模糊神经网络高分辨率遥感影像监督分类

目的 针对高分辨率带来的像素类属不确定性增大及各类属间相关性增强引起的影像分类问题,提出一种模糊神经网络高分辨遥感影像监督分类方法。方法 提出的模型为包含输入层,隐含层（隶属函数层）及输出层的三层前向模糊神经网络,输入层用于接收来自训练样本的灰度值;隐含层每个神经元节点的模糊隶属函数为对各类别定义的高斯隶属函数模型,以实现对输入变量隶属程度的不确定表达;输出层的输入变量为隐含层各神经元节点输出变量的线性组合,激活函数为分段线性函数,该层实现输入变量隶属程度的相关性表达。以训练数据直方图作为期望输出,梯度下降法求解模型参数,最后按最大隶属度准则实现分类决策。结果 利用本文算法和经典算法对合成影像进行实验,本文方法总体精度达到0.931,相对于高斯隶属函数方法总体精度提高了5.3%,相对于最大似然法提高了4.2%,相对于FCM方法提高了5.9%,对真实WorldView-2全色影像的实验中文中方法分割精度也高于传统方法。结论 提出的模糊神经网络模型可以更加精确的拟合高分辨率遥感影像复杂的分布特征,有效处理高分辨率遥感影像的上述分类问题。     

基于特征融合与决策树技术的表情识别方法

针对复杂状况下传统表情识别方法存在的问题,提出一种新的非特定人表情识别方法。该算法首先提取每张表情图像的HOG特征和Haar小波特征,然后将两种不同的特征串行融合得到整幅图像的特征,最后通过SVM多分类器完成各层人脸表情的分类识别。在JAFFE人脸表情库上的仿真实验中,该方法的分类准确率达到87.9%,平均时耗达到10.296 6s。对比实验结果表明,所提算法具有更高的识别率、更好的实时性和更强的鲁棒性。     

南水北调中线小南河串流片防洪水位计算

传统的多河流串流计算主要采用水库联调的方法,把串流的各条河流概化为静态水库,库水位水平且不考虑横向流动。为解决串流区水流的横向流动及水面线并不总像库水位一样水平的问题,采用二维非恒定流数学模型计算串流区洪水演进。通过概化地形、考虑入流、糙率、边界条件和水流的横向流动等因素,计算出了整个串流区域的水面线、水深、流速、出流等水力要素,并给出洪水演进模拟图,为确定河流与总干渠交叉建筑物的规模、总干渠左岸沿线水面线和对沿线村庄、农田的防洪影响提供了可靠的依据。     

加权三维Otsu方法在图像分割中的应用*

从信息散度角度出发,提出一种新的三维Otsu加权方法,对分布不均匀的图像做细致分割。由于三维Otsu中三个维度在分割中所起的作用不同,可以通过调整不同维度的权因子,使不同的图像都能得到很好的分割效果。最后利用加权的特点,将三维Otsu分解为三个一维Otsu,在加快运算速度,降低时间复杂度的同时得到了比较好的分割效果,使得加权方法更具有实际效用。     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。     

基于颜色和形状特征的彩色图像显示与检索技术

提出了一种有效用于抽取特征、索引和检索彩色图像的技术途径,通过提取图像的颜色不变量,建立相应的色度直方图（hue histogram）来表示图像的颜色分布特征,为了描述图像中对象的位置及方向特征,首先计算图像的色度轮廓并对其进行Radon变换,然后计算相应的“空间直方图”,由此,得到了一种基于图像的颜色分布特征和形状特征的新的图像表示方法,为了计量图像的全局相似度,基于“累积距离”和“基于向量的距离”定义了两种图像的距离度量,并分别讨论了距离度量的选取与归一化、不同子特征的组合等CBIR所涉及的关键问题,实验结果表明,文中提出的方法能获得满意的检索性能,其检索结果能较好地接近于人的视觉感和结果。     

A noise attribute thresholding method for document image binarization

A new thresholding method, called the noise attribute thresholding method (NAT), for document image binarization is presented in this paper. This method utilizes the noise attribute features extracted from the images to make the selection of threshold values for image thresholding. These features are based on the properties of noise in the images and are independent of the strength of the signals (objects and background) in the image. A simple noise model is given to explain these noise properties. The NAT method has been applied to the problem of removing text and figures printed on the back of the paper. Conventional global thresholding methods cannot solve this kind of problem satisfactorily. Experimental results show that the NAT method is very effective. Received July 05, 1999 / Revised July 07, 2000