基于均值偏移和边缘置信度的焦炭显微图像分割

针对焦炭显微图像中光学组织的特点,提出了一种结合均值偏移和边缘置信度的焦炭显微图像分割。该方法首先计算图像像素的边缘置信度,利用边缘置信度设计均值偏移算法中的权值函数,对特征空间的采样点进行加权,以提高模式点检测的准确性;然后以扩展的均值偏移向量进行迭代,实现焦炭显微图像的初步分割;由于在初步分割中产生过多的聚类数,导致了相同组分区域的过分割。因此通过空域距离和区域边界像素的置信度平均值设置合并条件,合并相同光学组分的焦炭区域,实现图像的最终分割。实验表明,该方法能够有效地分割出焦炭显微图像中不同光学组织组分区域,为焦炭光学组织的自动识别提供可靠依据。     

WBCT域系数相关性的图像融合算法研究

基于小波变换的Contourlet变换(WBCT)是一种非冗余的多尺度几何分析变换,比Contourlet变换具有更好的信息挖掘能力.因此将WBCT应用于图像融合领域,能更好地提取图像边缘特征,为融合提供更多的原始图像特征信息.WBCT域系数相关性的图像融合算法是针对WBCT分解系数尺度内以及不同区域内像素点间的相关性设计图像融合规则.实验表明,以WBCT为基础设计的系数相关性融合算法能更有效、更准确地提取图像中的特征,为融合图像保留更全面的原始图像信息,是一种有效可行的图像融合算法.     

多级LBP直方图序列特征的人脸识别

人脸识别是当前人工智能和模式识别的研究热点。基于对小波分解和局部二进制模式(LBP)分析,提出了一种多级LBP直方图的序列特征 (M-HSLBP) 的提取方法。2维的小波分解具有对表情变化不敏感的特点,可以很好地压缩和表征人脸图像的特征;LBP是一种有效的纹理描述算子,使用多级可变大小的子窗口对小波变换后的图像进行扫描,对各级子图像进行改进LBP变换并形成多级LBP直方图序列特征,这种特征既能反映人脸局部特征又能反映其整体特征。径向基网络作为分类器具有很高的推广性能,有利于大容量样本的分类。在对人脸库ORL和YEL的识别实验中,该算法识别率达到98%以上,与传统算法相比,取得了更好的识别结果。     

焦炭光学组织的超反射率图像分析系统

分析焦炭的光学组织是一种重要的评估焦炭质量的方式,目前这种评估方式还停留在人工阶段.为了改变现状,本文设计和实现了一套自动分析系统,可以自动采集焦炭切片的显微图像并自动分割和识别其中的焦炭光学组织.系统由图像采集系统和图像分析系统两个子系统构成.在图像采集系统中,我们使用多角度极化技术拍摄得到焦炭切片在不同极化角度下的反射率图像,本文称这种特殊图像为超反射率图像.在图像分析系统中,我们提出了一种针对焦炭的超反射率图像的新型分析算法,可以准确高效地分割和识别图像中的各种焦炭光学组织.     

焦炭显微图像的轮廓提取新方法研究

区域轮廓的提取是对焦炭显微图像中不同光学组分进行分类与识别的关键.由于焦炭的光学组分在不同偏光下呈现的多样性以及该图像本身的复杂性,现有的方法提取轮廓边缘存在较大的困难.文中采用一种边界加权的改进均值偏移算法对焦炭显微图像中不同组分进行聚类,准确聚类的同时较好地保留边缘信息;然后再采用双阈值法和多边形近似得到图像的连续轮廓.实验表明,该方法抗噪性强,能够有效地提取不同组分的轮廓.利用轮廓的特征信息为焦炭显微图像某些类别的分类提供了基础.     

LBP和HOG的分层特征融合的人脸识别

针对LBP描述子提取的纹理特征有限且不能有效地描述图像边缘和方向信息的问题,提出了LBP和HOG的分层特征融合的方法.首先利用LBP算子提取图像的分层纹理谱特征,然后利用HOG算子提取原始图像的边缘特征和基于分层LBP特征的分层HOG特征,最后将分层LBP特征分别与2种HOG边缘特征融合,得到2种不同的多层融合特征.通过在ORL,Yale和GT人脸库上进行实验,比较了15种算法的识别性能,结果证明了文中方法的有效性;相对于传统的经典降维算法、单一的LBP特征提取算法和HOG特征提取算法,该方法的识别率有很大的提高,分别达到99%,99.5%和99.14%.     

基于视觉特性的Contourlet域图像压缩编码算法

为了有效克服小波变换难以准确捕获图像特征、而Contourlet变换存在冗余等不足,本文提出了一种基于视觉特性的Contourlet域图像压缩编码算法.该算法首先对原始图像进行小波分解,并对中高频小波子带进一步实施自适应方向分解;然后根据人眼视觉特性(HVS),对变换系数进行加权处理;再结合小波分解与方向分解特点,构造扩展的空间方向树结构;最后采用SPIHT编码思想完成图像的压缩.实验结果表明,本文提出的Contourlet域图像编码方法是一种高效的图像压缩算法,不仅其压缩效果明显优于SPIHT、WBCT等图像压缩方案(特别是低比特率下),而且具有比较强的通用性与适应性(SPIHT与WBCT对于Barbara之类纹理图像压缩效果较差,然而本文算法的压缩效果却较理想).     

基于MB-LBP和张量HOSVD的人脸识别算法

融合多尺度分块局部二值模式和张量高阶奇异值分解提出一种人脸识别算法.优选不同尺度的MB-LBP算子组合提取图像纹理特征,构造人脸图像的3阶张量模型;利用HOOI算法进行张量高阶奇异值分解;基于HOSVD分解结果采用最邻近算法设计识别分类器.运用Yale数据库和自制数据库进行算法对比实验,验证算法的有效性,实验结果表明,基于Yale数据库,提出算法与LBP深度置信网络算法的识别精度一样高,均为98.667％;基于自制人脸数据库,该算法识别精度为100％.综上提出算法是一种有效的、可行的识别算法.     

联合LBP与SOM的多分辨率织物疵点检测

提出了一种联合LBP与SOM的多分辨率织物疵点检测方法。首先应用图像金字塔将织物图像进行降级分解,得到不同分辨率的图像,再对每一级的图像分别应用局部二进制(LBP)算子进行处理,提取特征后送入事先训练好的自组织映射神经网络(SOM)进行识别,最后再对已识别的多级图像进行融合,计算连通区域的周长和面积去除孤立点后得出最终的检测结果。实验结果表明,该方法检测速度快、检测效果好,适用于不同疵点类型的各种检测。     

分辨率LBP的掌纹特征提取

为了研究NSCT变换(nonsubsampled contourlet transform,NSCT)和局部二值模式(local binary pattern,LBP)在掌纹识别应用方面的可行性和性能,提出了一种基于NSCT变换与局部二值模式相结合的掌纹特征提取算法.该方法能够较好地提取皱褶、乳突纹等掌纹的细节特征,并且能够有效减少掌纹识别中由于图像的平移、旋转和光照对识别结果造成的影响.使用NSCT变换可以稀疏地表示二维奇异曲线并且变换本身具有平移不变性;而LBP算子是一种有效的纹理描述算子并且该算子具有很好的灰度和旋转不变性.首先对掌纹图像进行NSCT变换,然后对变换后的掌纹子图提取局部多分辨率和多尺度的LBP特征.实验结果表明,该算法能够更好地表达掌纹纹线的细节和结构特征,对掌纹图像有更高的鉴别性.     

自适应加权融合显著性结构张量和LBP的表情识别

针对局部二值模式（Local Binary Pattern，LBP）提取纹理特征时忽略了图像的局部结构信息问题，提出一种自适应加权融合显著性结构张量和LBP的表情识别算法。该算法通过对整幅图片进行显著性区域检测得到全局显著图来消除细小的纹理和噪声。在显著图的基础上进一步提取两种显著性纹理特征，根据每种特征信息熵的贡献度来作为特征向量的加权依据。利用支持向量机（Support Vector Machine，SVM）进行表情图像的分类。实验结果表明，自适应加权融合的两种纹理特征能够较好地描述人脸的特征，有效地提高表情识别率。     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,与能够表示标志图像内部纹理信息的局部二值模式（LBP）特征融合得到降维后的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别率,而且降低了时间复杂度,增强了系统鲁棒性。     

多级小波分解与LBP融合的纹理提取算法

为提高不同光照、不同角度条件下的纹理识别精度,提出了一种利用多级小波分解和多尺度旋转不变LBP融合的纹理提取算法。算法在传统的LBP特征提取基础上,采用多尺度的旋转不变LBP算子分别对多级小波逼近图像提取直方图序列特征向量,与各级小波能量进行加权融合,获取更多的纹理信息,对光照和角度的变化有更高的鲁棒性。仿真结果表明,相对传统的LBP特征提取算法,改进的算法具有更高的纹理识别率。     

基于多种LBP特征集成学习的人脸识别*

单一的特征与分类器只能对限定条件下的人脸进行较好的识别,当在非限定条件下(如光照、背景等发生变化时)将出现人脸识别率较低问题,针对该问题,提出了一种基于多种局部二进制特征集成学习的人脸识别算法。首先,使用监督梯度下降法 (SDM)对人脸特征点定位,应用中心对称局部二进制(CSLBP)算子提取每个特征点邻域特征,将所有人脸特征点邻域特征合成为精细的纹理特征;同时运用分区LBP直方图算法提取人脸区域的微观空间结构特征;然后,使用K最近邻算法(KNN)和支持向量机(SVM)分别训练这两种特征,得到类别排序列表和投票决策矩阵;最后,利用加权求和的规则融合决策矩阵,构成最优集成分类器,从而得到输出类别。通过在非限制性人脸库LFW上实验结果表明,所提算法采用集成的方法明显优于单一的特征和分类器。     

基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。     

基于词包和特征融合的目标识别算法

针对现有词包模型对目标识别性能的不足,对特征提取、图像表示等方面进行改进以提高目标识别的准确率。首先,以密集提取关键点的方式取代SIFT关键点提取,减少了计算时间并最大程度地描述了图像底层信息。然后采用尺度不变特征变换(Scale-invariant feature transform, SIFT)描述符和统一模式的局部二值模式(Local binary pattern,LBP)描述符描述关键点周围的形状特征和纹理特征,引入K-Means聚类算法分别生成视觉词典,然后将局部描述符进行近似局部约束线性编码,并进行最大值特征汇聚。分别采用空间金字塔匹配生成具有空间信息的直方图,最后将金字塔直方图相串联,形成特征的图像级融合,并送入SVM进行分类识别。在公共数据库中进行实验,实验结果表明,本文所提方法能取得较高的目标识别准确率。     

Invariant texture classification using a spatial filter bank in multi-resolution analysis

This paper proposed a new method based on spatial filter banks and discrete wavelet transform (DWT) for invariant texture classification. The method used a multi-resolution analysis method like DWT and applied the proposed filter bank on different resolutions. Then, a simple fusion of features on different resolutions was used for invariant texture analysis. A comprehensive study was done to examine the effectiveness of the proposed method. Different datasets with different properties were used in this paper such as Brodatz, Outex, and KTH-TIPS for the evaluation. Local binary pattern (LBP) methods have been one of the powerful methods in recent years for invariant texture classification. A comparative study was performed with some state-of-the-art LBP methods. This comparison indicated promising results for the proposed approach as compared with the LBP methods.     

基于纹理特征和轮廓光流矢量的烟雾识别

为了提高火灾探测的准确率和快速性,提出了基于纹理特征和轮廓光流矢量的烟雾识别算法。一方面为了获得更全面的纹理特征,建立图像金字塔,使用局部二值模式（ LBP）和基于方差的局部二值模式（ LBPV）结合的新方法分别提取金字塔不同层的纹理特征。另一方面是动态纹理特征,由于烟雾运动的湍流特性导致方向具有特定的一致性,改进了对全部可疑区域进行分析的方法,仅对可疑区域轮廓进行光流矢量分析,降低运算量。将静态纹理特征和动态纹理特征输入支持向量机（ SVM ）中进行识别。采用“静—静—动”的新型识别方法,实验结果表明：该算法能够及时准确报警,可靠率高。     

多通道多模式融合LBP特征的纹理相似度计算

纹理相似度计算是大数据分析和数据挖掘的基本手段之一。为现有纹理特征对彩色图像鉴别能力不强的问题,提出了一种改进LBP特征的纹理相似度计算方法。该方法提出了极值模式、求和模式和编码模式三种特征融合模式,对彩色图像的H、S和V三个通道上获取的LBP特征进行融合,得到彩色图像的纹理描述特征。融合操作在邻域像素点LBP计算、中心像素点LBP计算、直方图特征提取三个阶段进行,提高特征鉴别能力。在VisTex纹理数据库上进行纹理相似度计算实验,结果表明该方法的错误接受率、错误拒绝率和等错误率明显低于文献[7,8,9]所述方法。     

利用提升树模型综合Gabor和LPQ特征进行遥感地物识别

为充分融合高光谱遥感图像空间域和频率域的特征信息,提出了一种综合多尺度Gabor和LPQ特征的空谱融合遥感地物识别模型（Ms_GLPQ）。首先,在空间域上利用Gabor滤波器组,提取出遥感图像各类地物多尺度、多方向的空间邻域特征信息,以描述图像的边缘和纹理等空间结构信息;其次,在频率域上将局部相位量化（Local Phase Quantization,LPQ）算子应用于高光谱遥感图像,提取出高光谱图像的多尺度频域纹理特征,获得图像的相位不变特征描述;然后针对其中特征冗余的问题采用主成分分析（PCA）算法进行降维,再将空间域、频率域的特征进行特征融合,获得了能充分描述图像信息的特征向量;最后采用基于提升树的机器学习分类器（XGBoost、CatBoost等）进行识别。在Indian Pines、Salinas和茶树等高光谱遥感数据集上进行学习与分类测试,准确率分别为85.88%、94.42%和92.61%。实验结果表明：与传统方法相比,Ms_GLPQ模型能够提取小比例样本图像中的有效特征,取得了区分性更强的多特征区域描述子,且在采用提升树模型进行分类时效果更优,得到了比常用分类器更高的识别精度。