶次规正不变矩理论，并将其应用于小目标物体识别中。以改进的阶次规正不变矩特征作为检测模板和待识别小目标图像相似度的测度，有效区分了小目标物体间的较小差别并解决了由噪声所造成的不封闭性问题；同时将GA理论引入图像匹配识别中。实验结果表明：所提方法识别率可达96．67％，该方法的提出对于图像自动识别具有非常重要的现实意义。     

基于组合不变矩的空间目标识别

本文针对Hu提出的不变矩和Jan Flusser提出的仿射不变矩的不同特点和适用条件，提出在不增加特征向量维数的条件下，将不变矩的部分分量和仿射不变矩组合成一个新的特征向量即组合不变矩，以用于空间目标的识别，并通过仿真实验进行了比较验证，结果表明组合不变矩对于空间目标的识别是有效的，且在一定程度上提高了识别率。     

图像不变矩的推广

该文提出了一种快速有效的推导不变矩的方法——三角函数生成法，建立了一种不变矩空间，总结出不变矩的一般构造规律，导出了5个新的不变矩表达式C8～C12其它高阶不变矩表达形式也可采用类似的构造方案．在此基础上还得出多种高阶不变矩的表达通式，讨论了不变矩的反射变换特性．并在实验中给出了离散情况下一些图像不变矩的稳定性比较．利用扩充后的不变矩特征集能更准确地对图像进行分类和识别．     

水下机器人光视觉目标识别系统

介绍了一个用于水下机器人的光视觉目标识别系统,描述了该系统的硬件结构和软件体系．论述了水下图像的处理方法,分析了在离散状态下比例因子对不变矩特征的影响,构造了基于不变矩的仿射变换不变量．详细描述了用于目标识别的免疫遗传神经网络的结构和建模．通过对4类实测水下目标的识别实验,证明了所提水下目标识别系统可以用于水下目标识别,并且具有较高的准确性和实时性．     

图像识别的RSTC不变矩

分析了对比度变化对Hu矩的影响，构造了一种新的不变矩形式，该矩不但具有通常的旋转、尺度缩放以及平移不变性，同时还具有对比度变化不变性。以三类具有旋转、尺度缩放、平移以及对比度变化（RSTC）的目标图像为例进行了识别仿真实验，结果表明新的不变矩形式消除了对比度变化带来的影响，增强了三类图像的类内内聚性和类间可分性，实验结果证明能够对具有RSTC变化的目标图像进行有效识别。     

基于分数阶矩的仿射不变特征提取

仿射不变的特征提取在目标识别和配准中起关键作用, 图像矩是提取仿射不变特征的重要方法, 高阶矩对噪声较敏感, 实际中仅有几个由整数阶矩构造的仿射不变量可用. 本文引入分数阶矩, 它由变形累次积分定义, 不仅充分利用仿射变换映直线为直线这一特性,而且能方便地消除仿射变换前后极角因子的影响. 利用分数阶矩给出了仿射不变量的构造, 传统矩构造的不变量仅是这种构造的特例. 实验结果表明低次矩构造的不变量一般有较好的抗噪性能.     

基于小波矩不变量的海上目标识别

针对识别海上目标时不同目标相似性大的特点,将不变矩理论与小波分析相结合,本文引入一种基于小波矩不变量的特征提取法,并且为得到一组局部最优特征组而提出一种结合DB Index准则的特征选择法。在仿真实验中,将小波矩不变量与Hu矩、Zernike矩进行了比较。实验表明,小波矩不变量具有更好的识别效果。     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

Hu不变矩的构造与推广

为了更简洁高效地构造指定要求的不变矩,并判断矩组信息冗余性,推导了实复矩反演关系公式并提出了Hu不变矩构造定理。不变矩多项式和不变矩多项式空间概念的引入,可以赋予不变矩多项式空间代数结构特征。结合组合计数定理,列出了工程上非常实用且没有信息冗余的全部3阶4次不变矩,这是对7个经典Hu不变矩的推广。实验表明,与Hu不变矩的代数不变量构造方法和三角函数系构造方法相比,该构造方法更简洁高效且具有一般性,也更适合判断矩组信息冗余。所构造新不变矩具有较好的鲁棒性,用于图像描述取得了较好效果。     

基于改进小波矩特征的快速无损图像描述算法

为了更有效地利用小波矩不变量算法来快速无损地计算图像特征值, 提出了一种融合Mallat算法的无损采样的新型小波矩不变量算法. 在此基础之上, 结合傅里叶变换的原理及特点, 提出了基于频率幅值谱与小波矩不变量的特征提取方法. 并将改进的小波矩不变量算法与传统使用三次B样条矩的小波矩、Hu矩进行了比较. 实验表明, 改进的小波矩不变量在比传统小波矩不变量算法性能几乎没有损失的情况下, 大大加快了小波矩不变量的计算速度, 并且基于频率幅值谱的小波矩有更强的抗噪性.     

低分辨率几何矩尺度不变量的波动分析

几何矩函数不变量的计算过程中,由于数字图像的离散化,图像本身尺度的缩放会带来计算误差,从而引起尺度不变量值的波动。通过分析较低分辨率下几何矩尺度不变量值的不规则波动,推断计算过程中常常会发生误差扩大现象,即离散化带来的较小误差被不合理地放大。从理论上分析了误差扩大现象产生的原因,并给出了具体的误差计算公式。结合几何矩函数的实际数据可知,在较低分辨率下,误差扩大将会引起不变量数值的大幅度波动,严重干扰其不变性;而高分辨率下,这种现象很不明显。之后,针对产生误差扩大的原因给出了一种几何绝对矩及其尺度不变量的定义,可以有效地克服误差扩大现象。对比的实验结果也表明,相对于传统的Hu不变矩,几何绝对矩不变量在低分辨率下可以保持更好的不变性。     

Affine moment invariants generated by graph method

The paper presents a general method of an automatic deriving affine moment invariants of any weights and orders. The method is based on representation of the invariants by graphs. We propose an algorithm for eliminating reducible and dependent invariants. This method represents a systematic approach to the generation of all relevant moment features for recognition of affinely distorted objects. We also show the difference between pseudoinvariants and true invariants.     

基于特征向量的SAR图像目标识别方法研究

用于描述区域特征的Hu矩不变量在模式识别中得到广泛使用。然而在噪声影响下,尤其是SAR图像中严重的相干斑噪声,Hu 矩不变量不再保持其完美的性能。以Hu七个矩不变量为基础,结合SAR图像的特点,引入四个仿射矩不变量和SAR图像中目标区域的峰值、均值和方差系数,构成SAR图像中目标识别的特征向量。该特征向量体现了SAR图像区域目标的形状特征和区域的灰度信息。通过对两种不同分辨率下的T72坦克SAR图像的目标识别仿真实验,均获得了较好的目标识别效果,说明所选取的SAR图像目标识别的特征向量是有效的,具有较强的目标识别性能。     

Pattern recognition with moment invariants: A comparative study and new results

Moment invariants have been proposed as pattern sensitive features in classification and recognition applications. In this paper, the authors present a comprehensive study of the effectiveness of different moment invariants in pattern recognition applications by considering two sets of data: handwritten numerals and aircrafts.

The authors also present a detailed study of Zernike and pseudo Zernike moment invariants including a new procedure for deriving the moment invariants. In addition, the authors introduce a new normalization scheme that reduces the large dynamic range of these invariants as well as implicit redundancies in these invariants.

Based on a comprehensive study with both handwritten numerals and aircraft data, the authors show that the new method of deriving Zernike moment invariants along with the new normalization scheme yield the best overall performance even when the data are degraded by additive noise.     

Recognitive aspects of moment invariants

Moment invariants are evaluated as a feature space for pattern recognition in terms of discrimination power and noise tolerance. The notion of complex moments is introduced as a simple and straightforward way to derive moment invariants. Through this relation, properties of complex moments are used to characterize moment invariants. Aspects of information loss, suppression, and redundancy encountered in moment invariants are investigated and significant results are derived. The behavior of moment invariants in the presence of additive noise is also described.