用于遥感图像目标快速匹配识别的改进混合溢出树算法

提出一种基于标记的混合溢出树(SHSPT)特征匹配算法,用于遥感图像的目标匹配识别。针对特征数据建立和预处理,提出了基于中心点的数据分割方法,通过定义数据密集区域的中心,舍去边缘稀疏数据,提取出分割后的数据。进行特征匹配时,使用二进制数组表示数据空间,标记分割后的特征向量数据,通过比特操作计算特征向量间的距离,缩短计算时间。最后对特征匹配方法进行改进,采用待匹配特征距离的均值代替尺度不变特征变换(SIFT)匹配算法的次临近特征距离,从而得到更多的匹配点。实验证明,基于标记的混合溢出树特征匹配算法占用内存空间比传统的混合溢出树算法减少约68%,匹配准确度与原算法接近,匹配时间平均缩短了约32.8%,解决了航天遥感图像数据量大,特征维数较高,匹配识别时间长,占用计算机内存大等问题。     

彩色视网膜眼底图像血管自动检测方法

为了给视网膜图像配准、光照校正及视网膜内部病理学检测等问题提供有效依据,本文提出一种有效检测及识别彩色视网膜眼底图像血管的全自动方法。针对视网膜可见血管呈长条型管状、局部具有较好直线型结构的形态特点,本文采取适用于条状结构的组合移位滤波响应模型进行特征提取。针对血管和血管末端特征的不同,分别配置对称和非对称的两种滤波模型进行跟踪,利用组合移位滤波模型(对称和非对称)获取到的响应及G通道像素灰度值共同构建特征向量库,采用AdaBoost分类器对各个像素点进行分类判定。基于国际公共数据库DRIVE与STARE的实验结果表明,该方法针对两个标准数据库的分割结果(DRIVE:Accuracy=0.948 9,Sensitivity=0.765 7,Specificity=0.980 9;STARE:Accuracy=0.956 7,Sensitivity=0.771 7,Specificity=0.976 6)均优于已有方法,适用于彩色视网膜眼底图像的计算机辅助定量分析,可作为临床借鉴。     

运用改进二叉树SVM算法的柴油机振动诊断

提出了一种改进的二叉树支持向量机(support vector machines,简称SVM)算法,用以克服二叉树SVM构造时各级正类样本选择缺乏理论指导的问题。基于最易分割类应最先分割的思想,该方法在定义特征参数类识别率概念的基础上,首先逐级计算每个特征参数对各级SVM所对应各类训练样本的类识别率,然后选择类识别率综合排序结果处于第1位的样本类作为相应级SVM的正类。从缸盖振动信号包络幅值域参数和小波包分解频带能量百分比参数中选取了对气阀故障较为敏感的9个特征,形成了诊断特征向量,使用常用的1-a-r,1-a-1,DDAG以及改进的二叉树SVM多分类方法对6种气阀间隙状态进行了诊断,结果表明,本文提出的改进二叉树SVM方法具有最好的分类效果。     

基于AdaBoost_SVM的轧机的状态评估

为了解决大型轧机设备的早期状态评估难的问题,针对样本数量较少和质量不佳时ANN表现出的过学习和欠学习的现象,及传统的SVM多用于二分类的问题,提出了一种基于AdaBoost_SVM算法的轧机状态评估方法。通过AdaBoost算法连接多个SVM弱分类器,从而得到分类准确率更高的强分类器AdaBoost SVM模型。该算法在轧机数据集上进行了测试,并且与传统的ANN算法、SVM算法进行了比较,实验结果表明AdaBoost_SVM算法具有更好的分类精度。     

基于离散Curvelet变换和LS-SVM的虹膜特征提取与识别

提出了一种基于离散曲波变换和最小二乘支持向量机(LS-SVM)的虹膜特征提取与分类识别的新方法。对虹膜纹理采用离散Curvelet变换,提取低频子带系数矩阵的均值方差和高频子带能量作为虹膜图像的特征向量,利用最优二叉树多类LS-SVM分类器进行分类与识别。MATLAB仿真实验结果表明,与现有方法相比,该算法识别准确率较高,能有效应用于身份认证系统中。     

基于CART与SlopeOne的服务质量预测算法

针对现有的预测算法大多未有效利用用户—服务对的潜在特征问题,提出一种基于分类和SlopeOne的预测算法,通过用户—服务对的历史服务质量值提取出用户和服务的个性特征(用户和服务的服务质量均值与方差);基于提取出的特征,使用CART(classification and regression trees)对用户—服务对进行分类;使用SlopeOne算法在目标用户和目标服务所在的分类集合数据集上进行回归预测,提高了预测准确度;选用真实数据集WS-Dream进行实验,实验结果表明该方法在数据稀疏情况下具有较好的预测精度。     

基于U型卷积网络的视网膜血管分割方法

视网膜血管的结构信息对眼科疾病的诊断具有重要的指导意义,对视网膜血管图像进行高效正确的分割成为临床的迫切需求。为此,提出了一种U型卷积网络,实现了更高效的自动化视网膜血管分割。骨干网络基于经典的编解码架构,编码器采用预训练的残差模块充分提取每一层的特征,解码器通过转置卷积逐层进行上采样,增加了特征的复用性。网络在中间层引入ASPP(Atrous Spatial Pyramid Pooling)模块,提取不同尺度的视网膜血管特征。为了在类内预测上保持一致,在跳级层利用通道注意力模块对特征进行自适应细化,融合了不同层次的特征。在DRIVE数据集上的实验结果表明,与其他相关算法性能相比,该算法的敏感性、特异性、准确率均最高,模型泛化能力好,大大提高了视网膜血管分割的准确性。     

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。     

基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明：IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策...     

基于图像特征统计分析的PCB焊点检测方法

提出了一种基于图像特征统计分析的炉后焊点检测方法,以提高在线自动光学检测系统的检测性能和可操作性.提出双阈值的AdaBoost算法用于设计分类器,在训练的同时进行最优特征选择和分类器的增强,实现了焊点图像特征的自动提取和检测参数的自动设定.采用分类和回归树方法将焊点缺陷决策方法优化为一棵二叉决策树,提高了检测速度.实验结果表明,该方法训练速度较快,可以满足实际生产需要.与目前已经实用化的图像对比算法和图像分析算法相比,在保持现有检测速度基本不变的情况下,该方法的检测精度更高.     

模拟电路故障的一种聚类二叉树支持向量机诊断新方法

针对模拟电路故障特征样本的分类(诊断)问题.提出了一种基于聚类二叉树支持向量机(SVMs)多分类器的故障诊断新方法,并分析了几种分类器的平均测试复杂度.首先,利用自组织特征映射神经网络(SOFM)对训练样本进行层次聚类.得到一棵聚类二叉树;其次,按照树的结构利用二元SVMs设计故障分类器,并对样本进行分组训练和测试.实际仿真和测试表明.所设计的故障分类器性能在诊断精度和效率上皆优于传统的"1-v-r"SVMs和"1-v-1"SVMs分类器,较为适合模拟电子电路的故障分类和诊断.     

基于SVM-AdaBoost算法的行人检测方法

提出了一种基于SVM-AdaBoost算法的行人检测方法。该方法是通过改进和扩展Haar-like特征值,对AdaBoost级联分类器的算法加以改进,使用SVM作为AdaBoost的弱分类器,通过选择确定合适的核函数参数,提高分类精度,减少训练时间。实验结果表明,这种行人检测方法性能稳定,实时性和鲁棒性均优于传统的行人检测方法。     

基于高斯尺度空间和SVM的桥梁裂缝检测研究

针对现有的桥梁裂缝检测及分类算法在光照不均匀条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于高斯尺度空间与支持向量机(sopport vector machine,SVM)多分类器相结合的桥梁裂缝检测及分类算法。该文对待处理裂缝图像进行预处理,消除噪声干扰;通过裂缝图像与二维高斯函数进行卷积运算来创建高斯尺度空间,在高斯尺度空间下估计背景,利用背景差法消除光照干扰,进而提取出具有区分度的裂缝图像特征向量;利用SVM多分类器进行桥梁裂缝分类。实验结果表明所提出的算法具有较高的分类精度。     

基于区域筛选分割和随机森林的人造板表面缺陷识别

连续压机生产线的普及使我国人造板企业实现自动化生产,但缺陷检测环节仍依靠人工。缺陷识别是检测的一个重要环节,是根据缺陷的特征值使用分类器对缺陷进行分类的过程。在连续压机生产线以1.5m/s的速度运行,生产线上两块人造板的间距小于0.4m,缺陷识别必须在3s之内完成,且识别正确率要达到95%。为了满足人造板缺陷识别的实时性、准确性的要求,提出基于随机森林(random forest,RF)的分类方法。首先通过区域筛选分割的方法提取缺陷纹理、形状特征;再次利用上述提取出的特征值用CART算法构建RF;最后利用RF分类。本研究证明基于RF算法的分类器用于人造板表面缺陷在线识别的可行性和优势,能够实现人造板表面缺陷的快速、准确识别,满足人造板缺陷在线检测系统的需求。     

基于特征向量提取和SVM分类器的课堂人脸识别研究

针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题,本文提出一种基于特征向量提取和SVM(SupportVectorMachine)分类器的人脸识别方法。其中,深度神经网络模型经过三元组损失函数(tripletloss)优化可以提取人脸图像在欧氏空间的特征向量,将特征向量输入SVM分类器进行训练,利用训练好的SVM分类器可进行人脸识别。在实际课堂考勤实验中,本文提出的人脸识别方法在人脸角度、表情变化和人脸部分遮挡的情况下人脸识别准确率能达到92.68%。     

肺结节自动检测算法研究

本文研究一种用于自动检测CT图像中肺结节的计算机辅助检测(CAD)算法.该算法首先从CT图像中分割出肺部区域,然后利用基于图像灰度分布的阈值方法提取出包含肺结节和血管的感兴趣区域(ROIs).在研究区分肺结节和血管的特征之后,利用基于规则的判别方法将感兴趣区域进行分类并提取出肺结节.运用本算法对232幅CT序列图像进行实验,实验结果表明运用该算法具有高达85%的检出率.     

VMD改进多尺度排列熵和LLTSA的列车车轮损伤诊断

针对列车车轮损伤振动信号特征难以提取的问题,本文提出基于变分模态分解(VMD)改进多尺度排列熵和线性局部切空间排列算法(LLTSA)的车轮损伤诊断方法.首先利用VMD方法分解原始振动信号得到若干个模态分量,计算各模态分量的改进多尺度排列熵,然后采用LLTSA方法进行特征维数约简,并与等距映射流形算法(ISOMAP)降维结果对比,获得最优的低维特征向量,最后将低维特征向量作为核极限学习机(KELM)的输入进行分类辨识.实验分析结果表明,该方法能够成功识别出车轮损伤状态.     

基于机器视觉的装配动作自动分割与识别

在对装配作业人员进行动作分析的过程中,动作的识别和记录一般通过手工操作完成,这种方法不仅工作量大,而且效率低。为解决该问题,提出了一种新的基于机器视觉的装配动作自动分割与识别方法。首先利用基于内容的动态关键帧提取技术提取视频流中的关键帧,实现动作的自动分割;然后提取感兴趣区域的尺度不变局部特征点,据此得出关键帧的特征向量;最后,基于支持向量机构建特征向量分类器对动作进行分类。装配线上样本视频的实验结果表明,所提方法达到了96%的正确识别率。     

基于支持向量机的无穷维AdaBoost算法及其应用

AdaBoost算法能够集成比随机猜测略好的弱分类器,输出较高分类精度的强分类器。为了进一步提高AdaBoost算法的分类精度,建立了一种基于支持向量机的无穷维AdaBoost算法,实现无穷维AdaBoost算法的关键是建立一个新的支持向量机核函数,使此核函数集成无穷多个AdaBoost算法弱分类器。将无穷维AdaBoost算法用于模拟电路故障诊断,故障诊断结果表明:无穷维AdaBoost算法分类精度优于有限维AdaBoost算法,提高了AdaBoost算法的分类精度。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。