一种图象纹理特征提取与分割的新方法

本文介绍了一种用于提取图象纹理特征的新的二维最佳数字滤波器（ＯＤＦ），该滤波器是基于有限长球序列（ＦＰＳＳ）和离散付里叶变换（ＤＦＴ）设计的，它具有能量损失最小的最佳频率响应特性。用若干具有不同中心频率和带宽的这种滤波器覆盖频率平面，可以抽取图象的纹理转征，进而利用一个非参数分类器，可对纹理图象实行有效的分类和分割。文中给出了一个人工纹理图象和一个自然纹理图象分割的实例。     

一种高效的语义图象分类方法

本文针对大型高维图象数据库检索，提出基于单特征进行高速，快捷的学习矢量量化算法，在独立的训练集（7537幅图像）和测量试集（5000幅图象）上，通过实验对户内／户外，城市／风景分类，并在同条件下同贝叶斯分类顺及支持向量机的结果比较，在计算复杂度和消耗时间上大大缩减，分类效果仍保持基本相似，且对有的分类问题可提高判别准确率。     

改进的块截断图象编码算法

已经提出了的各种块截断算法本质上都是两电平量化器，由于它们将图象简单地量化（或截断）成两个电平值，所以在译码图象中出现矢真，为减少这种失真，本文在块截算法中采用于平滑滤波器，从而改进了现有块共怕算法的性能，明显提高了译码图象质量。     

快速分形图象压缩编码

本文提出一种基于局部迭代函数系统（ＬＩＦＳ）的快速分形图象压缩编码、解码方法。实验表明，该法在恢复图象的信噪比为３０ｄＢ时，仍能达到２５倍的压缩倍数。     

基于感知组织的图象2D推理和3D解释

本文以室内环境存在的大量结构化物体为背景，研究了从单幅透视图象中恢复３Ｄ结构的感知组织和不确定性推理方法，强调感知组织必须结合３Ｄ解释和验证才能更加有效，本文提出的３Ｄ感知组织方法分三个步骤：（ｌ）２Ｄ图象结构特征可能性推理；（２）基于正交约束的３Ｄ解释及合理性初步验证；（３）基于物体模型的一致性进一步验证，真实景物的图象实验结果说明本文方法在机器视觉中的可行性和有效性。     

基于分形的混合图象压缩方法

分形图象压缩方法是近年来迅速兴起的一种高倍率图象压缩方法，它依据分形原理，利用迭代函数系统（IFS）来抽取自然图象中的自相似性，达到压缩图象的目的；解码时利用拼帖定理来快速恢复图象。然而它最大的缺点是速度太慢。为此，本文将分形图象压缩同传统的块截取变换方法（BlockTruncatingCoding）结合，在压缩速度、压缩倍数和压缩失真方面有个折衷，达到较好的性能。     

一种改进的马尔可夫随机场图象恢复与分割模型

在现有的马尔可夫随机场图象恢复与分割模型中，图象场能量最低组态被看成是原始景物的一种最优估计，但在图象灰度值发生变化的边界上，能量最低组态不对应于原始景物，从而造成恢复（或分割）误差，本文对这类模型作了改进，利用改进的模型给出了一种引入边界信息的松弛算法，并给出了应用该算法对低信噪比图象进行恢复处理的计算机模拟结果。     

一种基于熵的图象分割方法

本文介绍了一种基于熵的原理，对图象进行分割的方法，并将其用于彩色印刷图象中黄、品、青三色网点图象在不同面积率下进行分割实验，证明该方法行之有效。     

基于低速信道的远程图象监控系统

提出了一种以计算机通信为核心采用图象压缩技术在低速信道（公用电话网，ＤＤＮ）上实现远程图象监控的方案，并进行了系统研制。该系统特别适合于图象的存储与管理，已成功地应用于电话局程控机房的无人值守系统。     

基于旋转Barnes—Wall格的增益—波形矢量量化器及其在序列图象…

本文首先提出了一种基于旋转Ｂａｒｎｅｓ－Ｗａｌｌ格的格型矢量量化器（ＬＶＱ）的构造方法及快速量化算法，然后研究了以此ＬＶＱ为核心的增益－波形矢量量化器（ＧＳＬＶＱ）的实现方法，最后探讨了ＧＳＬＶＱ在序列图象编码中的应用方案，并给出了较好的实验结果。     

基于方块编码的图像纹理特征提取及检索算法

针对灰度共生矩阵（GLCM）在提取纹理特征时存在的问题,提出一种基于方块编码（BTC）的图像纹理特征的检索算法。首先将图像分成互不重叠的子图像块,然后利用BTC的思想对这些图像块进行编码,进而定义图像的纹理基元并以此作为对图像的纹理描述,并提出采用一种改进的基于纹理基元的共生矩阵来获取纹理特征。实验结果表明,该方法既有效地利用了图像的纹理信息,又考虑了图像的空间和形状信息,具有较好的检索效果。     

基于GLCM算法的图像纹理特征分析

深入研究灰度共生矩阵(GLCM,Gray Level Co-occurrence Matrix)算法,说明基于灰度共生矩阵的14个纹理特征具体意义,指出纹理特征之间存在冗余性。通过对纹理图像的灰度共生矩阵的计算分析和纹理特征提取实验,表明灰度共生矩阵能够反应图像的特点,与纹理特征描述图像的特点相对应,同时,图像的14个纹理特征之间存在一定程度的冗余,实际中可以根据图像纹理特征的差异,选择几个显著的纹理特征对图像进行分类。纹理特征分析和实验结果对图像纹理特征的应用具有普遍的指导意义。     

基于Gabor和灰度共生矩阵混合特征叶片泵装配质量检测

本文提出一种Gabor和灰度共生矩阵相结合的特征来检测叶片泵中叶片装配质量的方法。首先构建叶片图像数据集,用5种尺度的和4种方向的Gabor滤波器对图像滤波,根据滤波后的图像计算得到幅值特征图,然后提取幅值特征图的灰度共生矩阵特征,最后融合归一化各个幅值特征图提取到的特征,利用主成分分析法降维,并用这些特征向量训练支持向量机(SVM)分类器,实现对叶片装配质量的评估。将本文提出的混合特征与LBP特征、灰度共生矩阵分别进行了比较得到的分类效果约提高了约10%。基于Gabor和灰度共生矩阵混合特征的叶片装配质量检测准确率提升到了93%。实验结果表明Gabor特征和灰度共生矩阵结合后能够很好从多尺度、多方向上提取图像的纹理特征,并应用于图像分类取得了良好的效果,在一些图像识别上有很宽广的应用前景。     

基于平方距离的对称共生矩阵阈值法

基于图像共生矩阵的阈值法是图像分割的一种基本方法,本文基于“灰度—灰度”对称共生矩阵,通过定义目标区域和背景区域的均值,提出了一个阈值分割方法.该方法和常见的基于对称共生矩阵阈值法相比,对图像的适应性更强,仿真实验验证了本文方法的有效性.     

高分辨率星载SAR图像水上桥梁解译

该文提出一种高分辨率星载SAR图像水上桥梁解译方法。首先计算图像分类特征的纹理描述量,包括Gabor滤波器响应、树形小波参数和灰度共生矩阵。然后利用支持向量机对图像进行分类,将SAR图像分为低反射率区域、城市建筑区和植被覆盖区。在低反射率区域中,利用目标的形状、拓扑关系和目标与背景的灰度分布完成桥梁兴趣区检测。最后利用雷达成像参数和多次回波模型计算桥梁的方向、长度、宽度、水面高度、桥体厚度和正射投影位置。利用TerraSAR-X图像进行的实验表明了该方法的有效性。     

基于条件共生概率矩阵的移位JPEG双压缩检测

针对合成JPEG图像的小区域移位JPEG双压缩(SD-JPEG压缩)篡改问题,提出一种基于条件共生概率矩阵(CCPM)的SD-JPEG压缩篡改检测算法。为了减小图像内容的影响,增强SD-JPEG压缩效应,首先对JPEG量化的离散余弦变换(DCT)系数的幅度矩阵进行水平、垂直、主对角和副对角4个方向差分和阈值化处理,然后使用CCPM对这4个阈值化的差分矩阵进行建模,选取CCPM的元素作为特征数据,并用主分量分析(PCA)对其降维处理,最后通过支持向量机(SVM)技术判决图像块是否经过SD-JPEG压缩。实验结果验证了本文算法的有效性。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

Image downscaling via co-occurrence learning

Image downscaling is one of the widely used operations in image processing and computer graphics. It was recently demonstrated in the literature that kernel-based convolutional filters could be modified to develop efficient image downscaling algorithms. In this work, we present a new downscaling technique which is based on kernel-based image filtering concept. We propose to use pairwise co-occurrence similarity of the pixelpairs as the range kernel similarity in the filtering operation. The co-occurrence of the pixel-pair is learned directly from the input image. This co-occurrence learning is performed in a neighborhood based fashion all over the image. The proposed method can preserve the high-frequency structures, which were present in the input image, into the downscaled image. The idea is further extended to the case of fractions factor of downscaling. The resulting images retain visually-important details and do not suffer from edge-blurring artifact. We demonstrate the effectiveness of our proposed approach with extensive experiments on a large number of images downscaled with various downscaling factors.