一种基于灰度共生矩阵的云图检索方法

卫星云图检索可帮助气象预报人员快速定位历史相似天气．根据云图纹理特征区分度较大的特点提出一种采用纹理特征对卫星云图进行相似性检索的方法。针时找到一个普遍适用的纹理特征非常困难的问题．提出一种根据特征值的方差分布情况从大量备选特征中快速找出适合某类图像检索所需的纹理特征值的方法,并以灰度共生矩阵的特征值提取为例．对卫星云图进行相似性检索。检索流程为：首先对云图进行云地分离的预处理．然后从云图的灰度共生矩阵中提取有效的检索特征生成特征值．并与历史云图库对应的特征库进行相似距离计算．最后根据距离的排序顺序输出最终的检索结果。实验表明．该方法能有效地从历史云图库中检索出具有相似视觉特征的云图．说明该方法可以用于卫星云图的相似性检索。     

基于分块颜色矩和灰度共生矩阵的图像检索

颜色和纹理是描述图像内容的两个重要视觉特征,提出了一种基于分块颜色矩和灰度共生矩阵相结合的图像检索方法。根据图像背景内容的差异,将图像分成大小相等的子块,通过HSV颜色空间非均匀量化,计算子块的颜色矩来描述图像的局部颜色特征。整体图像采用灰度共生矩阵作为其纹理特征。结合两者采用加权欧式距离计算图像相似度,从实验结果中得出该检索方法的有效性。     

一种海量图像下的高精度特征检索算法

传统图像关键特征二次检索算法无法计算图像纹理相似度,导致数据库中海量相似图像的检索精度偏低,查全率与查准率均不理想.为此,设计新的基于灰度直方图的图像关键特征二次检索算法.采用中值滤波将某像素点灰度值替换成相邻区域像素点灰度中值,去除图像背景及噪声干扰.建立归一化灰度共生矩阵,并向量化输入图像并计算其灰度特征矢量.利用...     

基于图像能量谱直方图的纹理检索算法RAH

本文提出的基于纹理的图像检索算法RAH是以图像的能量谱直方图为基础,包括以下两个方面：第一,计算图像能量谱的半径和角度直方图的方法以及基于图像能量直方图的频率去提取纹理特征的算法;第二,基于纹理特征的相似度检测方程。这个实验结果表明,RAH算法优于一般的灰度共生矩阵纹理检索算法,具有较好的检索效果,比较适用于基于内容的图像检索。     

基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别

在基于火焰图像识别的转炉吹炼状态识别过程中,针对已有方法存在火焰彩色纹理信息利用不充分和状态识别率仍需提高的问题,提出一种基于火焰彩色纹理复杂度特征的转炉吹炼状态识别方法.首先,将火焰图像转化到HSI颜色空间下并作非均匀量化;然后,计算H分量和S分量的共生矩阵从而融入火焰图像的颜色信息;其次,利用得到的颜色共生矩阵计算火焰纹理复杂度的特征描述子;最后,应用Canberra距离作为相似度度量准则对吹炼状态进行分类和识别.实验结果表明,与已有的转炉火焰灰度共生矩阵和灰度差分统计方法相比,在满足吹炼识别实时性要求的前提下,所提方法的识别率分别提高了28.33%和3.33%.     

一种综合颜色和纹理特征的图像检索算法

对图像颜色特征和纹理特征进行了研究。在图像颜色特征方面,利用人类的视觉特性,对图像不同分块的主色进行确认和加权处理,获得加权主色颜色特征;在纹理特征方面,利用统计法和结构法构造灰度-差分基元共生矩阵来提取纹理特征。在此基础上,通过高斯归一化方法将颜色特征和纹理特征进行综合,形成最后的图像检索特征,并给出了利用该特征的图像检索算法。实验结果表明,所提出的灰度-差分基元共生矩阵特征提取较传统的灰度共生矩阵特征更加精细,在此基础上综合利用颜色和纹理特征的图像检索方法具有更好的检索精度。     

基于灰度变化统计的图像检索

纹理是图像的一个显著特征,也是基于内容检索的一条主要线索。提出了一种基于纹理灰度变化统计的图像检索方法,在水平、垂直、45°和135°方向上统计像素灰度值的变化量,提取关于图像纹理粗细、走向等信息。并将此方法与灰度共生矩阵法和纹理谱法进行比较,从查准率、平均序号和检索时间三方面进行分析,验证了此方法的有效性。同时,还结合颜色特征进行综合检索,并将相关反馈技术融合到算法中,通过多次检索自动调整各特征量的权值以满足用户的检索需求。     

基于分块主色调和纹理特征的彩色图像检索

提出一种基于分块主色调和纹理特征的彩色图像检索方法。该方法首先提取占彩色图像比重较大的前几种主色调,根据主色调将图像划分为不同分块,并以主色调作为各分块图像的颜色特征。然后,采用灰度共生矩阵算法,提取各分块的纹理特征。综合考虑各分块图像的颜色特征和纹理特征,从图像数据库中检索相似图像。实验结果表明,该方法具有较高的检索效率。     

颜色、纹理、形状及相关反馈在图像检索中的应用

图像数据库的不断庞大使基于内容的图像检索成为研究热点,目前主要集中于底层特征的相似度匹配。文章重点介绍了颜色特征中的分块主色法,纹理特征中的灰度共生矩阵法和形状特征中的小波变换及不变矩法。在利用单一特征检索的基础上,该文提出了一种综合利用上述三种特征共同进行检索的方法。同时,还将相关反馈技术融合到算法中,通过权值矩阵的正负调整及三种特征系数的调整来提高检索准确率。由实验数据表明,文中的方法是很有效的。     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

人脸识别中多目标最优不相关图像鉴别分析研究

考虑图像投影鉴别分析问题,为提高特征抽取的速度和识别率,利用图像矩阵直接构造图像散布矩阵,在具有统计不相关的条件下将Foley-Sammon鉴别分析(FSLDA)转化为两目标约束优化问题,并给出了有效投影向量的概念;根据多目标优化的最优性条件可将求取有效投影向量的问题归结为求广义特征方程的最大特征值对应的特征向量,并据此进行特征抽取,进而提出了两目标最优图像投影鉴别分析方法。与其他鉴别投影分析方法相比,该方法具有以下特点:(1)可直接由图像矩阵构建散布矩阵;(2)有效投影向量具有统计不相关性;(3)训练样本的类内散布矩阵不必为可逆的,也不需要求某种形式矩阵的逆。在ORL标准人脸库和NUST603人脸库上的试验结果表明,上述图像投影鉴别分析方法在识别性能上较以往的方法有一定的提高,尤其是特征抽取的速度有明显的提高。     

On image matrix based feature extraction algorithms.

Principal component analysis (PCA) and linear discriminant analysis (LDA) are two important feature extraction methods and have been widely applied in a variety of areas. A limitation of PCA and LDA is that when dealing with image data, the image matrices must be first transformed into vectors, which are usually of very high dimensionality. This causes expensive computational cost and sometimes the singularity problem. Recently two methods called two-dimensional PCA (2DPCA) and two-dimensional LDA (2DLDA) were proposed to overcome this disadvantage by working directly on 2-D image matrices without a vectorization procedure. The 2DPCA and 2DLDA significantly reduce the computational effort and the possibility of singularity in feature extraction. In this paper, we show that these matrices based 2-D algorithms are equivalent to special cases of image block based feature extraction, i.e., partition each image into several blocks and perform standard PCA or LDA on the aggregate of all image blocks. These results thus provide a better understanding of the 2-D feature extraction approaches.     

基于类间散布矩阵的二维主分量分析

主分量分析是一种线性特征抽取方法,被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵,并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA,以类间散布矩阵的本征向量作为投影方向,取得了比利用总体散布矩阵更好的识别效果,并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。     

Bidirectional PCA with assembled matrix distance metric for image recognition.

Principal component analysis (PCA) has been very successful in image recognition. Recent research on PCA-based methods has mainly concentrated on two issues, namely: 1) feature extraction and 2) classification. This paper proposes to deal with these two issues simultaneously by using bidirectional PCA (BD-PCA) supplemented with an assembled matrix distance (AMD) metric. For feature extraction, BD-PCA is proposed, which can be used for image feature extraction by reducing the dimensionality in both column and row directions. For classification, an AMD metric is presented to calculate the distance between two feature matrices and then the nearest neighbor and nearest feature line classifiers are used for image recognition. The results of the experiments show the efficiency of BD-PCA with AMD metric in image recognition.     

Two-dimensional PCA: a new approach to appearance-based face representation and recognition

In this paper, a new technique coined two-dimensional principal component analysis (2DPCA) is developed for image representation. As opposed to PCA, 2DPCA is based on 2D image matrices rather than 1D vectors so the image matrix does not need to be transformed into a vector prior to feature extraction. Instead, an image covariance matrix is constructed directly using the original image matrices, and its eigenvectors are derived for image feature extraction. To test 2DPCA and evaluate its performance, a series of experiments were performed on three face image databases: ORL, AR, and Yale face databases. The recognition rate across all trials was higher using 2DPCA than PCA. The experimental results also indicated that the extraction of image features is computationally more efficient using 2DPCA than PCA.     

基于矩阵完备投影的快速主分量分析算法

主分量分析是模式识别中经常采用的一种方法,但是由于经典的主分量分析在处理图像矩阵需要将图像展开成向量形式,因而造成其协方差矩阵维数和计算量太大,同时由于没有注意到图像矩阵中像素之间空间相关性,使得抽取的图像特征并不是优秀的,为此提出了一种基于矩阵完备投影的快速主分量分析算法(FMPCA),该算法不仅大大降低了分析过程中的计算量,而且发挥了图像矩阵行和列之间的空间特性,从而提高了整体性能。通过对NUST603、Yale和ORL图像库进行的实验证明,该算法不仅具有快速提取图像特征的能力,而且综合性能优于相应的一些主分量分析方法。     

基于薄板样条变换的几何图像序列压缩方法

为了提高对几何图像序列的压缩效率,本文提出一种基于薄板样条函数（ThinPlateSpine,TPS）的有损压缩算法。在该压缩算法中,利用TPS变换可用于三维表面形变的特点,将TPS变换作为几何图像序列中相邻帧之间从前一帧到后一帧的预测器,通过存储TPS变换矩阵系数的方式编码预测帧,将该方法应用于一个三维人脸网格的几何图像序列,获得了较好的压缩效果。     

基于模块2DPCA的人脸识别方法

提出了模块2DPCA（two-dimensional principal component analysis）的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块，将分块得到的子图像矩阵直接用于构造总体散布矩阵，然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法（比如PCA）相比，该方法在特征抽取之前不需要将子图像矩阵转化为图像向量，能快速地降低鉴别特征的维数，可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明，模块2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

Novelty detection in wildlife scenes through semantic context modelling

Novelty detection is an important functionality that has found many applications in information retrieval and processing. In this paper we propose a novel framework that deals with novelty detection in multiple-scene image sets. Working with wildlife image data, the framework starts with image segmentation, followed by feature extraction and classification of the image blocks extracted from image segments. The labelled image blocks are then scanned through to generate a co-occurrence matrix of object labels, representing the semantic context within the scene. The semantic co-occurrence matrices then undergo binarization and principal component analysis for dimension reduction, forming the basis for constructing one-class models on scene categories. An algorithm for outliers detection that employs multiple one-class models is proposed. An advantage of our approach is that it can be used for novelty detection and scene classification at the same time. Our experiments show that the proposed approach algorithm gives favourable performance for the task of detecting novel wildlife scenes, and binarization of the semantic co-occurrence matrices helps increase the robustness to variations of scene statistics.     

一种基于复杂网络的图像形状及纹理描述方法

文中提出了一种基于复杂网络的图像特征描述方法。将图像的关键点作为复杂网络节点,利用最小生成树分解法完成初始网络的动态演化过程,由不同演化阶段下的复杂网络特征实现对图像的形状描述;根据图像像素和周围邻域的距离与灰度的相似度,由不同的阈值生成度矩阵,统计不同阈值下网络节点的度分布,完成图像的纹理描述。实验证明,该算法具有较强的鲁棒性和旋转不变性,并且在分类实验中也有较好的表现。