融合多特征与随机森林的纹理图像分类方法

针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。     

基于双树复小波域统计图像建模的纹理特征提取

统计图像建模方法使用某种参数控制的分布模型来描述纹理及其特征,即参数估计是该类方法的核心问题.鉴于此,提出一种新的纹理特征提取方法,利用广义伽马分布和广义冯cdot米塞斯分布在图像的双树复小波域上进行统计建模,利用对数累积量法进行高效的参数估计完成纹理特征提取.在VisTex和Brodatz纹理库上进行分类实验,结果表明所提方法能够有效捕获图像的纹理特征,获取较高的识别率.     

基于形状特征及纹理特征的中药材检索方法

为有效提取中药材图像的特征,提高中药材图像分类准确率并提升检索性能,对中药材图像的梯度方向直方图形状特征和局部二元模式纹理特征进行研究,对2种特征进行维数改进,提出一种基于形状特征和纹理特征的中药材检索方法。使用改进的图像梯度方向直方图和分块局部二元模式进行形状及纹理的特征提取;对提取得到的特征向量进行线性组合;采用一对一方式构造多分类器,使用支持向量机进行分类检索。实验结果表明,组合降维特征提取算法能在中药材图像数据集中取得较好的识别效果。     

基于支持向量机的纹理图像分类算法

研究纹理图像的分类问题,纹理特征提取和分类器设计是决定分类正确率高低的关键。由于库存图像较多,且质量受到噪声影响,使图像特征提取比较困难。针对传统特征提取和分类算法分类正确率不高的难题,提出一种基于支持向量机的纹理图像分类算法。首先采用Gabor滤波器对纹理特征进行提取,采用主成分分析对提取后的特征进行选择,最后采用支持向量机进行纹理图像的分类。采用Brodatz纹理库进行测试实验,实验结果表明,支持向量机分类算法提高了纹理图像的分类正确率,降低了误分率和拒分率,且分类速度加快,适用于更为复杂的纹理分类,为图像提取提供了参考。     

基于无抽样小波变换和MCE训练的纹理分类

提出了一种新的纹理分类的方法,该方法把基于无抽样小波变换的特征提取器和基于欧几里得距离的分类器进行了合并。把方差、偏态系数、峰态系数、三者的联合及谱直方图作为描述纹理图像不相重叠的图像窗的特征。一个使用线性转换矩阵的特征提取器对分类导向的特征做进一步的提取。利用基于欧几里得距离的分类器,每个纹理图像不相重叠的图像窗被确定到属于它的那一类。基于最小分类错误训练方法的特征提取器和分类器设计的合并使分类错误达到了最小化。使用该方法对25类BrodTex纹理图像进行了评估,分类精确度达到90%以上。     

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中，特征提取在金字塔结构小波变换的基础上进行；特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持；纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比，该方法在运行时间上得到了明显的提高。     

基于多分辨率的厄米高斯矩的LBP纹理分类

针对LBP（局部二值模式)纹理描述子局限于在单一分辨率下捕获纹理图像的纹理信息的问题,提出一种基于多分辨率的厄米高斯矩的LBP纹理分类方法。首先结合图像纹理的多分辨率特性,采用厄米高斯矩对图像进行多分辨率重构,然后利用LBP纹理描述子对重构图像进行特征提取,最后采用K近邻特征空间距离的分类方法进行纹理分类。选取KTH-TIPS纹理数据库的纹理图像进行测试实验,实验结果表明,与传统LBP纹理分类方法相比,使用多分辨率的厄米高斯矩的LBP纹理分类方法进行纹理分类,可以更加全面地描述图像的纹理信息,使纹理分类准确率更高。     

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。     

基于纹理特征的超声图像乳腺肿块识别

针对乳腺超声图像，提出一种基于图像纹理特征提取的乳腺肿块识别方法，从而有助于使用计算机辅助鉴别的方法判断乳腺肿块是否发生癌变，辅助放射科医生对影像的性质作出预判。首先对乳腺超声图像进行最大响应滤波处理，在保证一定边缘组织结构完整的同时去除主要的噪声干扰。在此基础上，提取乳腺图像的一阶和二阶纹理特征，然后用人工神经网络对特征进行识别分类。在从医院拿到的真实数据集上验证本文方法的准确性，并分别从预处理、特征提取和分类方法3个方面与其他方法进行对比分析，结果表明，本文方法在降低算法复杂度的基础上提升了乳腺肿块的识别率。     

高精度合成孔径雷达图像分类算法仿真

研究合成孔径雷达图像准确性问题。合成孔径雷达图像分类过程中,特征集包括图像的Pauli特征、相干矩阵特征、小波特征、纹理特征等多特征,由于原始特征数目过多,并且采集特征伴随巨大的随机性,几乎不能建立多目标描述模式。传统的图像分类方法面临多特征、强随机性的特征集合时,因为无固定化的特征约束,导致分类效果不好的问题。为了避免上述缺陷,提出了一种基于最优分类平面的合成孔径雷达图像分类算法。利用局部二值模式纹理分析方法,进行合成孔径雷达图像特征提取,为图像分类提供准确的数据基础。利用最优分类平面方法,实现合成孔径雷达图像的分类。实验结果表明,利用上述算法进行高精度合成孔径雷达图像分类,能够获取准确的分类结果。     

Sorted random projections for robust rotation-invariant texture classification

This paper presents a simple, novel, yet very powerful approach for robust rotation-invariant texture classification based on random projection. The proposed sorted random projection maintains the strengths of random projection, in being computationally efficient and low-dimensional, with the addition of a straightforward sorting step to introduce rotation invariance. At the feature extraction stage, a small set of random measurements is extracted from sorted pixels or sorted pixel differences in local image patches. The rotation invariant random features are embedded into a bag-of-words model to perform texture classification, allowing us to achieve global rotation invariance. The proposed unconventional and novel random features are very robust, yet by leveraging the sparse nature of texture images, our approach outperforms traditional feature extraction methods which involve careful design and complex steps. We report extensive experiments comparing the proposed method to six state-of-the-art methods, RP, Patch, LBP, WMFS and the methods of Lazebnik et al. and Zhang et al., in texture classification on five databases: CUReT, Brodatz, UIUC, UMD and KTH-TIPS. Our approach leads to significant improvements in classification accuracy, producing consistently good results on each database, including what we believe to be the best reported results for Brodatz, UMD and KTH-TIPS.     

基于多尺度压缩感知金字塔的极化干涉SAR图像分类

提出了一种新的基于多尺度压缩感知(Compressed sensing, CS)金字塔的分类方法, 用于合成孔径雷达(Synthetic aperture radar, SAR)图像的分类. 首先通过原始图像上的小波平滑和特征提取构建多尺度极化干涉特征空间, 然后利用压缩感知提取每一个尺度上图像子块的观测域特征并在数据域重建稀疏特征, 最后组合多尺度的稀疏特征生成最终用于分类的多尺度金字塔表达. 针对稀疏编码和一般金字塔算法的局限性, 提出了基于压缩感知和多尺度金字塔的方法, 利用观测矩阵降低特征维数的优势的同时, 对SAR图像的纹理特征进行不同尺度的分析. 在国内首批极化干涉SAR数据上的实验证明了上述算法的有效性.     

融合基本特征和词袋绑定特征的问句特征模型

针对当前问句分类研究中特征提取的处理开销较大,提出一种融合基本特征和词袋绑定特征的问句特征模型。在分别提取问句中的词袋、词性、词义等基本特征及其对应的词袋绑定特征的基础上,通过将基本特征与词袋绑定特征进行融合,以获取更加高效的问句特征集合。在哈尔滨工业大学中文问句集上的实验结果表明,这种新的问句特征模型不仅具有实现简单、处理开销小的优点,而且有效弥补了单纯基本特征或词袋绑定特征在句法语义表达方面的不足,进一步提高了问句分类的准确率。     

结合改进LBP和SRC的高光谱图像分类研究

针对传统局部二值模型（local binary pattern,LBP）提取高光谱图像纹理特征信息量庞大的难题,提出一种基于对称旋转不变等价局部二值模型（symmetrical rotation invariant uniform LBP,SRIULBP）的高光谱图像特征提取方法,以缩减特征维度;针对稀疏表示分类（sparse representation classification,SRC）模型中稀疏字典冗余的缺陷,采用近邻思想,提出最近邻稀疏表示（nearest neighbor SRC,NNSRC）分类方法,实现高光谱图像的高效、高准确度分类。数据实验结合表明,SRIULBP能快速提取图像特征,提出的分类方法不仅在分类精度上优于其他稀疏表示分类算法,并且具有更强的时效性与泛化能力。     

Converting numerical classification into text classification

Consider a supervised learning problem in which examples contain both numerical- and text-valued features. To use traditional feature-vector-based learning methods, one could treat the presence or absence of a word as a Boolean feature and use these binary-valued features together with the numerical features. However, the use of a text-classification system on this is a bit more problematic—in the most straight-forward approach each number would be considered a distinct token and treated as a word. This paper presents an alternative approach for the use of text classification methods for supervised learning problems with numerical-valued features in which the numerical features are converted into bag-of-words features, thereby making them directly usable by text classification methods. We show that even on purely numerical-valued data the results of text classification on the derived text-like representation outperforms the more naive numbers-as-tokens representation and, more importantly, is competitive with mature numerical classification methods such as C4.5, Ripper, and SVM. We further show that on mixed-mode data adding numerical features using our approach can improve performance over not adding those features.     

Scene classification based on a hierarchical convolutional sparse auto-encoder for high spatial resolution imagery

Efficiently representing and recognizing the semantic classes of the subregions of large-scale high spatial resolution (HSR) remote-sensing images are challenging and critical problems. Most of the existing scene classification methods concentrate on the feature coding approach with handcrafted low-level features or the low-level unsupervised feature learning approaches, which essentially prevent them from better recognizing the semantic categories of the scene due to their limited mid-level feature representation ability. In this article, to overcome the inadequate mid-level representation, a patch-based spatial-spectral hierarchical convolutional sparse auto-encoder (HCSAE) algorithm, based on deep learning, is proposed for HSR remote-sensing imagery scene classification. The HCSAE framework uses an unsupervised hierarchical network based on a sparse auto-encoder (SAE) model. In contrast to the single-level SAE, the HCSAE framework utilizes the significant features from the single-level algorithm in a feedforward and full connection approach to the maximum extent, which adequately represents the scene semantics in the high level of the HCSAE. To ensure robust feature learning and extraction during the SAE feature extraction procedure, a ‘dropout’ strategy is also introduced. The experimental results using the UC Merced data set with 21 classes and a Google Earth data set with 12 classes demonstrate that the proposed HCSAE framework can provide better accuracy than the traditional scene classification methods and the single-level convolutional sparse auto-encoder (CSAE) algorithm.     

Texture segmentation using Gaussian-Markov random fields and neuraloscillator networks

We propose an image segmentation method based on texture analysis. Our method is composed of two parts. The first part determines a novel set of texture features derived from a Gaussian-Markov random fields (GMRF) model. Unlike a GMRF-based approach, our method does not employ model parameters as features or require the extraction of features for a fixed set of texture types a priori. The second part is a 2D array of locally excitatory globally inhibitory oscillator networks (LEGION). After being filtered for noise suppression, features are used to determine the local couplings in the network. When LEGION runs, the oscillators corresponding to the same texture tend to synchronize, whereas different texture regions tend to correspond to distinct phases. In simulations, a large system of differential equations is solved for the first time using a recently proposed method for integrating relaxation oscillator networks. We provide results on real texture images to demonstrate the performance of our method.     

自然场景图像与合成图像的快速分类

目的 随着现代通信和传感技术的快速发展,互联网上多媒体数据日益增长,既为人们生活提供了便利,又给信息有效利用提出了挑战。为充分挖掘网络图像中蕴含的丰富信息,同时考虑到网络中图像类型的多样性,以及不同类型的图像需要不同的处理方法,本文针对当今互联网中两种主要的图像类型：自然场景图像与合成图像,设计层次化的快速分类算法。方法 该算法包括两层,第1层利用两类图像在颜色,饱和度以及边缘对比度上表现出来的差异性提取全局特征,并结合支持向量机（SVM）进行初步分类,第1层分类结果中低置信度的图像会被送到第2层中。在第2层中,系统基于词袋模型（bag-of-words）对图像不同类型的局部区域的纹理信息进行编码得到局部特征并结合第2个SVM分类器完成最终分类。针对层次化分类框架,文中还提出两种策略对两个分类器进行融合,分别为分类器结果融合与全局+局部特征融合。为测试算法的实用性,同时收集并发布了一个包含超过30 000幅图像的数据库。结果 本文设计的全局与局部特征对两类图像具有较强的判别性。在单核Intel Xeon（R）（2.50 GHz）CPU上,分类精度可达到98.26%,分类速度超过40帧/s。另外通过与基于卷积神经网络的方法进行对比实验可发现,本文提出的算法在性能上与浅层网络相当,但消耗更少的计算资源。结论 本文基于自然场景图像与合成图像在颜色、饱和度、边缘对比度以及局部纹理上的差异,设计并提取快速有效的全局与局部特征,并结合层次化的分类框架,完成对两类图像的快速分类任务,该算法兼顾分类精度与分类速度,可应用于对实时性要求较高的图像检索与数据信息挖掘等实际项目中。