基于HOG多特征融合与随机森林的人脸识别

针对人脸识别在复杂环境下识别率低的问题,提出了一种基于梯度直方图(HOG)多特征融合与随机森林的人脸识别方法.该方法通过HOG特征描述子对人脸进行特征提取.首先以网格作为采样窗在整个人脸图上进行整体HOG特征的提取,并将人脸图像分成均匀子块,在包含有人脸关键部分的子块中提取局部HOG特征.然后通过二维主成分分析(2DPCA)和线性判别分析(LDA)对整体和局部特征进行降维,并进行特征层融合形成最终分类特征,最后通过随机森林分类器对其进行分类.FERET人脸库、CAS-PEAL-R1人脸库、真实场景人脸库实验表明,该方法对光照具有鲁棒性,且有较高的识别率和较短的识别时间.     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,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的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM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。     

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛.常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类.然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建...     

遥感图像森林植被纹理的自适应滤波

基于纹理滤波的分割方法被广泛用于遥感图像森林植被分割。遥感图像中森林植被纹理的多样性使得固定参数的纹理滤波方法不能准确表达纹理的特征,导致分割精度不高。提出一种自动适应森林植被纹理的滤波方法,根据遥感图像中典型森林植被区域的纹理基础属性设置滤波参数,实现有针对性的纹理滤波处理。通过蓝噪声探测方法和灰度共生矩阵统计方法获取典型森林植被区域的纹理基元在尺度和灰度分布等方面的属性,结合森林植被纹理的先验知识设置纹理滤波参数,包括滤波器的窗口尺寸、方向、频率和强度以及用于表达纹理特征的局部谱直方图的积分窗口尺寸等。分割实验表明,该方法充分利用了图像中森林植被纹理的特点,纹理滤波表达的特征区分度更大。     

融合HOG与PCA算法的人脸识别

为了进一步研究人脸识别问题文章融合HOG特征与PCA算法对人脸进行识别研究。首先计算人脸图像的方向梯度直方图（HOG）,将输出的每一个特征向量纵向堆叠为一个二维矩阵。然后使用主成分分析（PCA）进行特征降维,减少特征间的相关性和噪声。最后使用支持向量机（SVM）进行分类识别。整个算法模型在ORL人脸数据库中进行实验,最终结果显示识别准确率为96.0%;使用ROC曲线评价该方法的优劣得到曲线下的面积为0.9898。     

基于分块自适应融合特征的交通标志识别

交通标志由外部轮廓和内部指示符号组成,HOG特征可较好描述图像轮廓但易受噪声影响,而LBP特征对图像细节刻画好,提出基于分块HOG-LBP自适应融合特征的交通标志识别方法。通过分块计算梯度直方图得到的权重系数,来判断该块是属于轮廓还是内部指示,对前者选择HOG权重大,后者选择LBP特征权重大,将自适应串行融合后的特征送入支持向量机识别。仿真实验结果表明,该算法对标准交通标志识别率可达到100%,对含模糊、残缺、遮挡等非标准交通标志也达到了76%。     

基于层次匹配下多种特征融合的蕾丝花边检索方法

针对基于图像纹理特征的蕾丝花边检索方法效率低下问题,为提高蕾丝花边检索效率,提出一种基于层次匹配下多种特征融合的蕾丝花边检索方法。通过运用图像纹理特征标识图像,利用Canny算子处理纹理图像,得到彩色Canny图像及其灰度梯度共生矩阵GGCM,采用能量、梯度平均、灰度平均、相关等二次统计特征参数描述图像的纹理特征,将上述提取纹理特征结合形状特征和SURF特征进行逐层匹配,实现层次匹配下多种特征的融合,弥补单个匹配方法的不足,同时在蕾丝花边库中验证所提检索方法的正确率。实验结果表明,与其他匹配方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,能较好地实现蕾丝花边检索,有效地提高了检索方法的速率和准确率。     

煤与矸石图像纹理特征提取方法

针对现有煤与矸石图像处理方法存在提取特征参数少、识别精度低等问题,提出了一种融合局部二值模式和灰度共生矩阵的煤与矸石图像纹理特征提取方法。首先将煤与矸石预处理后的图像转换为局部二值模式图像,再利用该图像生成灰度共生矩阵,以角二阶距、相关性、对比度和熵作为纹理特征进行均值和归一化处理,最后用支持向量机进行训练,得出识别结果。实验结果表明,该方法能够有效地提取到煤与矸石图像的纹理特征,煤和矸石的识别率分别为94%和96%。     

基于随机森林的流量多特征提取与分类研究

网络流量的多样化和复杂化以及高实时性要求对流量识别技术带来了巨大挑战,而通过基于机器学习的网络流量分类中,流量统计特征选择能够快速准确对流量进行识别,具有重要的研究意义.随机森林(RF)作为近年较热门的灰盒算法,对当前的网络流量具有较好的识别能力.通过随机森林的节点选择算法,对流量特征进行选择,并结合物理意义进行优化,进行多次特征提取.实验结果表明:提出的算法在识别模型构建上性能更加优越,耗费时间大大减小,同时准确度等指标得到提高.     

基于多特征组合的细粒度图像分类方法

针对单一特征表示的局限性会导致细粒度图像分类准确度不高的问题,提出了一种基于卷积神经网络（CNN）和尺度不变特征转换（SIFT）的多特征组合表示方法,综合考虑对目标整体、关键部位和关键点的特征提取。首先,分别以细粒度图像库中的目标整体和头部区域训练CNN得到两个网络模型,用来提取目标的整体和头部CNN特征;然后,对图像库中所有目标区域提取SIFT关键点并通过K均值（K-means）聚类生成码本,再将每个目标区域的SIFT描述子通过局部特征聚合描述符（VLAD）参照码本编码为特征向量;最后,组合多种特征作为最终的特征表示,采用支持向量机（SVM）对细粒度图像进行分类。使用该方法在CUB-200-2011数据库上进行实验,并与单一的特征表示方法进行了比较。实验结果表明,该方法与基于单一CNN特征的细粒度图像分类相比提升了13.31%的准确度,证明了多特征组合对细粒度图像分类的积极作用。     

结合分块模糊熵和随机森林的图像分类方法

为提高图像分类性能,提出了一种图像分类方法。其基本思想是将图像内容的不确定性描述看作是一个随机过程,采用分块模糊熵来提取图像特征,采用随机森林方法进行特征分类。首先,考虑全局和局部特性,将图像划分为多个图像子块;然后,对每一个图像子块进行模糊c均值聚类,提取模糊熵特征;接着,通过归一化处理,得到图像的模糊熵特征向量;最后,构造随机森林分类器,实现模糊熵特征向量的分类。实验结果表明,该方法的错分率低,分类耗时少。     

基于随机特征字典的纹理分类方法

为解决稀疏表示在提取全局纹理特征时受维数限制的问题,提出一种基于随机特征字典的特征提取及分类方法。方法利用稀疏系数中非零系数的分布特点,统计各图像块在稀疏分解过程中字典原子的使用频率,得到能突出纹理在稀疏域类别信息的直方图特征,进而实现分类。为提高分类准确率,通过随机投影将多尺度多方向的小波特征进行融合,并对其训练得到纹理描述能力更强的小波随机特征字典。在分类实验中,其分类准确率达94.79%,并能在噪声、光照条件影响下获得较好的鲁棒性,在分析全局纹理特征方面具有高效、稳定的特点。     

多特征和多分类器组合的湿地遥感影像分类

为了适应湿地遥感影像分类,选择了湿地影像的典型特征,提出了一种组合多分类器的湿地遥感分类方法。提取湿地遥感影像的独立分量、纹理、湖泊透明度、归一化水体指数、绿度指数和湿度分量特征;选择样本对最小欧氏距离、光谱夹角填图、贝叶斯和支持向量机分类器进行训练学习。根据各分类器的混淆矩阵对其赋权值,检验样本是否满足正态分布;根据权值和假设检验结果构建组合分类器决策网络。实验表明该方法较传统湿地分类方法具有更好的性能和更高的精度。     

基于超像素统计量的随机森林遥感图像分类

针对遥感图像地物覆盖分类方法对图像空间分布信息利用不足的问题,提出一种基于超像素统计量的随机森林遥感图像分类方法。以北京市海淀区为研究区,选用Landsat-8卫星为主要数据源,通过改进SLIC超像素分割方法,使之适用于多光谱遥感图像中超像素的分割,提取超像素常见的六个统计量(最小值、最大值、均值、标准差、上四分位数、下四分位数)用于随机森林在遥感图像中的分类。实验结果表明,本文对研究区遥感图像的总体分类精度为89.01%,明显改善了对地物的错分和漏分现象,能够推广到Landsat-8遥感图像的地物覆盖分类工作中。     

DCNR: deep cube CNN with random forest for hyperspectral image classification

Multimedia Tools and Applications - Hyperspectral Image (HSI) classification is one of the fundamental tasks in the field of remote sensing data analysis. CNN (Convolutional Neural Network) has...     

基于尺度空间中多特征融合的医学影像分类

针对现有医学影像分类方法对临床不同类别影像特征描述效果不一致,且尺度变化敏感的问题,提出一种基于尺度空间提取多特征进行融合的分类方法。首先构建高斯差分尺度空间,然后在尺度空间中分别从灰度、纹理、形状、频域四种互补的角度描述医学影像,最后基于最大似然估计理论构建决策级特征融合模型,实现医学影像分类。严格依照IRMA医学影像类别编码标准选择实验数据,结果表明所提方法相对已有方法分类的平均F1值得到了5%~20%不同程度的提高, 更全面描述医学影像信息, 避免了特征降维造成的信息损失,有效提高了分类的准确率,具有临床应用价值。     

Texture image classification with discriminative neural networks

Computational Visual Media - Texture provides an important cue for many computer vision applications, and texture image classification has been an active research area over the past years....     

No-reference image contrast measure using image statistics and random forest

Multimedia Tools and Applications - Image quality assessment is very crucial for certain image processing applications. Images can be distorted from multiple sources like a fault in sensors, camera...