Gabor小波和改进LBP的零件表面粗糙度识别

目的 为了提取零件表面图像的纹理特征并对其表面粗糙度分类识别,有效提高识别的正确率,提出了联合Gabor小波和改进局部二值模式(LBP)的纹理特征提取方法。方法 针对传统LBP算子忽略了邻域内灰度差幅值特征的问题,提出了M_LBP(magnitude considered LBP)算子。采用Gabor小波对零件表面图像滤波,并计算各子图像 Gabor幅值特征GMM(Gabor magnitude maps)。应用M_LBP算子计算各GMM的M_LBP特征谱,进而构造得到零件表面图像的纹理特征向量,最后通过KNN(K-nearest neighbor)算法对零件粗糙度分类识别。结果 本文提出的算法有效细化了表面图像纹理特征,对粗糙度差别为0.2 μm的零件识别准确率达到98%,远高于利用传统LBP算子提取的纹理信息的识别准确率。结论 本文提出了一种有效细化LBP纹理特征的M_LBP算子,并通过与Gabor小波的结合,突破了传统LBP算子尺度、方向单一,幅值信息被忽略的局限性,能实现较高精度的粗糙度识别。     

一种基于多尺度局部纹理特征和CART决策树的野外火灾火焰图像识别算法

为了消除野外环境中枯草、枯树枝、枯树叶等干扰对象对野外火灾识别的影响,提高火焰识别的准确率,提出一种新的基于Gabor滤波和局部二值模式(LBP)的多尺度局部纹理特征提取方法,并构建Adaboost-SVM火焰图像分类器。利用火焰的颜色特征提取出疑似火焰区域;对疑似火焰区域进行Gabor滤波,再对Gabor滤波后不同尺度下的图像以16×16的像素邻域网格作为采样窗口,采用LBP提取其纹理特征;运用CART决策树对LBP特征向量进行降维,将分类回归树算法(CART)选择出来的特征输入到支持向量机(SVM)训练分类器,进行火灾火焰图像识别。实验结果表明,野外火灾火焰的识别准确率为96%,证明了该算法的有效性。     

一种改进Log-Gabor滤波的虹膜识别算法

研究虹膜识别问题,由于在图像采集过程中,噪声影响准确性,为提高虹膜识别准确率,针对一维Log-Gabor滤波特征提取方法丢失二维信息的缺陷,提出一种改进Log-Gabor滤波的虹膜识别算法。首先采用小波变换对虹膜图像进行分解,获取虹膜图像低频子带信息,然后采用不同方向尺度的2维Log-Gabor滤波器组提取虹膜纹理特征,最后采用支持向量机对生成的虹膜特征码进行匹配。采用CASIA和UBIRIS虹膜库对算法性能进行测试,测试结果表明,改进Log-Gabor滤波的虹膜识别算法提高了虹膜识别准确率,加快识别速度,更加适合于实时虹膜识别,为虹膜准确识别提供了依据。     

基于Radon-经验模式分析的纹理分类

目的 纹理分类是机器视觉和设备状态检测研究的核心技术,在工业生产领域起着重要的作用。高效的纹理分类方法不仅可以提高生产效率,还可以大幅提高产品的质量和可靠性。针对工业生产中图像纹理提取计算方法复杂等缺陷,提出一种1维化图像的纹理分类方法。方法 在图像1维化基础上,将其视为一类特殊的时域信号,引入EMD(empirical mode decomposition)特征计算方法。具体包括,通过Radon变换将2维信号1维化,评价投影信号以选取有利于分类的投影方向;对投影信号进行端点效应抑制和经验模式分解,并根据各个IMF(instrinsic mode functions)分量与原始信号构建纹理特征集;对特征集进行主成分分析,简化压缩特征集以降低特征集维数;结合支持向量机对特征集进行分类有效性评估,建立最优分类决策体系。结果 在Brodatz和KTHTIPS数据集上展开了多尺度、多方向等纹理分类实验,取得了满意的纹理分类结果。建立了基于网点纹理识别的印刷机状态检测系统,实现了工业生产应用。通过分析多幅Brodatz图像进行了特征提取速度对比,本文方法耗时5 s左右,而GLCM、Gabor滤波分别为9.5 s和24 s左右。结论 1维投影信号的IMF特征对于纹理特征有着很好的识别效果;由于进行了旋转投影选择并计算了统计特征,使得该方法对于多方向和多尺度纹理同样有效;所提出方法有着较高的计算效率。     

一种改进的Log-Gabor滤波和SVM的虹膜识别方法

特征提取和分类是虹膜识别中的关键部分.由于小波分解后的低频子带包含了虹膜图像的主要信息,而Log-Gabor滤波能有效地提取出图像的纹理信息,将这两种方法结合是一个提取虹膜识别信息的有效途径.本文先对归一化的虹膜采用小波变换的方法细分图像,再用Log-Gabor滤波器对低频通道的子带图像进行更进一步的特征提取并量化,形成特征码本,最后采用支持向量机的分类器来进行分类.实验结果表明,分类器能很好地分离各类虹膜,识别率提高到了99.6%,等错率则降低为0.3%,比传统汉明距的分类方式有更优异的性能.     

结合纹理梯度抑制与L0梯度最小化的纹理滤波

目的 纹理滤波是计算机视觉领域的一个基础应用工具,其目标是抑制图像中不必要的纹理细节和保持图像的主要结构。目前已有的纹理滤波方法多存在强梯度纹理无法被抑制或结构丢失的问题,为此提出一种结合纹理梯度抑制与L₀梯度最小化的纹理滤波算法。方法 首先,提出一种能够区分结构/纹理像素的方向性区间梯度算子,其中采取了局部对比度拉伸和尺度自适应策略,提升了弱梯度结构像素的识别能力。随后,利用区间梯度幅值对原始图像梯度进行抑制,并用抑制后的图像梯度进行图像重建,获得纹理像素梯度小于结构像素梯度的纹理抑制图像。最后,考虑到纹理梯度抑制时会对结构像素的梯度产生一定的衰减作用,本文采用具有梯度提升作用的L₀梯度最小化方法对纹理抑制图像进行滤波,得到纹理抑制结构保持的纹理滤波图像。结果 通过测试马赛克和自然风景等不同类型的图片,并与L₀梯度最小化、滚动引导图像滤波、相对总变分、共现滤波等方法相比较,本文算法能够在抑制强梯度纹理的情况下对图像的主要结构得以保持,并且具有良好的普适性和鲁棒性。同时本文将纹理滤波应用于图像的边缘检测和细节增强,取得了不错的效果提升。结论 本文算法在兼顾强梯度纹理的抑制和结构的保持方面已超越已有的方法,对于图像的目标识别、图像融合、边缘检测等易受强梯度纹理干扰的技术领域,具有较大的应用潜力。     

结合小波变换和Log-Gabor滤波的虹膜识别方法

提出了一种将小波变换和Log-Gabor滤波结合起来进行虹膜识别的方法:小波分解后的低频子带包含了虹膜图像的主要信息,而Log-Gabor滤波能有效提取图像的纹理信息.将归一化的虹膜图像进行两层小波分解,再取其低频子带进行Log-Gabor滤波并量化生成虹膜模板,采用汉明距进行快速分类.实验结果验证了本算法具有很好的识别率和等错率.     

基于LDA和小波分解的肺音特征提取方法

针对用小波分解提取肺音特征后特征向量维数较高的问题,提出了一种结合线性判别分析和小波分解的肺音特征提取方法。在该方法中,首先对肺音信号进行小波分解,然后将小波分解得到的小波系数转化成小波能量特征向量,接着使用线性判别分析法对该特征向量进行降维处理,得到新的低维特征向量,最后用SVM对低维特征进行识别。在实验中,选取了三种肺音信号：正常肺音、爆裂音、哮鸣音,用所提出的方法将8维的小波能量特征降为2维特征,在2维特征上进行了分类识别,并和降维之前的结果进行了比较,实验结果表明利用线性判别分析对小波能量特征降维后极大地提高了识别精度。同时,和其他几种典型的肺音特征提取方法进行了比较,实验结果表明结合线性判别分析与小波分解的特征提取方法得到了更高的识别精度。     

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。     

结合曲面局部纹理特征的3维人脸识别

目的 人脸2维图像反映出来的纹理并非是3维人脸曲面真实的纹理,并且受光照和妆容的影响很大,因此探索3维局部纹理特征对于人脸识别任务有着重要的意义。为此详细分析了一种新颖的3维局部纹理特征mesh-LBP对于人脸纹理的描述能力。方法 首先,在特征提取和识别任务之前,进行一系列的预处理：人脸分割、离群点移除和孔洞填补;接着,在预处理后的人脸曲面上,提取原始mesh-LBP特征,以及基于阈值化策略的3种改进特征：mesh-tLBP、mesh-MBP和mesh-LTP;然后,对于上述提取的4种特征,采用不同的统计方法,包括整体直方图、局部分块直方图和整体编码图像,用做人脸纹理的特征描述。最后,针对CASIA3D数据集中不同表情和姿态变化的人脸,采用余弦相似度进行人脸的识别任务。结果 通过对比人脸曲面和普通物体曲面的纹理特征,发现人脸纹理完全不同于普通纹理,不规则并且难以描述;通过对比mesh-LBP两种变体,发现mesh-LBP（α₁）适用于姿态变化,而mesh-LBP（α₂）适用于表情变化;通过对比原始mesh-LBP及其3种改进,发现mesh-tLBP对于人脸不同表情变化下的识别准确率最高有0.5%的提升;通过对比3种不同的统计方法,发现采用整体编码图像进行统计的特征尽管弱于局部分块直方图,但相比整体直方图,识别率在不同表情变化下最高有46.8%的提升。结论 mesh-LBP特征是一种优良的3维局部纹理特征,未来将会在3维医学处理、3维地形起伏检测以及3维人脸识别中得到更多的应用。     

应用小指数多项式的KPCA+零空间人脸识别

利用小指数多项式核主分量分析(KPCA)提取人脸样本的非线性特征，提高对光照、姿态及面部表情变化的鲁棒性，构造训练样本的类内散布矩阵零空间，在此零空间内找到令类间离散度最大的投影方向，往此方向投影得到人脸样本的最优分类特征矢量。实验结果表明；该方法的识别率和对光照、姿态及面部表情变化的鲁棒性比Fisher脸方法有显著提高。     

利用小波进行基于形状和纹理的图像分类

提出一种基于小波的形状和纹理联合特征的图像分类方法。先对图像进行二维小波变换以得到边缘图像，再提取边缘图像的7个边界不变矩组成图像的形状特征向量；在实验中，发现大多数情况下，图像背景的干扰信息大于其对分类的贡献，因此对图像去除其背景，然后在灰度共现矩阵的基础上，计算5个二次统计量作为其纹理特征；最后联合形状和边缘特征向量，并对其进行高斯归一化，用SVM进行分类。结果表明，该方法具有明显的优越性和较强的实用性。     

基于小波分析与KPCA的人脸识别方法

对于一种有效的人脸识别方法,特征选择是极为重要的问题。而小波多分辨率分析可以获得对人脸识别有用的低频特征,KPCA则可用于提取人脸非线性特征。为此,本文〖BP）〗提出结合小波变换及KPCA的特点获取人脸特征,设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响,为了获得最优的识别效果,在UMIST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率,是一种快速、有效的人脸识别方法。     

Kernel-based nonlinear discriminant analysis for face recognition

Linear subspace analysis methods have been successfully applied to extract features for face recognition.But they are inadequate to represent the complex and nonlinear variations of real face images,such as illumination,facial expression and pose variations,because of their linear properties.In this paper,a nonlinear subspace analysis method,Kernel-based Nonlinear Discriminant Analysis (KNDA),is presented for face recognition,which combines the nonlinear kernel trick with the linear subspace analysis method-Fisher Linear Discriminant Analysis (FLDA).First,the kernel trick is used to project the input data into an implicit feature space,then FLDA is performed in this feature space.Thus nonlinear discriminant features of the input data are yielded.In addition,in order to reduce the computational complexity,a geometry-based feature vectors selection scheme is adopted.Another similar nonlinear subspace analysis is Kernel-based Principal Component Analysis (KPCA),which combines the kernel trick with linear Principal Component Analysis (PCA).Experiments are performed with the polynomial kernel,and KNDA is compared with KPCA and FLDA.Extensive experimental results show that KNDA can give a higher recognition rate than KPCA and FLDA.     

An efficient KPCA algorithm based on feature correlation evaluation

Classic kernel principal component analysis (KPCA) is less computationally efficient when extracting features from large data sets. In this paper, we propose an algorithm, that is, efficient KPCA (EKPCA), that enhances the computational efficiency of KPCA by using a linear combination of a small portion of training samples, referred to as basic patterns, to approximately express the KPCA feature extractor, that is, the eigenvector of the covariance matrix in the feature extraction. We show that the feature correlation (i.e., the correlation between different feature components) can be evaluated by the cosine distance between the kernel vectors, which are the column vectors in the kernel matrix. The proposed algorithm can be easily implemented. It first uses feature correlation evaluation to determine the basic patterns and then uses these to reconstruct the KPCA model, perform feature extraction, and classify the test samples. Since there are usually many fewer basic patterns than training samples, EKPCA feature extraction is much more computationally efficient than that of KPCA. Experimental results on several benchmark data sets show that EKPCA is much faster than KPCA while achieving similar classification performance.     

GLCM based extraction of flame image texture features and KPCA-GLVQ recognition method for rotary kiln combustion working conditions

According to the pulverized coal combustion flame image texture features of the rotary-kiln oxide pellets sintering process,a combustion working condition recognition method based on the generalized learning vector(GLVQ) neural network is proposed.Firstly,the numerical flame image is analyzed to extract texture features,such as energy,entropy and inertia,based on grey-level co-occurrence matrix(GLCM) to provide qualitative information on the changes in the visual appearance of the flame.Then the kernel principal component analysis(KPCA) method is adopted to deduct the input vector with high dimensionality so as to reduce the GLVQ target dimension and network scale greatly.Finally,the GLVQ neural network is trained by using the normalized texture feature data.The test results show that the proposed KPCA-GLVQ classifer has an excellent performance on training speed and correct recognition rate,and it meets the requirement for real-time combustion working condition recognition for the rotary kiln process.     

一种基于核主成分特征组合的人脸识别方法

提出了一种基于核主成分特征组合的人脸识别方法。首先利用主成分分析,获得原始输入图像的二阶特征脸图像;然后运用核主成分分析分别抽取原始图像和二阶特征脸图像的核主成分特征,最后将它们组合成一个组合特征向量,进行人脸识别。在ORL人脸库上的实验表明,两种图像的核主成分特征分别有着良好的特点,取得了较好的识别效果,优于核主成分分析和二阶特征脸的结果。     

基于Log-Gabor和正交等度规映射的人脸识别

针对人脸识别中的特征提取问题,提出一种基于Log-Gabor和正交等度规映射(Orthogonal IsoProjection,OIsop)的人脸识别算法.算法首先采用Log-Gabor小波对图像进行滤波来提取高阶非线性统计信息.然后,在原始的优化问题中增加正交约束条件,推导出能得到一组具有正交性最优映射向量的迭代公式...