基于互补特征和类描述的商品图像自动分类

实现电子商务中的在线商品自动分类是电子商务智能化的迫切要求。该文研究如何运用图像特征和分类算法对商品图像的一些具体信息进行自动分类,如长袖衬衫和短袖衬衫、圆领T恤与V领T恤等。图像特征采用了具有互补特性的塔式梯度方向直方图(PHOG)和塔式关键字直方图(PHOW)相结合;在分类器设计方面提出了基于图像类描述的改进最近邻分类算法。实验结果证明本算法能使2类和3类商品图像分类正确率达到70%-99%,且能够实现快速实时分类,相对于现有方法有了明显提升。     

基于特征加权和支持向量机的图像分类研究

利用图像特征加权方法和支持向量机实现了图像的有效分类。首先根据特征的稳定性来判断特征的重要程度,从而赋予不同权重;然后借助支持向量机实现图像分类;最后采用不同颜色和纹理特征验证了在特征加权和不加权情况下图像分类的准确程度。实验结果表明本文的方法有效提高了图像分类的准确性。     

基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法

近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。      

路面破损图像实时检测方法研究

提出一种路面破损图像实时检测的实现方法。对高速采集的路面图像去模糊后再进行裂纹特征分析。设计了一种基于邻域像素灰度值比较的特征快速提取方法,利用邻域相关及连贯性等知识智能去除虚假裂纹,从而提取真实裂纹信息。大量采集的图片的处理结果表明,该方法可实时快速检测路面破损信息,具有较强的鲁棒性和实际应用性。     

路面破损图像实时检测方法研究

提出一种路面破损图像实时检测的实现方法.对高速采集的路面图像去模糊后再进行裂纹特征分析,设计了一种基于邻域像素灰度值比较的特征快速提取方法,利用邻域相关及连贯性等知识智能去除虚假裂纹,从而提取真实裂纹信息.大量采集的图片的处理结果表明,该方法可实时快速检测路面破损信息,具有较强的鲁棒性和实际应用性.     

应用变分法的极化SAR图像分类方法研究

提出了一种用于图像分类的变分模型,该模型结合正则化过程,可以较好地保持图像边缘信息,同时可以用于图像恢复.利用模拟和真实SAR图像的分类仿真试验表明,基于变分法的极化SAR图像分类方法不仅能够实现SAR图像的正确分类,克服SAR图像中相干斑噪声的影响,并且算法快速,易于实现.     

一种基于独立成分分析和最小最大概率机的人脸识别系统

提出了一种基于独立成分分析和最小最大概率机的人脸识别系统。该系统首先从摄像头中捕捉包含人脸的实时图像，利用haar特征人脸检测算法定位人脸区域，并将其从原始图像中分割出来。为了更好地提取有效特征，采用了ICA的特征提取方式，结合改进误差估计的最小最大概率机的分类方法对输入的测试图像进行识别。实验证明，该系统能够快速有效地处理实时状态下的人脸识别任务，准确率达到了96．8％，并且对多姿态的人脸具有一定的鲁棒性。     

一种图像多级分类方法

为了满足不同的图像分类需求,并考虑到单一显著特征能快速准确地分类差别大的图像,提出了图像多级分类方法.分析研究了多种特征提取方法,确定了各底层视觉特征的提取方法,以不同的特征向量作为SVM的输入对图像进行比较,研究不同的图像特征对图像分类的影响.通过实验验证,利用多级分类思想进行粗分类后,缩小了需要再进行细分类的图像范围,避免了不相关图像的干扰,使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效提高.     

基于空谱联合的高光谱图像分类方法现状与展望

高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注，其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征，分类效果不明显。近些年的研究表明，同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法，依据空谱信息融合阶段的不同，将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类，简要介绍了深度学习在空谱联合分类中的实现方法，最后对空谱联合分类的研究前景进行了展望。     

基于颜色通道融合特征的现勘图像分类算法

针对单一特征难以精确地表达复杂图像内容的问题,提出基于颜色通道融合特征的现勘图像分类算法。首先,分别在H,S和V三个颜色通道上提取图像的LBP特征和GIST特征,并利用颜色空间信息进行加权融合;然后,将融合的LBP和GIST特征串联形成新的特征描述向量,并用于训练分类器以实现精确地现勘图像分类。在现勘图像数据库上,大量实验结果显示提出的现勘图像分类算法优于基于单一特征的图像分类正确率。     

一种新的高光谱图像分类方法

基于像元波谱曲线特征提取进而利用所提取的特征进行分类是高光谱图像分类的重要研究内容。提出了一种基于傅里叶变换幅度谱的高光谱遥感图像分类新方法,也就是利用像元渡谱曲线傅里叶变换幅度谱最值单一特征实现对地物的分类识别。     

一种图像多级分类方法北大核心

为了满足不同的图像分类需求,并考虑到单一显著特征能快速准确地分类差别大的图像,提出了图像多级分类方法。分析研究了多种特征提取方法,确定了各底层视觉特征的提取方法,以不同的特征向量作为SVM的输入对图像进行比较,研究不同的图像特征对图像分类的影响。通过实验验证,利用多级分类思想进行粗分类后,缩小了需要再进行细分类的图像范围,避免了不相关图像的干扰,使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效提高。     

多尺度矩阵滤波的路面裂缝检测方法研究

为了从复杂的路面环境中快速检测出路面裂缝并进行分类,提出一种多尺度矩阵滤波的路面裂缝检测方法。该方法基于TI公司TMS642 DSP平台,可以实现大量复杂数据的快速实时处理,通过多尺度滤波处理路面图像,有效进行图像预处理,消除噪声影响,突出路面裂缝特征。通过Hessian矩阵的特征值和特征方向提取裂缝特征,实现裂缝生长方向的跟踪,确定裂缝像素始末位置,从而确定裂缝大小,同时提出裂缝合并算法对小的不连续裂缝进行合并,最后根据裂缝曲率对裂缝进行快速分类。实验结果表明,该方法可以实现路面裂缝准确、快速的检测及分类,抗噪声能力强,图像分割精度高,漏检率和错检率很低,可以满足工程应用要求。     

基于二次表示的空间目标图像分类

针对空间目标图像的特点,该文提出一种基于局部不变特征的空间目标图像分类方法。该方法首先提取每幅图像的局部不变特征,利用混合高斯模型(GMM)建立全局的视觉模式,然后依据最大后验概率匹配局部特征和视觉模式来构造整个训练集图像的共现矩阵,采用概率潜在语义分析(PLSA)模型得到图像的潜在类别表示来实现图像的二次表示,最后利用SVM算法实现分类。实验结果验证了该方案的有效性。     

基于高光谱图像的东北稻米品种快速分类

针对稻米品种无损鉴别需求,利用高光谱技术分析了3种稻米样品的光谱图像特征,实现了利用液晶可调滤波器(LCTF)光谱相机对3种稻米的探测、分类与鉴别。通过高光谱相机采集稻米样品的VIS/NIR光谱图像,运用Matlab软件及ENVI软件对高光谱图像进行处理分析,获得各样本的相对反射率曲线,结合图像阈值分割技术,得到各波段光谱图像的二值图像。结合图像及数据,分析不同品种稻米的光谱差异,发现稻米于480~550 nm波段有较为明显的特征峰,品种之间光谱差异明显,且不同品种稻米的二值图像明暗占比不同,以此完成稻米品种的分类与鉴别。研究结果表明,光谱图像的相对反射率和二值图像在稻米品种快速分类与识别的应用中具有较好的应用前景。     

系留绳外护套表面损伤自动检测系统研究

为了实现对系留绳外护套表面损伤的实时在线检测,设计了一套基于机器视觉的自动检测系统。根据文中采集图像的特点,提出了改进的背景校正方法,同时运用自适应投票的快速中值滤波方法消除噪声,利用统计阈值分割法进行损伤检测并二值化,经形态学处理剔除伪损伤,并获取损伤边界,最后通过提取损伤的形态特征实现分类识别。实验结果表明,该系统的图像处理算法简单有效,检测速度快,检出率高,能够满足实际应用。     

基于红外热像的农作物早期病害检测识别技术的研究进展

农作物早期病害检测能实现对现代农业的精细化管理,做到及时发现病害、防治病害,减少经济损失。首先对几种机器视觉技术之间和图像分类技术之间做对比分析,发现红外热成像技术与深度学习结合能高效、快速、无损地对农作物早期病害检测分类;其次介绍了红外热成像技术和深度学习的工作原理及特点,综述了红外热成像技术和深度学习在作物早期病害检测中的国内外研究进展;分析了红外热成像技术在农作物早期病害研究中的检测机理及优势和深度学习在病害图像分类的优势,得出利用深度学习算法可以对病害红外热图进行快速准确的分类并且将算法放置到计算机、手机等移动设备中可以实现实时监测及可视化分析。分析表明将红外热成像技术与深度学习相结合是农作物早期病害检测识别的重要研究方向。     

基于Hadoop云计算平台的图像分类与标注

为有效处理并利用互联网海量的图像和视频数据,提出了一种基于Hadoop云平台的图像分类和标注解决方案。针对如何高效地进行训练集提取这一重要问题,搭建了基于云计算的图像抓取平台,利用互联网的图像资源作为原始数据集,为提取训练集图像提供足够的数据;实现了基于概率潜在语义分析模型的训练集图像提取功能,对原始数据集进行基于主题的聚类,帮助用户快速选取训练集图像;加入了SVM分类模型,利用提取出来的训练集对未标注图像进行分类标注,实现了完整的系统。实验结果表明,该方案能够满足海量图像数据分类和标注的功能和性能需求。     

深度分类网络研究及其在智能视频监控系统中的应用

研究了深度分类网络在道路交通典型目标分类中的应用,使用原始灰度图、HOG特征直方图、Canny边缘图与本征特征等多种目标表征方法与深度置信网络(Deep Belief Networks,DBN)相结合构建深度分类网络实现对行人、骑车人、车辆和其他4种典型道路交通目标的分类功能。为了配合基于DBN的深度人车分类网络的训练,建立了称为NUPTERC的典型道路目标图像库,给出了建库的规则和方法,利用NUPTERC图像库构建实验对深度分类网络进行测试,并与其他典型人车分类方法进行了比较。证明深度分类网络在满足实时性的条件下,可以获得令人满意的分类正确率。最后,将基于DBN5Canny的人车分类算法应用于智能视频分析云平台,实现了对道路上的典型目标实时、精确的统计和分类功能。     

基于小波包和分形相结合的纹理分类

纹理是图像内容的重要特征之一,纹理图像分类中最重要的步骤是纹理特征的提取。纹理图像利用空间-频率域分析法时,纹理特征主要集中在中、高频段,纹理图像边缘包含着丰富的纹理特征信息。利用小波包和分形相结合的方法提取纹理特征值进行纹理图像分类,实验结果表明此算法是合理有效的,纹理分类的正确识别率较高。