共查询到19条相似文献,搜索用时 156 毫秒
1.
在基于BP神经网络生成纹理图象方法^[1]的基础上,提出了一种基于Logistic映射和多层前向神经网络的纹理图象生成方法,该方法使用Logistic映射来调整多层前向神经网络的网络参数,即用Logistic映射产生一组混沌变量,这组混沌变量中的每一个数对应一个需要调整的神经网络参数,由于Logistic映射具有的混沌特性,使多层前向神经网络每次迭代都会产生一组不同的参数,从而克服了使用BP算法调整神经网络参数时容易收敛的缺点,这种基于混沌映射的方法既保留了基于BP神经网络生成纹理图象方法的优点,又对其进行了改进。该方法因不需要计算网络的误差,从而大大简化了计算过程,并且可以产生比使用原有方法更加丰富的纹理图象,仿真结果表明,使用这种改进后的方法比原有的方法更加简单有效。 相似文献
2.
基于Gabor多通道滤波和Hopfield神经网络的纹理图象分割 总被引:4,自引:0,他引:4
文章针对纹理图象的特点,提出了一种基于Gabor多通道滤波和Hopfield神经网络的纹理图象的分割算法。首先构造一组Gabor滤波器(2-D)提取纹理图象多分辨率和多方向性的空域和频域特征。为了使纹理特征更加明显,在此基础上对滤波图象进行非线性变换,最后利用Hopfield神经网络通过松弛迭代算法实现纹理图象的快速分割,取得了良好的分割效果。 相似文献
3.
肺部肿瘤序列图象的自动分割是计算机肺部肿瘤三维辅助诊断系统的关键技术之一,肿瘤与周围组织关系的复杂性造成分割困难.为了给医生提供准确的肺部肿瘤影像,运用纹理分析和径向基神经网络实现了肺部肿瘤CT图象序列的自动分割,并根据相邻层肿瘤图象灰度、位置的相关性,提出了一种自动获取多层肿瘤区域神经网络训练样本的阈值分割算法.该算法首先计算图象纹理统计参数,以组成特征矢量空间,然后利用自适应径向基神经网络对特征矢量进行分类来实现肿瘤序列图象的自动分割.实验结果表明,与基于灰度的区域增长法和基于梯度算子和形状算子的最优阈值的分割方法相比较,该方法不仅能充分利用肺部肿瘤序列图象的三维信息,还可最大限度地减少人工干预,且分割结果较好地表现了肿瘤形态特征,经临床医生评估,具有较好的临床指导价值. 相似文献
4.
空间灰度相关图象纹理分割方法 总被引:4,自引:0,他引:4
本文给出了图象纹理分割的空间灰度相关法(SGLDM)中四个描述性强的纹理特征。定义了纹理特征矢量。在此定义基础上,给出了一种新的图象纹理分割方法。最后以四幅分割难度较大的纹理图象实验,说明利用四种纹理特征的方法可以有效地对纹理子图案非随机旋转的图象进行纹理分割。 相似文献
5.
提出了一种基于嗅觉系统生成纹理图像的仿生模型。该模型结构模拟嗅觉神经网络的结构,利用Logsitic函数的混沌特性调整每次迭代过程中的模型参数,使用简单的周期函数作为模型节点的激活函数实现纹理的重复,并引入随机噪声来模拟脑在进行信息处理时的背景噪声。实验结果表明,该模型可以生成丰富而多变的纹理图像,引入的随机噪声也起到了积极的作用,可以明显地丰富纹理图像的变化。此外,模型生成纹理图像的效率也高于传统的BP神经网络模型。 相似文献
6.
提出了一种用小波生成特征符号随机场的纹理图象分类方法。它通过一定尺度上的小波图象分解,由在最大尺度上分解生成的4个子图来生成原始图象的特征符号随机场,在此基础上产生共生矩阵,进而获取原始图象的纹理特征和向量。然后,用两个特征向量的距离作为判别标准,对纹理图象进行快速分类。 相似文献
7.
针对科学试验数据可视化问题,提出了一种2D矢量场可视化的方法-流线纹理合成方法,即通过将1D纹理映射到流线上,再利用流线纹理来合成可视化图象,因为移动1D纹理很容易形成矢量场动画。该方法是利用局部区域内流线的近似平行性,首先依据临界点来设定流线宽度,然后把流线绘制成多条平行流线,再分别将多条不同的1D纹理映射到流线上,从而能够加快计算。实际结果表明,由于流线纹理合成的纹理图象上清楚地显示了流线,因而反映了矢量场的方向信息,同时,该方法计算速度快,可以达到交互可视化的要求。 相似文献
8.
纹理单元(TextureUnit)给出了一幅图象微纹理(Microtexture)的有效描述,作为其函数的纹理频谱则能很好地区分不同宏纹理(Macrotexture)之间的差异。利用纹理频谱在纹理分析方面表现出来的优良性能,提出了一种基于纹理频谱的小目标自动检测新方法。实验证明,该方法与其它方法相比,具有定位精确、计算简单、抗噪能力强和实时性较好的优点。 相似文献
9.
本文提出了一种新的结合纹理特征的支持向量机图象分割方法,将纹理特征和灰度特征一起组成训练特征向量,利用支持向量机分类方法进行图象分割.该算法结合了纹理特征在图象描述中的重要意义和支持向量机方法在模式识别领域已表现出的优越性能,实验证明其在图象分割中取得了良好的效果.同时,当需要处理一批内容相似,感兴趣区域具有相同纹理、灰度特征的同类图象时,只需对其中一幅代表性的图象进行SVM训练,所产生的分类模型适用于所有该类图象,无需逐幅进行处理,大大简化了运算过程. 相似文献
10.
11.
一种基于纹理域神经网络的彩色卫星图像分析方法 总被引:1,自引:0,他引:1
描述了一种利用纹理域神经网络,通过监督的学习方法来调整和权重,将预处理后成的彩色卫星图像中的纹理信息块进行分类,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的,给出了纹理域的预处理过程,阐述了对原彩色图像进行颜色映射和量化的目标和方法;讨论了纹理域神经网络的构造方法及算法;最后给出了用以上方法对彩色卫星图像进行分类的实验结果,实验证明该方法对彩色卫星图像有较好的分类作用。 相似文献
12.
13.
14.
15.
Supervised texture classification using a probabilistic neuralnetwork and constraint satisfaction model 总被引:9,自引:0,他引:9
The texture classification problem is projected as a constraint satisfaction problem. The focus is on the use of a probabilistic neural network (PNN) for representing the distribution of feature vectors of each texture class in order to generate a feature-label interaction constraint. This distribution of features for each class is assumed as a Gaussian mixture model. The feature-label interactions and a set of label-label interactions are represented on a constraint satisfaction neural network. A stochastic relaxation strategy is used to obtain an optimal classification of textures in an image. The advantage of this approach is that all classes in an image are determined simultaneously, similar to human perception of textures in an image. 相似文献
16.
针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明:该算法平均鉴别准确率均达90%以上。 相似文献
17.
18.
基于LBP和数据扩充的CNN人脸识别研究 总被引:1,自引:0,他引:1
针对卷积神经网络在人脸识别存在的数据集比较少,容易发生过拟合的问题,提出对人脸进行局部二值模式处理,提升图像特征,再引入深度卷积生成对抗网络对局部二值化的人脸进行生成,有效扩充数据集,提升卷积神经网络的泛化能力。该人脸识别卷积神经网络模型包括3层卷积层,3层池化层,1个全连接层,1个Softmax分类回归层。仿真实验中,选取ORL人脸数据库中40人每人10张的人脸图像按8∶1∶1比例设置为训练集、验证集和测试集,并选取Yale人脸数据库中15人每人11张的人脸图像按9∶1∶1的比例设置训练集、验证集和测试集,通过LBP算法提取人脸纹理特征对其进行生成,分别扩充数据集至990张和2200张。结果表明,该算法的人脸识别率不仅高于未扩充数据PCA和LBP等传统人脸识别方法的识别率,而且也将卷积神经网络的识别率提升了约2%,有效提高了泛化能力。 相似文献
19.
针对单通道图像超分辨率方法难以同时实现快速的收敛性能以及高质量的纹理细节恢复的问题,提出一种基于双通道卷积神经网络的图像超分辨率增强算法。首先,网络分为深层通道和浅层通道,深层通道用于提取图像的详细纹理信息,浅层通道用于恢复图像的总体轮廓。然后,深层通道利用残差学习的优势,加深网络并降低模型参数规模,消除因网络过深导致的网络退化问题,构造长短期记忆块消除由反卷积层造成的伪影现象和噪声,采用多尺度方式,提取图像不同尺度的纹理信息,而浅层通道只需负责恢复图像主要轮廓。最后,融合两通道损失对网络不断优化,指导网络生成高分辨率图像。实验结果表明,相比基于深层和浅层卷积神经网络的端到端图像超分辨率算法(EEDS),所提算法收敛更迅速,图像边缘和纹理重建效果明显提升,其峰值信噪比(PSNR)和结构相似性(SSIM)在Set5数据集上平均提高了0.15 dB、0.0031,在和Set14数据集上平均提高了0.18 dB、0.0035。 相似文献