印刷套准识别方法研究

目的研究印刷标志套准机器快速和高精度的识别方法。方法提取印刷标志图像的灰度共生矩阵表达其纹理特征,采用Adaboost分类器对印刷标志套准图像进行识别,以判断印刷是否套准。结果提取出了印刷标志图像的能量、熵、惯性矩、相关度等的均值和标准差的8维图像纹理特征。为了比较不同分类器的分类性能,分别得出了Adaboost、K近邻、贝叶斯、支持向量机、Fisher和决策树对印刷标志图像纹理特征的分类准确率和分类时间。结论采用文中方法,印刷标志图像套准识别准确率达到97.5%,分类时间达到0.022 377 s,优于其他的分类方法。     

基于系数关系共生矩阵和SVM的纹理分析

纹理是图像中非常重要的特征.提出了一种新的纹理特征提取算法,即对纹理图像进行离散小渡框架变换后,利用同一变换尺度下的小波高频系数与低频系数之间的依存关系信息,构造系数共生矩阵,在此基础上进行纹理特征提取,而不是独立地提取各子带系数特征.考虑支撑向量机(SVM)在小样本数据库和泛化能力方面的优势,在分类实验中采用支撑向量机分类器,实验结果表明,基于这种共生矩阵特征提取分类算法能得到很好的分类结果.     

纹理与波形特征组合对机载LiDAR数据分类的影响

将纹理特征与波形特征用于LiDAR数据分类,进行了纹理特征与波形特征的最佳组合方案研究。首先将LiDAR全波形数据的高程、波宽、振幅和回波次数等波形特征信息转化为波形特征图像;然后利用灰度直方图和灰度共生矩阵(GLCM)提取多种纹理特征,并与波形特征图像叠加构成多维特征图像;最后讨论纹理特征与波形特征组合对分类的影响,并确定最佳组合方案,探讨不同分类器对纹理与波形特征组合的适应性。实验结果表明,某些纹理特征能够提高分类精度,但不是分类特征越多越好,只有最佳组合才能充分利用纹理和波形特征,提高分类精度。     

灰度共生矩阵在蔬菜种类识别中的应用研究

针对我国蔬菜类食品安全追溯系统中有关种类信息采集存在的一些问题,提出了一种利用图像纹理分析技术对多种蔬菜进行识别分类,进而提高信息采集的准确性与高效性.实验中分别用灰度共生矩阵算法(GLCM)、高斯马尔可夫模型法(GMRF)和Gabor法分别对蔬菜的纹理进行特征提取,并通过支持向量机(SVM)分类对比.结果证明,由灰度共生矩阵对蔬菜种类识别可以得到较好的分类结果.     

使用支持向量机的纹理识别方法

将支持向量机应用到纹理识别领域,提出了一种基于支持向量机和小波变换的新型纹理识别方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,解决了描述不同尺度纹理的难题。以多类支持向量机作为分类器,用输出纠错码把二分类器扩展到多类,提高了分类器的泛化能力。在包含25类单色自然纹理的图像库上进行识别试验,结果表明,该方法识别错误率小于10%,识别正确率比传统的贝叶斯等方法提高了2%左右,获得了更高的识别正确率,且推广性更好。     

基于EILBP视觉描述子结合PLSA的场景分类算法

针对场景分类问题,本文提出一种基于图像局部边缘区域的EILBP(Edge Improved Local Binary Pattern)视觉特征描述结合PLSA模型场景分类方法.EILBP视觉特征通过利用局部边缘区域的梯度、方向分布与特征的局部空间分布等信息对图像进行充分合理地描述.首先对场景图像边缘轮廓稠密采样,得到以稠密采样点为中心的图像局部边缘区域并提取区域的EILBP特征作为视觉词汇,对视觉词汇聚类形成视觉词汇表(码本);然后,用词袋(BOW,Bag-Of-Words)模型描述图像;最后,利用PLSA模型对图像的词袋模型进行潜在语义挖掘并用判定式KNN分类器进行场景分类,得到测试图像集合的混淆矩阵.在多类场景图像上的实验表明,本文所用的方法不需要对场景内容进行人工标注,具有较高的分类准确率,且对具有边缘轮廓的图像分类精度较高.     

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法.双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和"维数灾"问题,其最优分类超平面的思想能够提高分类准确度.该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类.将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率.     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于纹理特征的钢丝绳图像分割方法

针对复杂背景下钢丝绳图像难以准确分割的问题,提出一种新的基于纹理特征的图像分割方法.首先,采用局部二进制模式(Local Binary Pattern,LBP)特征直方图的一阶熵、二阶熵作为LBP特征的统计测度,降低LBP特征的维数.同时选用边缘密度作为纹理描述的特征之一,弥补LBP算子提取纹理特征不足,抗干扰能力差的缺点.然后以上述纹理特征构成特征矢量,采用模糊C-均值(Fuzzy C-Mean,FCM聚类算法进行聚类分割.在实验中,对比了该算法与灰度共生矩阵、传统LBP算子在钢丝绳图像分割中的效果.结果表明,该算法可以有效地对钢丝绳图像进行纹理分割,并能取得良好的边界定位效果,性能优于另外两种算法.     

纹理分析在肝脏超声图像组织定征中的应用

现代超声医学影像通过研究超声传播中与生物组织相互作用后携带的图像纹理信息进行组织定征,为临床各学科疾病的检查、诊断和介入治疗提供了一条重要手段.本文在对目前文献进行分析和综合的基础上,首先阐述了图像纹理分析的常用方法,然后对纹理分析在肝脏超声图像中的应用进行了介绍,最后讨论了存在的问题及研究展望.