基于不变矩和SVM的圆形交通标志识别方法研究

针对道路交通标志的自动识别问题,通过不变矩和支持向量机(SVM)方法对圆形标志图像识别方法进行研究。首先根据交通标志的颜色和形状信息对采集到的原始图像进行颜色分割、形态学去噪和形状检测等处理,获得图像中包含交通标志的区域。然后分别对标志图像进行Hu矩和Zernike矩的特征值提取,将特征值输入SVM中进行训练并采用网格搜索法对SVM进行参数优化,最后使用优化后的支持向量机方法实现交通标志的识别。实验表明,与现有的其他交通标志识别算法相比,采用高阶Zernike矩与优化后SVM的识别方法有更好的识别效果。     

基于ICA的仿射不变Zernike矩的交通标志识别

针对在复杂的交通环境下,摄像机获取的交通标志会受到拍摄环境、自然环境等影响而存在不同程度的几何失真。提出了一种基于ICA的仿射不变Zernike矩特征交通标志识别方法,根据交通标志的形状坐标在仿射变换之前x、y方向是相互独立的,经过独立成分分析(ICA)得到只发生旋转和镜像变换的交通标志,然后提取Zernike矩特征进行识别。实验结果表明该方法可以极大提高Zernike矩特征提取的准确度和交通标志的识别效率。     

Zernike矩及它们的应用

Zernike矩是以Zernike多项式为核函数的矩,Zernike多项式构成了一个完备正交集。Zernike多项式的正交性使得Zernike矩互相独立,使它在特征表达能力和低的噪声敏感度方面具有较大的优越性。     

基于Tamura-HOG纹理特征与矩特征融合的配网电缆终端故障诊断方法

针对现有的配网电缆因局部放电随机且复杂导致故障诊断尚存不足的问题,本文提出了一种融合局部放电谱图的矩特征、Tamura纹理特征和方向梯度直方图特征的特征提取方法。该方法从形状特征、全局和局部方向纹理特征3方面更加全面地表达局部放电谱图特征,对局部放电谱图的矩特征、Tamura和方向梯度直方图纹理特征进行提取与融合,结合自适应提升算法、后馈神经网络和支持向量机算法均可以实现识别准确率较高的故障诊断效果。然后,将本文方法与后馈神经网络、支持向量机及卷积神经网络、栈式自编码器深度学习算法进行识别对比,结果表明,自适应提升算法的识别准确率最高、耗时最短,具有良好的通用性和稳定性,为配网电缆的故障诊断提供了新的方法。     

基于FPGA的快速图像纹理特征提取方法的研究

图像特征的一个重要分支就是纹理特征,它体现了不同图像和物体的形态、大小、分布、方向等重要参数,对图像特征识别起到决定性因素。但是纹理特征提取的过程十分复杂且计算量巨大,为了解决这个难题,提出了一种在现场可编程逻辑门阵列(FPGA)平台下实现纹理特征提取新方法。首先对基本图像特征算法做了并行化的优化,从算法的数值范围和表示精度两个角度,做了相应的分析和误差控制,从而适应FPGA的运行。然后对FPGA的数据流传输提出了一个高效率的解决办法,该方法对其中的主要模块采用了流水线优化,并采用寄存器配置模式,从而在线地修改参数,适应不同的图像大小和卷积核等环境变量。结果表明,在同等功耗条件下,可以达到10倍于CPU的性能,达到了快速提取特征的目的。     

Zernike矩与粗集预处理的神经网络在数字识别中的应用

针对无指针式表盘的数字判读问题,提出一种基于Zemike矩和粗集预处理的神经网络数字识别方法。该方法首先利用Zemike矩的旋转不变性特征提取数字图像特征,再对所提取的Zemike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别。通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值。     

不变矩目标特征描述误差分析和基于上层建筑不变矩的舰船识别

不变矩用于各种目标识别的特征描述，受到了广泛的注意，许多作者研究了基于不变矩描述的飞机、桥梁、建筑物和舰船等目标的识别[1，2，3]。CHO－HUAKTENetal．[5]在理论上研究了连续图象由于空间离散化和亮度量化引起不变矩误差即不变性降低的问题，本文进一步从理论和实验两方面分析了引起目标描述不变矩误差并从而限制目标正确识别概率的其它因素。为克服上述问题，本文提出了用于舰船目标识别的上层建筑不变矩描述，并在具有1440幅舰船图象的目标库上，进行了舰船识别仿真，统计分析和识别结果均表明，上层建筑不变矩较之传统的不变矩描述，具有强得多的鉴别两类目标的能力，从而极大地提高舰船的正确识别率。     

基于极半径不变矩的平面单足足迹识别

采用极半径不变矩作为描绘子对平面单足足迹进行粗匹配实验。设计了“距离排序法”作为粗匹配的分类器。使用极半径不变矩的5维特征值作为描绘子识别实验结果为在排除83％前嫌人员的条件下,识别准确率为86％。实验的结果表明使用极半径不变矩作为描绘子进行的粗匹配比使用足长与足宽的粗匹配的识别准确率和前嫌人员排除率都更高。     

当今图像特征提取技术的发展

本文介绍了颜色特征的提取和纹理特征的提取在应用中作用以及特征含义。纹理和颜色相似,在图像中也是一种非常重要的视觉特征,在很多相关系统中得要广泛的运用。     

基于改进不变矩的发电机组轴心轨迹识别

在发电机组状态检修系统中,转轴轴心轨迹是诊断机组状态的一个重要特征。Hu氏不变矩是图形图像识别中的重要工具。详细分析了离散状态下的Hu氏不变矩应用的局限性,提出了改进方法,并对发电机组发生故障时几类典型轴心轨迹的自动识别进行了仿真试验,结果表明该方法有效、简单可行。     

视觉显著性纹理—色彩特征融合的图像目标分类

针对图像目标分类,提出了一种显著性纹理特征.考虑到显著目标图像在纹理特征表征上的优势,在目标显著性图像提取的基础上进一步提取视觉显著性纹理特征.进而将该视觉显著性纹理特征同HSV色彩特征进行融合,形成图像目标融合特征,输入至后端分类器中进行分类.多类别的交叉实验证明,基于该融合特征的目标分类方法能够较为准确的对图像目标进行分类,在SIMPLIcity图像数据集上平均分类正确率达到84.84％,在Corel图像集上平均分类正确率为85.05％,优于基于单一分类特征的图像分类方法.     

A novel fast fractal image coding algorithm based on texture feature

A novel, fast fractal image coding algorithm based on the texture feature is proposed in this paper. Fractal image coding is a very promising technique for image compression. However, it has not been widely used because of the long encoding time and high computational complexity. The most fractal image encoding time is spent in determining the approximate D‐block from a large D‐blocks library by using the global searching method. Clustering the D‐blocks library is an effective method to reduce the encoding time. First, all the D‐blocks are clustered into several parts based on the new texture feature α derived from variation function; second, for each R‐block, the approximate D‐blocks are searched for in the same part. In the search process, we import control parameter δ; this step avoids losing the most approximate D‐block for each R‐block. Finally, the R‐blocks whose least errors are larger than the threshold given in advance are coded by the quad tree method. We have performed a simulation with MATLABR2010a to verify the effectiveness of the proposed algorithm. The experimental results show that the proposed algorithm can be over 6 times faster than the moment‐feature‐based fractal image algorithm; in addition, the proposed algorithm also improves the quality of the decoded image and increases the PSNR's average value by 2 dB. The comparisons demonstrate that this method is better than the fractal image coding algorithm based on statistical features. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于轮廓分析与三阶不变矩的旋转目标定位算法

为了解决当前图像定位算法在识别旋转与缩放工件目标时,存在定位成功率不高的问题,提出了基于轮廓分析与不变矩特征的旋转目标定位算法.首先,采用自适应二值化对图像进行预处理,并遍历图像轮廓,完成轮廓序列提取与面积计算,实现对杂质干扰的排除.然后构建三阶不变矩,计算逐一计算图像轮廓序列的三阶不变矩特征,从而建立定位度函数,与模板目标的不变矩特征比较,完成对旋转缩放工件目标定位.实验测试结果表明,与当前图像定位算法相比,在面对缩放十旋转干扰时,本算法拥有更高的定位成功率与鲁棒性.     

基于Gabor原子的雷达辐射源信号无意调制特征提取

针对雷达辐射源的个体差异,提出一种雷达辐射源信号无意调制特征提取方法。该方法在过完备Gabor原子库基础上,采用匹配追踪（matching pursuit）方法对具有相位噪声的常规雷达辐射源信号进行时频原子分解,得到表示常规雷达辐射源信号无意调制特征信息的最佳Gabor原子,将最佳Gabor原子时频参数以及重构信号和原始信号的相似度作为个体特征参数。．实验结果表明,提取的个体特征参数可以有效地表示常规雷达辐射源信号的无意调制。     

基于点扩散函数特征优化融合的水下目标识别

人类对水下世界探索的热情推动了水下成像及监测系统研究的发展。然而由于水介质光学属性及复杂水下环境的影响,常用的陆地成像及配套算法很难实现理想的效果。因而可以采用设备更新或算法优化两条策略使水下成像监测系统能够适应水下的光学环境。考虑到设备更新在水下场景中实施的困难和较高的资源消耗,沿用传统陆地的光学成像设备进行水下图像数据采集,并利用点扩散函数优化及多信息融合的策略来优化水下成像监测系统所用的目标识别算法,解决水下光学成像中由于散焦、目标移动、前后向散射噪声等所造成的图像目标细节模糊、对比度差等问题,提高水下自主航行器对水下目标的识别能力。     

遥感云图纹理特征提取算法实时加速设计

为了解决灰度共生矩阵对遥感云图特征提取实时图像处理过程中算法复杂度高,运算时间长,数据运算量大等问题,提出了一种Vivado HLS实现卫星遥感云图特征提取算法的硬件加速方法.通过对灰度共生矩阵纹理特征提取算法以及Vivado HLS硬件加速设计进行研究,利用Vivado HLS对灰度共生矩阵纹理特诊提取进行硬件加速,...     

尺度及旋转不变纹理图像检索

针对图像检索时常见的尺度及旋转问题,本文提出了一种基于双树复小波变换的尺度及旋转不变纹理图像检索方法.对图像进行尺度变化的预处理,对原图像和变化后的图像分别进行DT-CWT后,提取纹理特征并插值为特征矩阵;分别在尺度维和旋转维上进行FFT消除尺度和旋转变换影响,得到尺度和旋转不变的特征向量;采用Canberra距离进行相似性度量.通过对尺度及旋转变化的纹理图像库的实验表明,该方法对图像的旋转和尺度变化具有较好的鲁棒性.     

基于特征提取矩阵的稀疏系数求解算法

在压缩感知算法的基础上,提出了在字典学习算法过程中同时训练得到一个投影矩阵,通过该矩阵可以直接运算求取稀疏系数的方法.字典训练过程采用的是KSVD字典学习算法,并与传统的L1范数求解算法进行比较,通过实验可知,该方法比传统利用贪婪法等L1算法具有更加快速、识别率更高的特点,提出的算法通过矩阵运算可以直接求解出系数项,而后者则是一个NP问题,需要利用迭代算法来求解,这样对于大样本的测试来说提出的算法具有更好的应用空间,节约的时间将非常显著.     

基于特征点集群目标跟踪与检测

目标跟踪与检测技术是计算机视觉研究领域一个热点和难点问题,该技术广泛应用在制导、导航、监控等方面。尤其在复杂背景下,准确的跟踪既定目标,在遮挡情况下稳定跟踪,是近年来研究的热点。利用一种特征点集群方法,通过提取特征点方式,以及对目标的运动估计等方式,解决针对地面目标在光线变化、缩放、旋转3个变化量下的跟踪与检测问题。该方法对于地面运动目标的限制较小,同时图像序列中每一帧图像间运动目标的位移量较小。运用本文所提出算法,能够解决针对地面目标在光线变化、缩放以及旋转情况下跟踪与检测的问题。