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.     

基于谱直方图表示和支持向量机的纹理分类

在纹理分类中采用谱直方图表示(SHR),每个图像窗表示一个包含滤波后图像直方图的特征向量,而直方图是图像谱表示的连接桥梁.在滤波器选择算法之前,结合每个图像分块和滤波器的独立谱表示和直方图,可以获得更加低层的局部特征.最后,时所有独立滤波器采用滤波器选择算法来得到所需的少量滤波器.为了保证分类的可靠性,选择高斯径向基函数(RBF)进行谱直方图表示,采用支持向量机(SVMs)作为分类函数.对本文方法和其它两种方法:Gabor滤波和独立成分分析(ICA)进行了纹理分类和脸部识别的比较实验.实验结果表明,本文方法具有更高的分类准确性,也证明了SVMs优秀的泛化能力.     

分类算法在纹理识别研究中的应用

本文将机器学习中最常用的两种分类算法——K近邻法和支持向量机应用到纹理识别的研究中,以Oumx、Brodatz以及CUReT三个公共纹理库中的纹理图像为研究对象,分别使用K近邻法、支持向量机算法进行纹理识别实验,并对最终的识别结果做了分析与比较。综合三个纹理库的识别结果,我们发现相较于K近邻法,支持向量机的识别效果较好,能够较准确的实现对纹理图像的识别。     

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。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

基于图像处理和SVM的定位基准分类研究

为解决机器人自动化制孔过程中多特征定位基准分类的问题,本文提出一种基于图像处理和SVM的定位基准分类方法,对包含多特征定位基准的图像进行基于全局最优阈值的基准ROI区域分割,计算基准特征的轮廓统计方差、轮廓圆度和特征区域灰度均值,并作为描述定位基准的特征参数,结合SVM实现定位基准的识别分类.结果表明:该方法对定位基准的识别准确率为94.3％,召回率为95.9％,对机器人自动钻孔全流程自动化有一定的应用价值.     

基于小波变换和SVM的人脸识别

提出了基于小波变换和支持向量机(Support Vector Machine,SVM)的人脸识别算法。该算法通过小波变换的多分辨率分析形成人脸图像的低频小波子图,然后利用主分量分析构造特征脸子空间,最后由SVM进行分类。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。     

基于小波-支持向量机(SVM)的发动机泵机组故障诊断

根据发动机泵机组中各部件在不同故障下的特征频率,利用小波变换多分辨率特性,提取出发动机泵机组的各类故障特征信号,经分析后找出故障原因。在确定故障原因的基础上,利用支持向量机原理在解决小样本、非线性、高维模式识别问题的优势,建立支持向量机故障诊断模型,对某发动机泵机组进行了故障诊断,得到了很好的效果。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于SEM图像的低维纳米材料自动分类方法

针对传统方法在低维纳米材料形貌检测和分类鉴别方面的不足,提出了一种基于扫描电子显微镜（SEM）图像的低维纳米材料自动分类方法．以纳米材料的SEM图像为基础,利用小波包分解技术对材料表面纹理特征进行提取,通过将纹理特征与支持向量机（SVM）相结合,实现了纳米材料的自动分类．该方法具有检测速度快、精度高、无损耗等诸多优点,可用于纳米材料大规模生产中的自动检测．对16种不同类别材料的SEM图像仿真结果表明,该方法的分类精度能够达到93．75％,证明了其在实际工程中的有效性．     

基于复小波变换与层间模型的图像去噪

很多小波去噪方法认为小波系数是相互独立的,然而大量实验表明实际图像的小波系数之间是有较强的依赖性。在本文中,我们将利用复小波变换的优势以及小波系数之间的依赖性,提出一种新的图像去噪方法。该方法先确定滤波器系数,再对复小波变换系数建模,并根据MAP准则给出系数的收缩方法进行去噪处理,最后作复小波逆变换。同时在变换的系数抽取之前估计系数的方差,可以使方差估计更准确。     

基于子波域空间相关的多分辨图像滤波方法

从静态子波变换入手,提出了一种有效的图像滤波算法。通过计算相邻尺度下细节信号的空间相关性来区分噪声和信号,如果子波系数的空间相关性大,则认为此位置的系数含有特征及边缘信息予以保留。实现这种理论的完整方法包括两部分:空间滤波和子波收缩。仿真结果表明这个算法有很好的降噪性能。     

支持向量像素抽样的快速图像匹配方法

提出了一种新的支持向量(SupportVectorMachines,SVM)回归的快速图像匹配方法。该方法将匹配模板图像中每个像素的位置坐标和灰度信息作为训练样本,通过选择合适的模型参数,进行SVM回归训练,获得少量的支持向量。依据SVM位置坐标对模板图像进行像素抽样,实现匹配数据的有效压缩。定义了图像支持特征向量,用少量的特征数据描述整幅图像变化的结构信息,保证了匹配数据的置信度。采用相关系数作为相似性测度,实现互相关匹配。实验结果显示,在一幅100×100的光学图像中提取85个支持特征向量点作为匹配数据,匹配概率可达到100%,匹配速度比传统相关匹配方法快近四倍。     

独立分量分析的图像融合算法

独立分量分析可实现图像的稀疏编码并具有能很好地捕捉图像重要边缘信息的特性.本文提出一种基于独立分量分析的图像融合算法,结合支持向量机对多聚焦图像的清晰域、模糊域进行判断以及在ICA域中进行图像分割以提取图像的主要边缘特征信息来实现特征级的多聚焦图像的融合.实验结果表明,本文提出的融合算法是有效的.     

基于支持向量机的红外成像跟踪算法

为提高传统红外成像跟踪算法的性能,克服相关跟踪对"图像灰度一致性"的要求,在分析光流方程和支持向量机基本理论的基础上,提出一种由光流方程引出的基于支持向量机的成像跟踪算法.以机动车的红外图像序列为研究对象,该算法利用支持向量机的分类值替代方差和误差函数,将每帧中分类值最大的位置看作当前帧中目标的位置,从而实现了对目标的跟踪.该算法不仅不要求满足"图像灰度一致性",而且有效地减少了跟踪的累积误差.研究结果表明,与传统相关跟踪算法相比,本文提出的跟踪算法的精度、稳定度和鲁棒性都有所提高.     

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。     

最小二乘支持向量机和小波电铲供电机组状态预测

针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法.