增量式块主成分分析的焊缝图像特征提取算法北大核心CSCD

针对焊缝图像特征提取的实时性问题,该文提出一种增量式块主成分分析(incremental block principal component analysis,IBlockPCA)算法,用于焊缝特征主成分的提取。该算法先将焊缝表面图像分割成子图像块并对其进行重构,然后利用提出的IBlockPCA算法对局部块图像进行增量式特征提取,并采用KNN算法对提取的特征主成分进行分类识别;最后在焊缝数据集上进行了算法的性能对比。实验结果表明,该算法在收敛率、分类率及复杂度等方面均优于其他主成分分析(principal component analysis,PCA)算法,其分类识别率为97.5%,其平均处理速度可达50 frame/s,能够满足焊缝表面图像的实时性处理需求。     

基于免疫算法的交通标志分割

针对现有道路交通标志图像分割算法中实时性和鲁棒性较差的问题,提出一种基于免疫算法和RGB颜色空间的交通标志图像分割新方法。该方法先用RGB颜色空间将交通标志从实景图中定位出来,利用免疫算法快速搜索的机理,对已定位的图像进行阈值T寻优,并用该阈值T分割图像。实验结果表明,该算法与基于遗传算法的图象分割算法相比较,具有较好的鲁棒性和实时性,且适用于不同光照条件下的交通标志图像分割。     

基于SVM的白细胞识别研究

白细胞在人体血液中起着至关重要的作用,白细胞的自动分割和识别是计算机图像处理和模式识别在医学图像领域应用的一个重要研究课题.针对各种白细胞的分类识别研究,提出一种实时性、鲁棒性较好的算法.该算法主要利用支持向量机SVM对细胞图像进行分割处理,并与其他两种经典方法进行比较,得出了较好的结果.     

基于感兴趣区域和HOG-MBLBP特征的交通标识检测

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。     

基于HOGv-CLBP特征融合和ELM的交通标志识别

针对交通标志识别识别率低和时间复杂度大的问题 ,本文提出一种HOGv-CLBP特征融合和极限学习机的交通标志识别算法。首先通过描述交通 标志图像边缘信息的方向梯度直方图(HOG)特征,与能够 表示标志图像内部纹理信息的局部二值模式(LBP)特征融合得到降维后形成一种HOGv-CLB P有效特征, 然后利用ELM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别 率,而且降低了时间复杂度,增强了系统鲁棒性。     

改进的全卷积神经网络的脑肿瘤图像分割

针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的改进全卷积神经网络对预处理图像进行粗分割,并且在每个卷积层后加入批量正则化层以加快网络训练的收敛速度,提高训练模型精度;最后融合全连接条件随机场细化粗分割结果中的脑肿瘤边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好,利用训练模型平均1s内可完成单张脑肿瘤图像的分割。      

基于区域特征分割的红外弱小目标提取算法

针对现有的红外图像中目标分辨率低且边缘弱等问题,提出了一种基于区域特征分割的红外弱小目标提取算法;该算法根据灰度形态学理论,利用红外背景与目标轮廓信息来提取图像的目标信号;其中算法先根据红外图像的灰度与形状的相似度进行归属度处理,来分类出图像中的目标区与背景区;接着,根据边缘检测算法,该算法对目标区的目标的进行轮廓提取;实验结果表明,该算法能够有效的进行目标提取针对红外图像的不同性质;具有精度高,抗干扰能力强的分割优势。     

稀疏自动编码器视觉特征融合的多弹分类算法研究

准确识别卫星设备等拍摄到的待发射（或飞行途中）导弹类型,实现及时有效防御,是国内外军事领域研究的热点之一。由于战争状态中导弹具有掩饰色,且因外形差别不显著,现有基于底层特征进行导弹分类识别难度较大甚至无法识别。针对这一问题,提出一种基于稀疏自动编码器（Sparse Auto-Encoder,SAE）高层视觉特征融合底层特征提取的新算法,为了提高分类精度,引入迁移学习,借助STL-10样本库局部特征,并将导弹图像局部特征向量一并送入池化层卷积神经网络（Convolution Neural Network,CNN）提取导弹目标对象图像全局特征,通过Softmax回归模型实现导弹分类识别。实验表明,文中提出SAE融合底层特征的导弹分类识别算法较传统基于底层特征及SAE高层特征分类算法具有更高的准确性及鲁棒性。另外,为了避免因新型导弹目标对象缺乏训练而导致分类性能下降甚至失效,算法引入迁移学习实现局部特征提取,实验验证了算法的可行性和准确性。     

小波变换在特征级多重图像融合与目标分类中的应用

针对特征级图像融合的一般规律,用小波变换算法实现了图像的多分辨分割,提取目标的多分辨特征矢量,在特征级完成CCD图像和热成像图像的信息融合,并基于融合特征实现目标分类,最后,对实验结果进行了分析,提出了在特征级图像融合及目标分类中应考虑的问题.     

基于重叠条纹特征融合的行人再识别

针对行人再识别过程中,光照、摄像机设置等因素影响行人图像颜色以及在提取图像特征时丢失部分图像细节的问题,提出一种基于重叠条纹特征融合的行人再识别方法。在提取特征前,对图像进行重叠条纹分割,对所分割的条纹提取HSV颜色直方图和Gabor纹理特征直方图,HSV颜色直方图可以增强图像颜色信息的鉴别性,而重叠条纹分割方法解决丢失图像细节问题,Gabor纹理特征对图像的边缘敏感,增加图像的细节信息,融合所提取的图像特征,形成特征描述子;然后用交叉视角逻辑度量学习算法进行识别;最后在VIPER和GRID图像库上进行实验,rank1分别达到了31.68%和16.32%,rank10和rank20也有明显提高。结果表明所提方法能够提高行人再识别的识别率。