结合高斯多尺度变换和颜色复杂度计算的显著区域检测

提出一种结合全局和局部对比度的数据驱动自底向上的视觉计算模型,采用高斯多尺度变换和颜色复杂度计算相结合的方法检测图像的显著区域。图像经过高斯金子塔多尺度变换后,用改进的冗余计算方法,在频域中消除全局冗余信息,初步将大范围的目标从周围环境中分离出来,并均匀地突显目标,利用多尺度特征子图点对点平方融合使全局显著区域显著度进一步增强,背景冗余信息进一步得到消弱;同时采用改进的像素颜色复杂度计算方法得到局部显著图,最后用最大类间方差法(Ostu)分割出图像中的显著区域。在多种自然图像上进行实验,实验结果表明,该方法能迅速检测出与人类视觉结果一致的显著区域。     

CEEMD-WVD多尺度时频图像的滚动轴承故障诊断

针对一般EMD-WVD方法在提取时频图像信息不充分的问题,提出一种基于CEEMD-WVD多尺度时频图像的滚动轴承故障诊断方法。该方法采用互补集合经验模态分解(CEEMD)方法对故障振动信号进行分解,自适应地获得不同频段的固有模态函数(IMF)分量;选取前几个高频信号IMF模态分量,运用Wigner-Ville分布(WVD)对各IMF分量分别做时频分析,进一步转化成对应的多尺度的时频图像;然后提取各尺度时频图像的局部二进制(LBP)纹理特征,并利用其特征训练SVM分类器;最后用训练好的分类器对不同的轴承故障振动信号进行故障识别。实验结果表明,该方法有较强的自适应性且能生成高分辨率图像,故障识别率高,在凯斯西储大学(CWRU)的滚动轴承数据库上进行5类故障的实验,诊断正确率为99.75%。     

基于小波变换的多尺度自配准纹理分析

图像分析中多尺度分析与自配准性质与人类视觉相关联，是纹理分析的重要工具。利用小波变换和傅里叶变换对纹理图像进行二次变换域分析构造具有多尺度自配准性质小波系数频谱，然后根据小波系数性质与物理意义对算法进行优化，最后通过小波系数频谱的投影提取图像的纹理特征。利用图像检索与树状结构小波和傅里叶变换方法进行了对比，实验结果表明小波系数频谱具有良好的纹理分析能力。     

基于多分辨率差分矩阵的纹理检索

提出了一种新的图像纹理分析算法--多分辨率差分矩阵.该算法在多分辨率基础上通过统计局部小波包系数变化情况来描述图像的纹理特征,利用小波包的多通道特性和差分矩阵的灰度差提取满足人类视觉特性.使用该算法对Brodatz图像库进行的检索实验表明,相对于其它复杂多分辨率特征提取方法,多分辨率差分矩阵无论在检索效率与检索效果上均有一定程度的提高.     

自仿射拟合的虹膜纹理分割及粗分类

提出一种应用于虹膜图像粗分类的自仿射拟合纹理分割算法,实现虹膜肠环外边界检测。该方法在多尺度下拟合图像局部到整体信息的自仿射性,有效地在小区域内描述肠环内外纹理的差异,通过分析差异的变化规律确定肠环区域。在此基础上提出利用肠环信息的虹膜图像粗分类,分别研究了肠环位置区域分布和肠环内纹理复杂度2种分类方式。在自采的1 000幅虹膜图像库下分别进行实验,分类正确率分别为98.8%和98.7%。实验结果表明,所提出方法能够有效地实现肠环区域检测,检测到的肠环信息能够应用于大样本虹膜图像粗分类。     

高分辨率遥感影像的平原建成区提取

通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征,提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区,融合多个特征进行学习和分类,从而加强了分类器的鲁棒性和稳定性,提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果,完全消除块状效应,使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试,结果显示:提出方法的平均检测精度为80%,平均召回率高于85%,平均F值可达80%以上,综合指标高于其他方法,验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别,同时避免了漏检和误检,提取出的建成区影像很准确。     

一种基于分形理论的多尺度多方向纹理特征提取方法

纹理分割是计算机视觉以及图像处理中一项重要的任务.基于分形理论的纹理分割方法是一种常用的方法,然而单一采用分形维数作为特征不足以描述纹理.针对这一问题,本文提出了一种基于分形理论的多尺度多方向纹理特征提取方法.有效地提取出具有尺度性、方向性的分形特征,是对纹理图像的一种多层次的、紧致的描述.文中定义了一种新的相似度测量方法,采取基于图论的归一化切分方法作为分割策略.通过实验,验证了该方法的有效性和通用性.     

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.     

融合分层连续梯度特征的高铁隧道漏缆卡扣检测

基于局部二值模式的深度挖掘算法和多特征融合算法是提取铁路隧道漏缆卡扣特征的有效方法,但它们存在描述子表述性不强且特征维度过高的问题.提出分层连续梯度二值模式,能够实现卡扣轮廓特征的尺度变换并降低描述子的特征维度,提高故障卡扣图像的分类准确率.首先采用改进的中心对称局部二值模式和根据全局灰度均值获得的自适应阈值,计算采样...     

多尺度引导滤波及其在去雾中的应用

将引导滤波与提升小波相结合提出了一种多尺度引导滤波方法,以实现在平滑图像细节的同时保持图像边缘不模糊。该方法通过提升小波法对将图像进行多尺度分解,即将信号分解成一个低频子带和多个高频子带。在提升小波重构过程中,利用引导滤波平滑每个尺度的低频信息并保持其边缘不模糊。最后,针对滤波后残余的细节,对提升小波重构后的平滑图像再次进行引导滤波,以便进一步平滑图像细节。将多尺度引导滤波应用于暗通道去雾先验理论并进行了主、客观评价。结果显示:多尺度引导滤波能够深层次平滑图像细节,保持边缘完整性,从整体上提高了图像的对比对和视觉效果,有效恢复了场景信息并保留场景的边缘信息。另外,该方法改善了客观评价指标,其对比度增强系数指标平均提升了0.1以上,场景结构相似度平均提升了1以上,而LOE(Lightness Order Error)参数降低了10以上,满足了去雾应用的视觉需求。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

一种面向运动解码的 EEG-fNIRS 时频特征融合 与协同分类方法

脑功能成像技术可以反映人体运动时的大脑生理变化,进而解码运动状态,但单模态信号反映的大脑生理信息存在局 限性。 为此,本文提出了一种基于 EEG 和 fNIRS 信号的时频特征融合与协同分类方法,利用脑神经电活动和血氧信息的互补 特性提高运动状态解码精度。 首先,提取 EEG 的小波包能量熵特征,使用双向长短期记忆网络(Bi-LSTM)提取 fNIRS 的时域特 征,将两类特征组合得到包含时频域信息的融合特征,实现 EEG 和 fNIRS 不同层次特征的信息互补。 然后,利用 1DCNN 提取 融合特征深层次信息。 最后,采用全连接神经网络进行任务分类。 将所提方法应用于公开数据集,本文所提的 EEG-fNIRS 信号 协同分类方法准确率为 95. 31% ,较单模态分类高 7. 81% ~ 9. 60% 。 结果表明,该方法充分融合了两互补信号的时频域信息,提 高了对左右手握力运动的分类准确率。     

基于振动加速度信息的触觉纹理分类方法研究

当手持刚性工具在材料表面滑动时,用户可以通过工具的振动来感受材料表面的纹理特征。这些振动加速度数据包含了丰富的纹理类别信息,为纹理的分类提供了基础。利用触觉进行纹理分类对于力触觉人机交互、机器人精细化操作等应用具有重要的意义。目前,手工设计与纹理相关的特征以及借助卷积神经网络进行简单的特征提取等方法已经被应用于触觉纹理分类。然而,这些方法未能关注时间尺度的选择和触觉序列数据间的时间依赖性,还存在触觉数据特征提取不充分和分类精度不佳等问题。为了解决上述问题,本文提出一种由多尺度卷积网络和双向长短时记忆网络相结合的融合模型,以便同时捕获触觉信号多尺度的几何局部空间特征和时间依赖特征。所提出的模型从公开的触觉数据集中学习材料表面纹理的触觉特征,并在公开的纹理振动加速度数据库上进行训练。实验结果表明,本文提出的模型可以稳健且高效地实现最高92.1%的纹理分类精度。     

Paper characterisation by texture using visualisation-based training

In this paper, a non-supervised technique for on-line paper characterisation is presented. The method uses self-organising maps (SOM) and texture analysis for clustering different kinds of paper according to their properties. A light-through technique is used to get pictures of paper. Then, effective texture features are extracted from greyscale images and the dimensionality of the feature data is reduced with SOM allowing visual analysis of measurements. The method makes it possible to implicitly extract important information about paper formation. The approach provides excellent results. A classification error below 1% was achieved for four quality classes when local binary pattern (LBP) texture features were used. The improvement to the previously used texture features in paper inspection is huge: the classification error was reduced by over 40 times. In addition to the excellent classification accuracy, the method also offers a self-intuitive user interface and a synthetic view of the inspected data.     

基于多尺度降采样规范化割的图像裂纹检测

针对多尺度规范化割在边缘检测时精度低以及求解特征向量耗时长等缺陷,提出一种基于多尺度降采样规范化割的图像裂纹检测方法。该方法首先利用反对称双正交小波变换的半重构特性对待测图像的多个尺度进行边缘特征提取;其次结合各尺度的强度和位置特征构建多尺度相似矩阵和多尺度规范化相似矩阵;然后对多尺度相似矩阵进行降采样并利用谱分割方法实现降采样特征向量求解;最后利用多尺度规范化相似矩阵对降采样特征向量进行上采样的乘法运算并离散化后得到最终结果。在3个数据集的单一目标图像上进行文中方法与多尺度规范化割等方法的实验结果表明,不仅提高检测精度,而且减少运算时间。     

发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用

在对旋转机械进行故障诊断时,通常要从时域、频域或时频域提取故障特征参数,组成原始的故障特征向量,然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此,本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价,选择出分类能力较强的特征;再通过特征相关度算法剔除其中分类能力相近的冗余特征,将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断,实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验,并与传统的主元分析(PCA)方法对比,结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。     

改进的基于局部联合特征的运动目标检测方法

背景减除是机器视觉中运动目标检测最常用的方法。针对复杂场景中传统单特征算法检测精度不高、多特征检测算法实时性较差的问题,提出了一种改进的联合纹理、颜色和位置特征的局部联合特征,并对局部联合特征混合高斯建模,采用多重判定进行学习和更新的目标检测算法。为更好地抵抗阴影和光照变化影响并减少计算量,改进了LBP算子,Lab局部颜色特征在处理纹理缺乏情况时,有更好的效果,而位置特征能减缓场景抖动等噪声影响。实验结果表明,该算法能准确地检测上述影响下的目标,检测效果在多种数据集上表现出更高的鲁棒性和精确性并且基本达到实时性要求。     

基于语音频谱图像特征的人体疲劳检测方法

为了将语谱图的可视化图像分析手段有效应用于人体疲劳检测,提出一种基于语音频谱图像特征的人体疲劳检测方法。首先,在研究分析人体疲劳对语谱图影响机理的基础上,对语谱图进行基于听觉感知理论的Mel频率拉伸变换,以突出易受疲劳影响的感兴趣区域。其次,将Mel频率拉伸后的语谱图分割为24个相互交叠的临界频带子图,并从各子图在4个方向上的灰度共生矩阵中分别提取了15种纹理特征参数用于语音疲劳信息的定量表征。最后,建立多子带疲劳信息融合的人体疲劳检测模型,针对各临界频带子图特征分别设计特征层分类器进行分布检测,并通过决策层的多分类器融合判决得到最终的疲劳检测结果。实验结果表明,该方法所提取的语音频谱图像特征具有比传统声学特征更好的疲劳表征能力,同时该方法的人体疲劳检测效果也优于现有的语谱图特征识别方法。