基于Contourlet变换与SVM的掌纹识别

提出一种基于轮廓波(Contourlet)变换与支持向量机(SVM)的掌纹识别算法。基于积分光密度与中心矩,对掌纹图像进行光照、位置与方向的归一化,提取Contourlet变换高频子带的一阶统计特征,形成掌纹特征,利用SVM进行分类与识别。实验结果表明,与基于统计特征的掌纹识别方法相比,该算法的识别率较高。     

基于指导滤波与二值图像组互相关匹配的3D掌纹识别

提出了一种鲁棒的掌纹识别方法。在特征提取阶段,使用指导图像滤波去除噪声,然后基于Gabor变换提取鲁棒的掌纹方向特征,并使用一组二值图像表示每幅3D掌纹图像;在匹配阶段,采用了基于二值图像组互相关运算的匹配算法。该方法能够充分利用图像组中的特征配准图像来得到准确的匹配分数。HK-PolyU 2D+3Dpalmprint database数据库上的实验表明,该方法能够有效提高掌纹识别算法的识别率。     

NSCT变换的SAR和可见光图像融合

非下采样Contourlet变换同时具有多尺度、多方向选择性、多分辨分析和平移不变性质的特点,对SAR和彩色可见光图像融合的问题,提出一种基于非下采样Contourlet变换和HIS变换相结合的多传感器融合算法。通过对经非下采样Contourlet变换分解得到的不同频域子带系数选择方案的分析,对低频子带系数的选择,提出了一种基于SAR图像与彩色可见光图像物理特征的“加权平均”的系数选择方案;针对各带通方向子带系数的选择,采用绝对值选大多分辨率融合算法。实验以同一场景下ku波段的SAR图像和彩色可见光图像进行算法验证,实验结果和信息熵、均值、相关系数、偏差指数和交叉熵等客观评价数据表明,方法具有较好的融合效果。     

基于非子采样Contourlet变换的图像融合方法

分析了非子采样Contourlet变换滤波器组的设计与实现方法,提出一种基于非子采样Contourlet变换的图像融合方法.首先将图像作非子采样拉普拉斯金字塔尺度分解,并在各尺度层使用非子采样方向滤波器组对高频子带作方向分解,构成非子采样Contourlet变换;然后,采用基于区域能量的融合规则得到融合图像的非子采样Contourlet系数;最后进行非子采样Contourlet逆变换得到融合图像.实验结果表明,该方法的融合效果优于à trous小波变换方法和Mallat小波变换方法.     

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

基于àtrous-Contourlet变换与不变矩的掌纹匹配算法

为了提高掌纹识别的速度和准确率,克服Contourlet变换在处理高维信号时的不足,提出了一种新的掌纹识别算法。该算法首先对掌纹图像进行àtrous-Contourlet变换,得到高频分量和不同方向不同子带上的低频分量,再根据不同子带的能量分布所提取出的统计特征选择不同的特征加权系数,对图像所得到的不变矩向量进行加权计算,得到新的特征向量,完成掌纹图像的识别。实验结果表明,该算法与小波矩算法、Hu不变矩算法和Contourlet算法相比有较高的效率和匹配精度。     

基于曲面曲率和RLDA的3D掌纹识别方法

提出一种新的3D掌纹识别方法,利用掌纹曲面的3D曲率信息提高当前2D掌纹识别算法的精确度和鲁棒性。首先因曲率是3维物体的重要表征,能够与视点无关地表现曲面的局部形状,不管手掌发生旋转或者平移,曲率信息都是稳定的,因此提取3D掌纹的均值曲面曲率特征来刻画3D掌纹的曲面特征;继而获得3D掌纹映射到2D空间上的灰度图像——均值曲率图像(MCI);然后在获得的MCI上采用正则化的LDA(RLDA)方法来进行二次特征抽取,以消除传统线性判别分析(LDA)应用于识别时存在的小样本问题和优化准则函数并不直接与识别率相关等问题。实验结果表明,所提出的方法相比与传统的LDA、PCA、ICA、LPP等方法有更高的精度和速度。     

基于Contourlet的中低码率图像质量可分级编码算法

首先对图像Contourlet变换各子带系数的分布情况进行了统计分析,进而给出了一种基于Contourlet变换的空间方向树结构,并统计验证了该空间方向树的"零树"特性.同时针对图像Contourlet变换各子带"重要系数"的分布情况提出了一种基于图像Contourlet方向子带的多尺度量化方案,该方案对图像的边缘方向信息和纹理信息具有很好的捕捉能力,在此基础上提出了一种基于Contourlet变换的嵌入式图像质量可分级编码算法,该算法除了具有一般基于小波变换的零树编码方法的特性外,还具有方向性和各向异性的特点,其解码图像在中低码率下无论是PSNR还是纹理和边缘区域的视觉效果均优于SPIHT算法.实验结果验证了所提出算法的有效性.     

基于非下采样Contourlet变换和MB_LBP直方图的掌纹检测

结合NSCT分解的多尺度、多方向性、各向异性、平移不变性以及MB_LBP算法的局部特征提取、旋转灰度不变性等优势,提出一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和多块分区局部二进制模式MB_LBP(Multi-Block Local Binary Patterns)相结合的掌纹检测方法。该方法首先采用NSCT算法对预处理过的掌纹图像进行多尺度、多方向稀疏分解;其次,利用MB3-LBP8,2算子分别提取低频子图及各高频子图分块子区域的MB_LBP直方图特征向量并级联;最后,采用AdaBoost算法测试(NSCT+MB_LBP)的检测性能。仿真结果表明,与(Contourlet+MB_LBP)、(2D-EMD+ICAⅡ)、(Contourlet+NMF)以及单独的MB_LBP相比,该方法能更有效地提取掌纹特征,检测率更高。     

掌纹图像处理方法的研究

提出了一种利用图像方向信息提取掌纹特征纹线的方法。该方法将掌纹图像分成若干子块，充分利用子块中图像纹理的方向信息对掌纹图像进行滤波和增强处理；剔除图像中不含纹线的图像子块，对含有特征纹线的子块在其主方向上进行方向增强处理，突出特征纹线信息。对不同采集质量的掌纹图像的处理结果表明文中提出的方法是一种有效的掌纹图像处理方法，它可以应用于不同质量掌纹图像特征纹线的提取。     

基于近邻三值模式和协作表示的三维掌纹识别

针对二维掌纹图像存在易伪造、抗噪能力差的问题，提出一种基于近邻三值模式（NTP）和协作表示的三维掌纹识别方法。首先，利用形状指数把三维掌纹的表面几何信息映射成二维数据，以弥补常用均值或高斯曲率映射无法精确描述三维掌纹特征的缺陷；其次，对形状指数图作分块处理，利用近邻三值模式提取分块形状指数图的纹理特征；最后，利用协作表示的方法进行特征分类。在三维掌纹库上和经典算法进行的对比实验中，该方法的识别率为99.52%，识别时长为0.6738 s，优于其他算法；在识别率方面，与经典的局部二值模式（LBP）、局部三值模式（LLTP）、CompCode、均值曲率图（MCI）法相比分别提高了7.77%、6.02%、5.12%和3.97%；在识别时间方面，与Homotopy、对偶增广拉格朗日法（DALM）、SpaRSA方法相比分别降低了6.7 s、15.9 s和61 s。实验结果表明，所提算法具有良好的特征提取和分类能力，能够有效地提高识别精度并减少识别时间。     

深度强化学习的图像特征高效分类方法仿真

针对现有的图像特征分类方法收敛性差,分类无法满足日益增加的网络需求的现状,本文提出了一种基于深度强化学习的图像特征分类方法。通过对目标图像特征区域进行复域Contourlet分解,过滤处理分解结果,从而可以将目标图像子带系数矩阵提取出来,求取系数矩阵的相关特征。采取深度学习网络,使所选图像的特征向量直接经过已训练的层状网络深度模型,完成图像特征分类。实验结果表明,所提方法的误识率比现有方法明显降低,收敛速度明显提升。改进方法比传统方法更具优势,能够满足图像特征分类智能化处理的需要。     

基于Contourlet变换和支持向量机的纹理识别方法

针对变换域中图像纹理识别时如何选择最佳特征向量的问题,利用Contourlet变换的多方向、多尺度选择性和各向异性,将图像从空间域变换到频率域,全面地提取了Contourlet变换分解后低频子带、中频子带和高频子带的特征,输入支持向量机(SVM)分类器进行分类识别。利用Brodatz纹理库进行仿真实验,实验结果表明低频均值方差和高频能量作为组合特征时识别准确率可达98.75%,且特征向量维数少,是在Contourlet变换下表示图像纹理的最优特征。     

基于Contourlet变换和NMF的掌纹识别算法

提出一种基于Contourlet变换和非负矩阵分解(NMF)的掌纹识别算法。通过对源图像Contourlet进行小波变换,将提取出的低频分量用NMF法提取特征值,用最近邻方法进行分类。实验结果表明,该算法较单纯的NMF和2DPCA等算法识别性能有较大提高,能较好地捕捉图像的边缘信息。     

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。     

Contourlet域中邻域窗最优阈值滤噪算法

提出一种基于Contourlet变换域的图像滤噪算法,对带噪图像进行多尺度、多方向的Contourlet分解,依据Contourlet变换域系数的估计损失期望最小化准则,在Contourlet域中得到各子带内邻域系数的滤噪最优阈值与最优窗口尺寸,利用Contourlet变换域系数的萎缩实现滤噪。仿真结果表明,与现有的Contourlet变换域图像滤噪算法相比,该算法能有效保护图像的细节和纹理,具有较好的视觉效果和较高的峰值信噪比。     

基于Gabor小波变换和最佳鉴别特征的掌纹识别

提出了一种提取掌纹图像特征的方法,该方法的实现过程如下：首先,计算掌纹图像上均布离散位置的二维Gabor小波变换系数的幅值,将其作为掌纹图像的原始特征;其次,利用主分量分析实现Gabor小波特征的降维;最后,通过线性判别分析提取最有利于分类的最佳鉴别特征。实验结果表明了该方法的有效性。     

新的木材显微细胞图像分类识别方法

提出一种基于纹理的木材显微细胞图像分类算法。通过非下采样的Contourlet变换模极值密度提取图像纹理特征,并采用K近邻分类方法进行分类,实现对木材显微细胞图像的分类。实验结果表明：平均识别正确率在85%以上。提出的方法能有效地实现对木材显微细胞图像的分类。