基于纹理分析的多源信息融合方法研究

基于二元树复数小波变换的优良性能,结合遗传算法及证据理论,对图像纹理特征进行分析处理.首先利用DT CWT的移动不变性、良好的方向选择性、完备的重构性、有限的与尺度无关的冗余度以及很高的计算效率等特点提取丰富的图像纹理特征；然后应用遗传算法的寻优能力对纹理特征进行约简；最后采用基于证据理论的数据融合方法实现多源信息融合目标识别.物体非损伤性评价实验表明该算法具有很好的识别效果.     

基于主动形状模型差分纹理和局部方向模式特征融合的人脸表情识别

针对人脸表情识别背景复杂性以及表情识别的鲁棒性问题,基于Dempster-Shafer(DS)证据理论,提出了一种融合主动形状模型(ASM)差分纹理特征和局部方向模式(LDP)特征的人脸表情识别方法。ASM差分纹理既能有效地屏蔽个体人脸之间的差异,又能保留人脸表情信息。LDP特征通过计算8个方向的边缘响应来对图像进行编码,因此具有很强的抗噪能力,能够捕捉人脸因表情而产生的细微变化。在DS证据理论融合时,针对不同的特征对表情的识别率,分别用不同的权重系数来计算概率分配值。通过对JAFFE和Cohn-Kanade混合数据库进行实验,表情识别的平均识别率为97.08%,比单特征LDP高出一个百分点,有效地提高了表情识别率和鲁棒性。     

基于NSCT子带融合特征的纹理材质分类

由于图像纹理特征具有复杂且没有规律的特点,单一的纹理特征提取算法不能充分地描述图像纹理。因此,提出基于NSCT的高低频子带的CS-LBP和Tamura融合特征的纹理分类方法。此外,对CS-LBP算法进行了优化,得到DCS-LEBP,在提取了图像局部边缘特征信息的基础上又加入了低频信息,提高了算法的抗噪性和特征提取的全面性。融合的纹理特征通过支持向量机(SVM)进行分类识别,实验结果表明,该方法能够提取多尺度、多方向的纹理特征,提高了分类精度,并且优化的DCS-LEBP算法比原算法性能更加优秀。     

基于D-S证据理论的掌纹识别

研究了掌纹识别问题,对掌纹图像特征提取、多特征的融合技术作了一定程度的探讨。采用数学形态学方法提取掌纹线特征;基于Gabor滤波器描述掌纹图像的纹理特征。利用掌纹的线特征和纹理特征两个信息分别作两个分类器的特征,利用模糊规则求出各分类器的基本概率分配函数,最后利用D-S证据理论的合成法则对两个分类器的结果进行融合判决。实验结果表明,这种方法是有效的,可行的。     

基于区域NBPR特征及可信度修正的人脸表情识别

为了提取有利于表情分类的区域特征以及实现多区域特征的决策级融合,提出了一种基于邻近二值模式关系(neighbor binary pattern relation,NBPR)特征描述子和可信度修正证据融合(credibility modification evidence fusion,CMEF)的表情识别框架。首先针对传统局部二值模式(local binary pattern,LBP)算子仅以中心像素为编码阈值的局限,提出一种NBPR描述子,它对局部区域多方向相邻像素之间的二值模式异或关系进行编码;然后根据提取的眉毛、眼睛和嘴巴区域的NBPR纹理特征进行证据的初始基本概率分配;最后针对D-S(Dempster-Shafer)证据理论在合成冲突证据时的不足,通过一种新的基于证据可信度的合成方法实现3个区域证据的决策融合。该方法在CK(Cohn-Kanade)库上分别取得了94.67%的平均表情识别率以及752 ms的平均识别时间。实验结果表明,提出的NBPR描述子和CMEF策略有利于表情区域的纹理描述和决策级融合,从而具有较高的表情识别率。     

越野环境中无人驾驶车的障碍目标识别

针对无人驾驶车环境感知技术,基于D-S证据理论融合多传感器信息,旨在解决障碍物身份识别技术难点。基于CCD和激光传感器建立信息融合系统,并提取每种障碍物的5个特征证据,包括距离对比度特征、平行四边形特征、边缘形状特征、灰度纹理特征和颜色特征。再根据目标类型和环境加权系数选择经验公式,通过模糊插值法求取身份隶属度近似获得各特征对目标的相关系数构造基本概率赋值函数。最后制定Dempster组合规则,融合多传感器特征信息识别障碍身份。试验表明本文方法能够准确有效地获取基本概率赋值函数,D-S证据理论融合方法提高了障碍物身份识别的准确性和鲁棒性。     

红外双色目标识别技术

介绍了一种红外双色目标识别算法。该算法将通过二维傅立叶小波变换对图像提取的特征作为特征向量，这组特征向量具有旋转、平移和尺度不变性。利用Dempster-Shafer(D-S)证据理论进行图像融合，并使用神经网络分类器进行分类。实验结果表明，该算法提高了对近似物体的识别能力，能对飞机、舰船等目标进行有效的识别。     

D-S证据理论在目标特征数据分析中的应用

为解决空中目标识别问题,引入特征值这一概念。Dempster-Shafer证据理论是不确定推理的重要方法,通过Dempster合成规则将不确定性信息进行重新分布,将来自测量分系统的目标特征值,通过D-S证据理论进行融合,应用于目标识别。实验结果表明该方法误判率低、分类精度高,能较好地实现空中目标的分类。     

基于数据融合的多特征遥感图像分类

以多光谱图像为研究对象，综合利用遥感图像的光谱、纹理和数学变换特征，提出了一种基于数据融合的多特征遥感地物分类方法。该方法针对不同的特征分别构造了神经网络分类器和K-均值聚类器，并对前者利用Adaboost算法进行提升，然后再将各特征的分类结果利用证据理论合成公式融合得到最终结果。实验结果表明，该方法的分类效果要优于单特征的分类结果。     

基于多纹理特征融合的震后SAR图像倒塌建筑物信息提取

合成孔径雷达（SAR）凭借其全天候观测能力以及SAR图像中丰富的纹理信息,在震后建筑物倒塌评估中发挥了重要作用。针对SAR图像中倒塌建筑物纹理特征多样但利用率较低,且特征信息冗余的问题,提出一种基于主成分分析的SAR图像多纹理特征分类方法。该方法基于灰度直方图、灰度共生矩阵、局部二值模式、Gabor滤波器提取了26种纹理特征信息,构建主成分变量进行多维特征优选与降维融合,通过随机森林分类算法提取建筑物的倒塌信息。以2016年日本熊本地震为例验证了该方法的有效性,结果显示其提取精度高达79.85%,倒塌建筑物的识别效率有所提高,分类结果优于单种纹理特征提取方法及多种纹理特征组合提取法,可用于震后建筑物震害信息的快速提取。     

基于卷积神经网络的遥感图像分类研究

遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。     

基于扩展CENTRIST的遥感场景分类

提出一种基于扩展CENTRIST纹理算子的遥感场景分类方法。它由更多邻域规模的三个子方案组成,不仅继承了CENTRIST的优点,而且编码了更多不同纹理的局部结构信息。通过三种不同模式的纹理算子来提取多通道图像纹理特征,通过谱回归判别分析进行分类识别。提出能够捕获多通道图像中互补信息的多通道eCT融合机制,以获得更高的分类准确率。在UC Merced标准数据库上的实验表明,该方法得到的结果比CENTRIST效果更好,鲁棒性更高。     

基于多特征和支持向量机的风景图像分类

本文提出了一种基于多特征和支持向量机的风景图像分类方法.首先,通过深入分析风景图像在视觉内容上的显著特点,利用融合颜色、纹理和形状等多种特征的方式来描述图像;其次,采用一种加权主成分方法对提取的高维图像特征进行有效降维;最后,运用基于支持向量机的分类器对图像进行分类.经试验验证,本文中提出的方法对风景图像有较好的分类效果.     

基于BP 神经网络的医学图像分类

给出了一种基于LBP算子和BP神经网络的医学图像分类方法。该方法采用方向纹理谱描述符来描述图像的纹理特征,并以此特征作为网络的输入对BP神经网络进行训练,最后采用已训练的BP网络进行医学图像的分类。通过实验表明,该方法可以很好地对医学图像进行分类识别。     

底层内容特征的融合在图像检索中的研究进展

在基于内容的图像检索中,提取颜色、纹理、形状或空间信息等底层特征是目前最常用且简便的表征图像的方法。但使用单一底层特征容易忽视特征间的相互联系,无法对图像以各种形式提供的信息加以充分利用,限制了众多特征联合诠释图像的可能性。底层内容特征的融合可以全面同时互补地表示图像中包含的各类信息,有效地利用特征间的联系,提高了图像内容表示的效率和精度。该文对现有的底层内容的融合特征提取算法进行总结,提出了一种以融合的层次及融合内容为依据的分类体系,指出了基于融合特征的图像检索现今存在的问题以及一些可能的研究方向。     

A spectral–textural kernel-based classification method of remotely sensed images

Most studies have been based on the original computation mode of semivariogram and discrete semivariance values. In this paper, a set of texture features are described to improve the accuracy of object-oriented classification in remotely sensed images. So, we proposed a classification method support vector machine (SVM) with spectral information and texture features (ST-SVM), which incorporates texture features in remotely sensed images into SVM. Using kernel methods, the spectral information and texture features are jointly used for the classification by a SVM formulation. Then, the texture features were calculated based on segmented block matrix image objects using the panchromatic band. A comparison of classification results on real-world data sets demonstrates that the texture features in this paper are useful supplement information for the spectral object-oriented classification, and proposed ST-SVM classification accuracy than the traditional SVM method with only spectral information.     

Sparse representation with multi-manifold analysis for texture classification from few training images

Texture classification is one of the most important tasks in computer vision field and it has been extensively investigated in the last several decades. Previous texture classification methods mainly used the template matching based methods such as Support Vector Machine and k-Nearest-Neighbour for classification. Given enough training images the state-of-the-art texture classification methods could achieve very high classification accuracies on some benchmark databases. However, when the number of training images is limited, which usually happens in real-world applications because of the high cost of obtaining labelled data, the classification accuracies of those state-of-the-art methods would deteriorate due to the overfitting effect. In this paper we aim to develop a novel framework that could correctly classify textural images with only a small number of training images. By taking into account the repetition and sparsity property of textures we propose a sparse representation based multi-manifold analysis framework for texture classification from few training images. A set of new training samples are generated from each training image by a scale and spatial pyramid, and then the training samples belonging to each class are modelled by a manifold based on sparse representation. We learn a dictionary of sparse representation and a projection matrix for each class and classify the test images based on the projected reconstruction errors. The framework provides a more compact model than the template matching based texture classification methods, and mitigates the overfitting effect. Experimental results show that the proposed method could achieve reasonably high generalization capability even with as few as 3 training images, and significantly outperforms the state-of-the-art texture classification approaches on three benchmark datasets.     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

一种基于纹理特征融合的SAR图像分割方法

在由若干灰度共生矩阵纹理统计量进行特征融合后所生成的图像上,定义多分辨双Markov-GAR模型,采用多分辨MPM参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法既利用了像素的灰度信息,也利用了像素的空间位置信息,削弱了斑点噪声对分割的影响。实验表明对于一些高分辨SAR图像,该方法与单纯基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,分割精度得以提高。     

A new approach for rotation-invariant and noise-resistant texture analysis and classification

The analysis and classification of images, such as texture images, is one of the substantial and important fields in image processing. Due to destructive effects of image rotation and noise, the stability and efficiency of texture analysis and classification methods are an important research area. In this paper, a new method for texture analysis and classification has been proposed which is based on a particular combination of wavelet, ridgelet and Fourier transforms as well as support vector machine. The proposed method has been evaluated for 13 texture datasets produced by three original datasets containing 25 and 111 original textures from Brodatz database and 24 original textures from OUTEX database. These datasets comprise 415584 and 93600 rotated noise-free and noisy texture images for Brodatz database and also 49920 noisy and 4320 noise-free texture images for OUTEX database, respectively. Simulation results demonstrate the capability, efficiency and also stability of the proposed method especially for real-time rotation-invariant and noise-resistant texture analysis and classification.