一种结合纹理特征的极化SAR图像分类方法

为充分提取极化SAR图像中的信息来提高极化SAR图像分类精度,首先通过极化目标分解得到多个参数组成极化分解特征向量,然后提取纹理特征值得到纹理特征向量,最后将纹理特征向量与极化特征向量组合成新的特征向量,利用支持向量机SVM方法进行分类。对Radar Sat-2的Pol SAR数据进行分类实验,并对分类结果进行定性和定量比较分析。实验结果表明纹理特征与极化特征结合用于极化SAR图像分类可以提高分类精度。     

基于图像识别技术的汽油、无水乙醇燃烧火焰识别研究

为了实现基于视频图像对火灾现场存在助燃剂的分类识别,对燃烧火焰的特征进行分析,根据汽油和无水乙醇引燃后各自特有的燃烧现象,结合火焰的视频图像识别算法实现对汽油和无水乙醇燃烧火焰的识别。首先,基于图像的灰度阈值得到其疑似火焰区域,再提取其H、S、I颜色分量和面积变化特征;并提取燃烧图像的小波高频能量特征和LBP直方图特征;最后将特征向量输入SVM分类器进行分类识别。试验表明,SVM对汽油和无水乙醇燃烧火焰的识别分类准确率可达98.5%,可较好地实现对汽油、无水乙醇燃烧火焰的区分。     

基于多核学习的煤岩图像特征融合与识别方法

本文提出了基于多核学习的煤岩特征融合与识别方法,首先从煤岩图像提取两种特征,然后将每一种特征输入到一组核组合的SVM分类器中进行多核学习,得到该特征的一组核的权重系数,构成每个特征的核矩阵,最后将每个核矩阵组合起来再进行多核权重学习,得到每一组核的权重系数,最后将得出的权重组合成新的核空间,进行多核SVM分类。结果表明,该方法有效地对煤岩的图像特征进行融合,能够提高识别准确率。     

基于自注意力的隧道视频火灾识别技术研究

针对公路隧道火灾样本量少、深度学习效果不理想的问题，研究一种小样本学习技术，以提高对隧道火灾样本的利用率，并在此基础上利用成熟的机器学习方法，提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型，该模型针对各项特征对火焰识别的重要性分配不同的注意力权重，形成注意力矩阵，并将权重矩阵与特征向量的值相加权，通过SVM的Hinge Loss进行线性支持向量机分类，对公路隧道火灾进行识别和预警。在火灾识别训练过程中，通过对火焰疑似区域进行检测，并利用数据增强技术达到样本扩增的目的，随后采用多通道融合的特征提取方式构建特征向量，输入设计的自注意力火焰识别模型中，通过梯度下降优化器进行小批量模型训练，降低迭代次数，最终获得最优特征权重参数，得到最佳识别模型。试验结果表明，该方法在模型训练时收敛较快，在火焰识别时相比未使用小样本学习的传统SVM算法，准确率提高了5%，因此能在小样本环境下有效提高火灾识别的准确度。     

分层纹理特征和梯度特征融合的图像分类

为了提高分类检索和识别的准确率,提出了分层纹理特征和梯度特征融合的方法,即分层中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的特征融合方法。首先,对原始图像进行多次CS-LBP特征的提取,得到3层不同的特征图像;然后对特征图像进行大小相等、不重叠分块,分别提取每块CS-LBP特征和HOG特征,形成每一层的特征;再将特征图像的特征进行融合。分别在标准图像库和人脸库上进行仿真,研究结果表明:提出的分层融合方法的分类查准率和识别率比传统方法分别提高了15%和10%。     

一种基于振动电流相融合的高压断路器故障诊断方法

本文提出了一种基于电流信号和振动信号多源信息相融合的断路器故障诊断方法。首先提取高压断路器分合闸线圈的电流信号和分合闸时的振动信号特征,然后对这些特征进行融合,最后将融合后的特征向量输入到SVM进行故障诊断,诊断结果表明,提出的方法相比单一信号分析有了一定的提升,为断路器故障诊断提供了一种新的诊断方式。     

基于Matlab的小波纹理特征融合指纹识别系统

传统指纹识别通常要经过二值化、细化的过程,对指纹特征点进行特征提取,存在速度慢、效率低的弊端。本系统采用基于小波纹理特征融合的深度学习算法,并改进的神经网络算法,通过深度学习方法对指纹图像数据库进行训练,指纹图像首先采用SVM进行指纹图像导入,用Spliteachlable对图像进行分类,用Imfilter对图像进行特征提取,最后将如上特征进行矩阵,用户端采用Matlab实现,实验结果显示特征融合后的识别精度为99.95%。     

基于多特征融合的电压致热型设备故障检测

大部分的电压致热型设备由于温升不明显,故障判断难度较大,并且红外图像受到背景复杂,尺寸多的影响,导致红外图像特征提取困难,另外,大多数现有的检测工作依靠人工判别,且存在判断分歧。目前,代替人工判别的研究中,许多只利用单一的特征来表征热图像中的故障特征。针对此类问题,笔者提出一种基于多特征融合的电压致热型设备故障提取方法。此方法将红外图像多故障目标检测算法和多特征融合算法相结合,建立动态决策准则。首先提取红外图像的三种典型特征,包括颜色、纹理和轮廓特征,继而通过融合算法(串行融合、并行融合和DCA)将三种不同属性的故障特征进行融合,充分地提取设备红外图像的故障特征,从而提高识别的准确性。验证表明,相对于某一低层特征故障提取,本研究的方法在电压致热型设备红外图像故障诊断特征提取方面,不仅保证时效性的同时,红外图像故障分类精确度得到了提高,分类更加可靠。     

基于灰度共生矩阵的纹理特征值提取

图像分类识别的常用方法是先提取图像特征,再进行特征值的归类。图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。本系统主要针对图像的纹理特征进行提取、分析,通过研究灰度的空间相关特性来描述纹理,利用灰度共生矩阵产生的四个纹理特征值使其能有效的描述相应图片的纹理特征,最后实现具有显著纹理特性的图像的分类识别。     

基于修正饱和度特征的过曝光区域检测算法

本文提出了利用颜色特征、亮颜特征和边界邻域特征并加入了新提出的修正饱和度特征的过曝光检测算法。首先使用LC检测算法标记已转入CIE-Lab彩色空间的图像,将过曝光区域都标记好的图像作为训练图像,提取出融合了上述四种特征的特征向量组用于分类。再使用L2正则化逻辑非线性回归算法得到分类器模型参数。然后用该模型实现对输入图像过曝光区域的识别与标记。