基于图像形状特征和纹理的中药材牡丹皮规格分类研究

首先研究傅里叶图像形状特征提取算法和灰度共生矩阵纹理特征提取算法;其次使用傅里叶图像形状特征提取算法对中药材牡丹皮图像的形状特征进行提取,并且用灰度共生矩阵纹理特征提取算法提取中药材牡丹皮图像纹理数据;最后运用DBT-SVM算法对两种融合数据进行分类,并分析权重、训练集和测试集占比对分类准确率的影响。实验结果优于传统的SVM算法。     

基于视觉和肌电信息融合的手势识别方法

针对人机交互技术对手势识别的可识别种类和识别正确率的问题,提出一种基于视觉方向梯度直方图(HOG)特征和肌电信号(EMG)时域特征融合及支持向量机(SVM)分类器的手势识别方法.利用视觉传感器和智能臂环分别采集手势图像信息和肌电信号,预处理后提取对应的HOG特征和时域特征;采用串行融合的方式将2种特征进行特征级融合;以...     

一种新的纹理特征提取算法

为了提高纹理特征提取的效率,提出一种基于傅里叶变换的纹理特征提取算法。该算法先将图像进行傅里叶变换,然后把图像傅里叶域分割为12个扇形区域,提取扇形区域中的纹理特征,并使用Caneberra距离函数计算两幅图像的相似度。与现有算法相比,本算法对纹理特征提取具有较高的效率和准确率。     

基于改进HOG特征提取与SVM分类器的建筑裂缝识别方法

针对现有的建筑外墙裂缝检测及分类算法在裂缝所处环境复杂的条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于改进的梯度方向直方图(Histogram of Oriented Gradients,HOG)特征提取与支持向量机(Support Vector Machine,SVM)相结合的建筑裂缝识别方法。在原有的HOG特征提取步骤上增加了图像增广、直方图修正和中值滤波三项预处理技术,然后将提取出的特征传入SVM进行分类识别。根据所提方法对300张图片进行检测,其准确率达到93%。对比于直接将HOG与SVM相结合的方法,获得了更高的图像识别精度,验证了所提方法的有效性和可行性。     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于伪极傅里叶变换和ROA融合的SAR图像边缘检测算法

提出了基于伪极傅里叶变换和融合的SAR图像边缘检测算法.首先采用伪极傅里叶变换提取较弱的图像边缘特征,并利用Ratio边缘检测算法抑制相干斑噪声对SAR图像边缘特征的影响.然后利用两种算法所得到系数的幅值、方向和角度信息构建置信指派函数,引入D-S证据理论实现两种边缘检测算法的最优融合,获取了SAR图像最佳的边缘特征.仿真结果表明,该算法所提取的边缘特征完整、定位准确.     

结合FFT和Gabor滤波器的织物纹理特征提取方法

针对织物表面纹理特征提取与表征的问题,提出一种结合FFT(傅里叶变换)和Gabor滤波器的织物纹理特征提取方法,通过傅里叶变换提取频谱楔特征(角向分布)和环特征(径向分布)作为特征角度和频率参数,设计2个最优Gabor滤波器,分别与织物纹理图像进行卷积,获得目标子图像,然后对子图像进行融合处理,达到提取纹理特征的目的。在线条图像纹理特征成功提取的前提下,应用到常见织物的纹理特征提取上,并与传统的Gabor滤波器提取方法进行对比。实验结果表明,结合FFT和Gabor滤波器的织物纹理特征提取方法是有效的,且提取结果优于传统方法。     

基于HOG特征与SVM的视频车辆检测系统设计

为增强车辆预警,解决行车状态下前方车辆实时检测问题,构建了一种基于方向梯度直方图(HOG)特征与支持向量机(SVM)的视频车辆检测系统.首先对提取HOG特征的步骤及SVM算法基本原理进行研究,用拍摄的实际道路视频对系统进行测试;分别提取出正、负样本集的HOG特征,用于SVM分类器模板的训练;再计算待测视频图像HOG特征...     

融合CANNY算子与HOG算子的建筑物识别方法

建筑物由于其多样性和所处环境的复杂性成为了计算机视觉领域研究的热点.针对当下识别建筑物的方法准确率不高的问题,提出了融合CANNY算子与HOG算子的方法识别建筑物.利用CANNY边缘检测算子提取建筑物的边缘信息,之后对边缘检测后的建筑物图像使用HOG算子提取其边缘轮廓特征,构造特征向量,将其输入非线性支持向量机(SVM)中进行分类.通过在Sheffield建筑物数据集中进行验证,其识别准确率可以达到97％以上.实验结果表明,提出的方法在识别建筑物的鲁棒性及准确度等方面具有相对较好的效果.     

一种新的图像颜色特征提取方法

为了降低特征空间的维数,将图像的先验知识融合到采用SVM构造的分类器中,提出了一种新的基于HSV空间的20色非均匀颜色量化算法．与传统的颜色量化算法相比,该算法降低了时间和空间复杂度,提高了检索的准确率,易将图像的先验信息融合到SVM的核函数中,提高了分类效果．实验表明本文提出的图像颜色特征提取算法可成功应用于海量图像库检索和图像语义信息的自动提取．     

基于特征融合的人脸表情识别算法研究

为了避免传统表情识别方法中复杂的特征手动提取过程,同时保证能够提取到更多的表情特征,文中提出一种融合卷积神经网络(Convolutional Neural Network,CNN)、方向梯度直方图(Histogram of Oriented Gradient,HOG)以及人脸关键点定位(facial landmark detection)的人脸表情识别方法.该方法首先通过在图像预处理中使用多任务卷积神经网络(Multi-task convolutional neural network,MTCNN)对不同尺度输入图像进行人脸检测并得到人脸的关键点位置信息(facial landmark).然后根据facial landmark的位置信息计算出人脸表情图像的几何结构特征,并且计算人脸表情图像局部区域的方向梯度直方图来构成HOG特征,采用特征融合的方式将facial landmark和HOG特征做进一步的融合形成新的特征向量LM_HOG.最后将融合后的特征与经过CNN提取的全局特征再次融合输入到支持向量机(Support Vector Machine,SVM)和Softmax中进行表情识别.在FER2013和Extended Cohn-Kanade(CK+)人脸表情库上的实验结果表明,将融合得到的LM_HOG特征作为局部特征,用以描述图像的局部性差异,CNN提取的特征作为全局特征,用以描述人脸表情图像的整体性差异,融合后的特征能更好的提取图像细节特征,平均识别率分别达到了75.14％和97.86％,具有优越的性能.     

数字乳腺层析图像纹理特征联合提取与识别

为提高乳腺组织图像特征提取的正确率,结合灰度共生矩阵纹理特征与Tamura纹理特征,给出一种联合提取与识别算法。采用双边滤波、受约束限制自适应直方图均衡和L0梯度滤波,对数字乳腺层析图像进行预处理,滤除其噪声并提高对比度;同时考虑灰度共生矩阵与Tamura纹理特征,通过增加特征值维度,将两者融合入一个矩阵之中,并依据特征选择规则提取最适特征;用支持向量机对特征向量分类。与仅依赖其中一种纹理特征的提取算法相比,所给算法可提高特征提取与识别正确率,从而更好地实现图像分类。     

基于傅里叶与局部特征结合的人体姿态识别方法研究

为了提高对人体姿态的识别,提出了一种以人的姿态序列图像的轮廓为特征,包括轮廓的外接矩形的宽高比、形状复杂性变化率、离心率以及傅里叶描述子相结合的人体行为识别方法。首先运用自适应的混合高斯背景建模和形态学结合的方法,利用Canny算子进行边缘检测,实现目标人体轮廓的特征提取。然后采用基于质心边缘距傅里叶描述子与k-means聚类算法与SVM分类器结合的方法,对目标人体轮廓的参数建立具有13个特征值的一维的特征向量,并和RBF神经网络的分类效果进行对比。实验表明,SVM进行分类较为准确,且不需要进行多次的迭代训练,速度较快、识别性能也很好,相比于RBF神经网络而言。运用该方法可以让人体行为识别的正确率在91%以上,该方法简单可行。     

电气符号识别的HOG方法

目的 为解决电气符号的大小、图纸背景的模糊、电气符号的旋转角度等各种干扰因素对计算机识别电气图纸造成的误差问题.方法 笔者提出了一种基于HOG的电气符号识别方法.建立电气符号训练集,提取电气符号图像的HOG特征,计算出梯度方向向量个数加权图;使用这些HOG特征和分类信息对支持向量机进行训练;利用支持向量机进行识别.结果 HOG算法对电气符号的识别率达到92.5％,与SIFT算法比较,识别效果更为准确.结论 所提出的HOG算法克服了外界干扰因素对电气符号识别的影响,提高了识别的准确率,具有良好的检测效果,为将HOG算法应用到其他领域奠定理论基础.     

监控视频中的车型分类方法

采用BIT-vehicles数据集、标准SVM分类器和mAP评价指标,验证HOG直方图和HU矩、小波和HOG直方图以及SIFT特征提取技术对于车型分类的效果,结果显示,基于多特征融合的分类方法精度比基于单特征的分类方法精度高。对比发现,SVM分类器的分类精度在基于SIFT和稀疏编码的特征提取方法下比卷积神经网络要好。     

基于HOG特征和滑动窗口的乳腺病理图像细胞检测

提出一种基于方向梯度直方图(histograms of oriented gradient, HOG) 特征和滑动窗口的细胞检测方法,能快速、高效、准确地检测高分辨率病理组织图像中的细胞。该检测算法首先对训练集中的细胞样本块和非细胞样本块提取HOG特征,然后运用HOG特征训练分类器。训练好的分类器用于在整幅病理图像中自动检测细胞。先运用滑动窗的方法在整幅高分辨率病理图像中选取相同尺寸的所有可能的细胞块,被滑动窗选定的图像块提取HOG特征后,送到训练好的分类器中判断是否是细胞块。为了验证提出方法的有效性,将此方法运用于17名乳腺患者的共37张H&E(hematoxylin & eosin)染色高分辨率穿刺切片病理图像上自动检测细胞, 通过与softmax(SM)分类器、稀疏自编码器+SM、局部二值模式+SM、支持向量机(support vector machine, SVM)、HOG+SVM、以及 HOG+SVM 多个模型对细胞检测的准确率、召回率以及综合评价指标的对比表明,本研究提出的方法分别为71.5%,82.3%和76.5%,具有更高的准确率。     

基于T-GLCM和Tamura融合特征的纹理材质分类

虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高,纹理因素复杂且无规律,单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM(灰度共生矩阵)和Tamura融合特征的纹理材质分类算法.此外,本文对传统灰度共生矩阵GLCM进行优化,提出了改进的GLCM(T-GLCM)算子,提升了GLCM的旋转不变性并减少了大量的冗余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLCM的纹理特征,通过支持向量机(SVM)对纹理材质进行分类.实验结果表明,相比传统纹理特征提取算法,本文算法具有更高的分类精度且鲁棒性更好.     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.