基于非下采样Contourlet变换和Zernike矩的医学图像检索

针对医学图像数据库.提出一种新的基于纹理和形状的图像检索方法.非下采样Contourlet变换具有多尺度多分辨率分析和平移不变性的特点,用来提取纹理特征.Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,用来提取形状特征.然后综合两种特征.对CT图像数据库进行检索实验,实验结果表明,该方法具有良好的检索性能,并具有平移、尺度、旋转不变性.     

一种基于不变矩的目标识别方法

矩技术因其具有数学上的简明性及多样性而得到了广泛应用,例如计算机视觉和模式识别等方面.针对目标二维形状发生平移、旋转和尺度变换的情况,本文采用以不变矩作为特征量的特征匹配算法,同时利用二值羽毛球图像比较了Hu提出的区域不变矩和Chen提出的边界不变矩在相同变化条件下的性能.结果表明,Hu's矩的稳定性更高,最后用其实现了对具有上述特性的二维羽毛球目标的识别,结果较为理想.该方法为复杂背景下任意形状目标的识别提供了一种有效可行的方法,具有一定的参考和实用价值.     

基于水平集和支持向量机的图像声呐目标识别

为了能实现水下遇险目标的精确定位,首先要对声呐所获取的图像进行目标识别。利用水平集法获得水下声呐图像中目标轮廓后,提取目标轮廓的7个不变矩作为特征矢量,并将获取的不变矩特征输入到已经训练好的支持向量机中进行识别,从而得到识别结果。所使用的识别方法综合了基于水平集提取轮廓的长处,不变矩的位移、尺度、旋转不变性的特点和支持向量机在小样本、非线性模式识别中的独特优势。实验结果表明:该方法对高分辨率图像声呐具有较高的识别率和较低的误判率,对原始声呐图像的目标识别率高达99%,对加入方差为0.09的高斯噪声的声呐图像的目标识别率可以达到97%。     

基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

基于复合Zernike矩相角估计的图像配准

提出了一种基于复合Zernike矩相角估计的图像配准方法.首先,利用尺度不变检测子Harris-laplace检测图像中的兴趣点作为初始特征点,计算以兴趣点为中心、邻域具有尺度不变性的Zernike矩;提出一种鲁棒的相角估计方法,用于估计两个归一化区域的旋转角度值.然后,利用Zernike矩的幅值和相角信息,通过比较每个兴趣点邻域Zernike矩的相似度提取出初始匹配点.最后,提出一种迭代角度修正算法用于精确估计变换参数,并对输入图像进行几何变换后将两幅图像配准.实验结果表明,该算法可在尺度缩放、任意角度旋转以及噪声等复杂条件下实现图像的高精度配准.当旋转角度误差小于20°时,图像的平均覆盖率达到94.125％,有效降低了误匹配的概率.     

基于频谱脸和不变矩人脸识别新方法的研究

提出了基于频谱脸和不变矩的人脸识别方法。频谱脸是一种人脸的特征表达方式,可以有效地消除人脸表情变化、少许遮掩对人脸识别的影响。而不变矩是图像的一种统计特征,具有的平移不变性、旋转不变性和比例不变性,可以有效减少少许姿态和光照条件变化所带来的识别误差。因此首先对原始图像进行适当级数的小波变换及傅立叶变换得到人脸图像的频谱脸表达,然后利用频谱脸图像矩阵的不变矩作为识别特征,建立人脸识别模型。利用ORL人脸数据库进行仿真实验,结果表明,该方法识别率较高,识别速度较快,便于实时实现。     

一种仿生的人脸不变特征提取方法

为了提高基于子空间算法的人脸识别的识别率,提出一种仿生的人脸不变特征提取方法.通过模拟初级视皮层(V1)的信息处理机制,构建一个二层结构的分层网络提取人脸图像的不变特征.网络的第1层模拟Vl简单细胞的功能,通过稀疏编码方法学习获得一组类似Vl简单细胞的滤波器,利用该组滤波器提取图像的光照不变特征;第2层模拟V1复杂细胞的功能,通过局部极大值运算对第1层的输出在空间和尺度邻域内进行合并,得到对光照、表情、轻微姿态变化和面部局部细节变化具有鲁棒性的人脸不变特征.以此不变特征代替原始人脸图像作为子空间算法的输入,从而提高识别率.在FERET和ORL人脸库上的实验表明,相对于直接使用子空间算法,方法将识别率提高了4.95%～20.35%.     

基于模糊形状判别的鲁棒交通标志检测算法

针对交通标志存在尺度、旋转、倾斜、表面被污损或部分被遮挡等退化情况,提出一种基于模糊形状判别的鲁棒交通标志检测算法.该算法在HSV彩色空间进行颜色分割的基础上,提取目标区域的对称局部特征,根据设计的模糊形状判别算法来判定目标区域的形状,进而检测出交通标志.采用该检测算法对不同天气情况、不同道路场景下的3 000多幅自然场景图像进行交通标志检测实验,结果表明该检测算法不仅具有较高的检测率,而且具有良好的鲁棒性.     

基于模糊同组划分的多尺度彩色图像增强算法

现有多尺度Retinex彩色图像增强算法采用同定权值进行加权来融合各个单尺度Retinex算法的增强结果,无法充分体现各个单尺度算法在细节增强和颜色保持上的优势,且噪声信号往往随着图像的增强而放大.针对这些问题,提出一种基于模糊同组划分的多尺度Retinex彩色图像增强算法.算法首先采用模糊同组技术将像素点划分为噪声点、细节点和平滑区域点3类,并对噪声点采用矢量中值滤波进行去除.然后采用不同尺度的Retinex算法增强图像,并通过细节区域和平滑区域所占局部窗口的面积比例来融合各个单尺度增强结果.最后通过颜色恢复和动态截取拉伸操作,进一步减少图像颜色失真,扩大动态范围.实验表明,所提出的方法相比其他算法具有更好的彩色图像增强效果,具有实际应用价值.     

一种FFT的Hu矩的番茄形状特征提取

目前基于机器视觉的番茄形状检测算子检测到的形状特征单一,相关的深入研究较少,为进一步探索合适的形状特征参数及检测算子,将Hu矩作为特征参数并利用支持向量机实现了番茄的形状检测分类,准确度较高。首先设计采用Laplacian算子与Sobel算子进行算法融合对采集到的番茄图像进行自适应增强处理;然后采用最小错误率贝叶斯决策算子对平番茄图像进行图像分割得到番茄目标二值化图像。然后对得到二值化后的番茄图像进行归一化处理,使得归一化后的图像具有平移、旋转、尺度缩放不变性的Hu参数,通过提取目标番茄的7个Hu矩特征值参数,最后将这些特征值输入支持向量机中,完成番茄无损分级检测。试验采用VS2010验证算法,对正常果形、轻度畸变果形、重度畸变果形共计1000个样本进行了训练测试,结果表明经过改进增强图像以及改进Hu矩算子对番茄正常果形的分级精度达到93.3%,符合实际番茄检测精度的要求。