基于Contourlet变换和均值漂移的SAR图像分割

基于斑噪特性和纹理特征，提出了一种完全无监督的SAR图像分割算法。针对SAR图像的Contourlet变换，提出了子带选取的能量标准，对选定的子带计算能量特征和共生特征；依据特征向量的相似度剔除相近特征向量，用均值漂移算法获取纹理区域数和相应的中心特征，用像素的特征向量与相应中心特征向量的距离确定它们的分类。该文提出的方法不需要先验知识和训练样本。实验表明，基于Contourlet变换的均值漂移分割算法对混合Brodatz图像和SAR图像的分割取得了满意结果。     

轮廓波域Entropy—Fourier旋转不变算子在纹理分类中的应用

针对图像的旋转问题,提出一种基于contourlet域的旋转不变纹理描述算子。对contourlet变换后的系数进行处理,提取子带香农熵作为特征向量,然后对各个尺度的特征向量进行离散傅立叶变换,得到旋转不变的纹理特征。利用傅立叶谱的对称性,将特征向量进一步降维。最后采用支持向量机和欧式距离对纹理图像进行分类。在包含1456幅图像的自建图像库中进行分类实验,结果表明该方法在低计算复杂度的优势下。能获得较好的分类性能。     

基于Gabor小波变换的ICA火灾图像纹理识别算法

针对火灾图像纹理识别问题,提出了基于Gabor小波变换的ICA火灾图像纹理识别算法,并根据火灾图像纹理识别特点进行了优化;首先用不同尺度和方向的Gabor滤波器对待识别图像滤波,得到其特征图像,然后将特征图像转化成特征向量作为ICA的输入,得到基矢量子空间,再将测试图像经过Gabor滤波器的特征向量投影到ICA子空间中得到系数向量作为目标识别特征,最后用支持向量机进行识别;通过与Gabor滤波器法和ICA方法的对比实验,表明该算法可以在火灾纹理图像的识别率上比传统方法提高5％以上,为火灾图像识别提供了一种新思路.     

基于Radon变换和SWT的旋转不变纹理分类

提出了一种应用Radon变换和离散平稳小波变换(SWT)的旋转不变纹理分类算法。该方法首先对纹理图像进行Radon变换将旋转转化为平移,再用具有平移不变性的离散平稳小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机实现纹理图像的分类。将本方法与其它旋转不变纹理分类法进行比较,实验结果表明,提出的方法能有效地提高正确分类率。     

基于Log-Polar和DT-CWT的旋转不变纹理分类算法

提出了一种基于对数-极坐标变换和双树复数小波变换的旋转不变纹理分类算法。该方法首先对纹理图像进行对数-极坐标变换将旋转转化为平移,再用具有平移不变性的双树复数小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机算法实现纹理图像的分类。将本方法与其它旋转不变纹理分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。     

后验概率改进Fisher向量的高性能图像检索算法

提出了一种高性能的图像检索方法,结合纹理分类和改进的Fisher向量实现图像检索。首先,将图像划分为互不重叠的图像子块,对每一图像子块依据纹理复杂度进行分类,对不同类别的图像子块提取不同的特征。其次,采用基于后验概率改进的Fisher向量进行特征编码,依据乘积量化和非对称距离计算方法,分段计算两特征向量之间的距离,快速求取相似度指标,据此进行图像检索。在Holidays数据集上进行图像检索的实验结果表明,该方法的查准率和召回率高,且耗费的查询时间少。     

基于Contourlet变换和支持向量机的纹理识别方法

针对变换域中图像纹理识别时如何选择最佳特征向量的问题,利用Contourlet变换的多方向、多尺度选择性和各向异性,将图像从空间域变换到频率域,全面地提取了Contourlet变换分解后低频子带、中频子带和高频子带的特征,输入支持向量机(SVM)分类器进行分类识别。利用Brodatz纹理库进行仿真实验,实验结果表明低频均值方差和高频能量作为组合特征时识别准确率可达98.75%,且特征向量维数少,是在Contourlet变换下表示图像纹理的最优特征。     

基于复小波和支持向量机的纹理分类法*

针对图像纹理分类问题,提出了一种将二元树复小波变换与支持向量机相结合的分类方法,通过二元树复小波变换对纹理图像进行四层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用支持向量机作为分类器实现纹理图像分类。对20类Brodatz纹理图像的分类实验表明,提出的方法具有较高的分类精度,在有限训练样本的情况下比传统的分类算法平均正确率有10%左右的提高,体现了该方法的有效性和良好的泛化能力。     

一种结合多特征的SVM图像分割方法

在分析了频域相位信息和纹理信息在表征图像特征方面的重要性之后,提出了一种结合相位一致和纹理特征的SVM图像分割方法。该方法将相位一致性统计特征、纹理特征和灰度特征一起组合成训练特征向量,采用支持向量机分类方法对图像进行分割。相对于传统方法,该方法提取的统计特征向量可以有效地反映图像边缘细节和纹理信息。实验结果表明,该方法比传统的SVM图像分割方法更有效,尤其适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。     

基于支持向量机的图像语义分类

图像的低层可视特征与高层语义特征之间存在着一道鸿沟,人们不能直接理解由计算机自动生成的低层特征.另外,基于内容的图像分类和检索的性能极大地依赖于可视特征的提取和描述.出于这些考虑,提出了新的图像纹理、边缘描述子提取方法,并将它们表示为直方图.在此基础上,集成纹理、边缘和颜色直方图作为图像的特征向量,用支持向量机(SVM)实现图像的语义分类.实验结果表明,集成的图像特征表示在图像分类实验中取得了很好的效果,具有比其他特征表示(如Gabor纹理、颜色直方图)更好的性能.