基于小波变换和多类支持向量机的图像分类

提出了一种基于小波变换和多类支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用多类支持向量机进行图像分类,并与基于图像底层特征的图像分类方法进行了实验比较。实验结果表明该方法具有较好的分类性能。     

支持向量机虹膜识别算法研究

提出一种基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别方法.利用形态学和圆形边缘检测算子定位虹膜,并将虹膜纹理映射到极坐标空间;定义了一种新的图像分敷维--极值加权平均分数维,用于提取虹膜特征;利用支持向量机分类器对虹膜特征矩阵进行匹配识别.试验表明,基于极值加权平均分数维特征提取和支持向量机分类嚣识别的虹膜识别系统识别率高,速度快.     

基于支持向量机的指纹图像质量分类方法

指纹图像的质量测量与评价,在指纹图像分割、增强及指纹匹配等环节都有重要应用.同时,指纹图像的质量分类,对指纹识别算法的适用性研究也有重要意义.本文提出一种基于支持向量机的指纹图像质量分类方法.该方法选择梯度、Gabor特征、方向对比度等指标,利用支持向量机有效实现指纹图像质量分类.并采用少类样本合成过采样技术(SMOTE)降低指纹图像质量好坏的类别不平衡问题对分类的影响.理论分析和实验结果都表明该方法能够较为有效地提高指纹图像质量分类的正确率.     

基于支持向量机分类水平集方法的图像特征提取研究

本文提出了一种基于支持向量机分类器的水平集方法的图像特征提取方法,在提取图像特征的水平集方法应用中,通过改进水平集能量函数,引入区域信息,能够同时提取图像目标的内外边界,并且收敛速度快。提取图像特征之后通过支持向量机非线性分类器对待处理图像进行分类。     

一种基于轮廓图像的人脸检测方法

提出了一种基于轮廓图像的人脸检测方法。针对人脸的生理结构特征,对人脸的灰度图像进行水平和垂直方向的轮廓分割;在此基础上对轮廓图像进行分块,抽取水平和垂直方向的轮廓特征;将抽取的特征用支持向量机（support vector machine,SVM）进行分类,将分类结果用于人脸检测。实验表明：轮廓特征能较好的反映人的脸部特征,用支持向量机对轮廓特征进行分类的方法来检测人脸是有效的。     

基于支持向量机的人脸分类

提出了一种基于支持向量机的人脸分类方法，首先对人脸图像作二维离散余弦变换，取离散余弦变换系数作为特征，然后用支持向量机进行分类。用Essex人脸图像数据库进行性别分类，取得了很好的分类效果。     

基于Hu矩和支持向量机的人脸与非人脸分类识别

区域特征和轮廓特征是表征灰度人脸图像的有效方法,而图像矩能够从整体上描述物体的几何特征.在考虑H u矩在图像形状模式表征的优势和支持向量机的分类能力的基础上提出了一种基于Hu矩和支持向量机的人脸检测方法,首先提取人脸与非人脸的Hu矩,作为图像特征,然后将特征送入支持向量机进行学习.训练采用了单样本和双样本两种方法,最后用训练得到的模型对测试样本进行测试,实验结果表明,该方法是可行的.     

基于遗传算法和一类SVM的隐秘图像检测方案

针对二类支持向量机分类器在隐秘图像检测中训练步骤复杂与推广性弱的缺点,提出了一种新的基于遗传算法和一类支持向量机的隐秘图像检测方案。采用遗传算法进行图像特征选择,一类支持向量机作为分类器。实验结果表明,与只利用一类支持向量机分类,但未进行特征选择的隐秘检测方法相比,提高了隐秘图像检测的识别率和系统检测效率。     

面向情感特征的风景图像分类研究及其实现

视觉活动是认知外部世界的主要途径,视觉感知源于物体的外形、色彩及纹理。而颜色特征的不同对人类情感变化起着至关重要的作用。鉴于不同风景图像会产生不同的颜色特征和情感特点,如何建立图像颜色特征与用户评价之间的关系并加以鉴别具有重要的研究意义。该文在学习前人提出的各种颜色提取分类算法的基础上,结合图像的颜色直方图对风景图像的颜色特征进行提取,并利用支持向量机的方法对图像进行分类。实验表明,该方法取得了较好的准确率。     

基于多特征和改进SVM集成的图像分类

现有图像分类方法不能充分利用图像各单一特征之间的优势互补特性,提取的特征中存在大量冗余信息,从而导致图像分类精度不高。为此,提出一种基于多特征和改进支持向量机(SVM)集成的图像分类方法。该方法能提取全面描述图像内容的综合特征,采用主成分分析对所提取的特征进行变换,去除冗余信息,使用支持向量机的集成分类器RBaggSVM进行分类。仿真实验结果表明,与同类图像分类方法相比,该方法具有更高的图像分类精度和更快的分类速度。     

基于粒子群优化算法的航空影像纹理分类

粒子群优化算法是基于群智能的随机全局优化技术,将它引入航空影像纹理分类,在提取纹理样本小波、分形等特征的基础上,提出了针对分类问题的粒子表达方法和群体寻优策略,实现了基于粒子群算法的纹理分类。将其与基于遗传算法的纹理分类法作比较,结果表明粒子群优化算法具有较好的寻优性能,基于该算法的纹理分类法分类精度较高且计算时间较少。     

综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

基于特征加权的高光谱图像融合分类

在对高光谱图像监督分类中, 传统的监督学习方法对高光谱数据进行分类时需要获取足够的有标记样本作为训练样本, 这样可以有效的避免Hughes效应. 实际情况下的高光谱数据拥有较多的波段和相对较小的训练样本集给传统的遥感图像分类方法带来了挑战. 因此, 提出了一种基于特征组合以及特征加权的高光谱图像分类算法, 针对纹理特征分析难度较大的现实, 利用一阶直方图的统计特征描述图像纹理特征, 通过类内散度矩阵的逆矩阵作为特征加权矩阵构造组合核函数将高光谱光谱特征和空间特征融合起来, 同时利用特征加权的方法用于提高小训练样本的监督分类精度. 实验结果表明, 本文所提的方法对小样本的高光谱数据分类具有良好的效果.     

基于统计地形特征的纹理检索方法

提出了一种利用图像函数图的信息来进行纹理描述的方法.图像函数图在三维空间中所形成的曲面形状看起来像地形地貌.提出的方法被称为统计地形特征,它首先用一个可变水平平面去切割图像函数的图可得到一些实体,然后从这些实体的几何和拓扑属性推导出4条特征曲线来描述纹理特征.在Brodatz和VisTex纹理集上的比较实验结果表明,统计地形特征的检索性能高于多维度自回归纹理模型、统计几何特征和离散小波变换等方法.     

非负局部Laplacian稀疏编码和上下文信息的图像分类

目的 稀疏编码是图像特征表示的有效方法,但不足之处是编码不稳定,即相似的特征可能会被编码成不同的码字。且在现有的图像分类方法中,图像特征表示和图像分类是相互独立的过程,提取的图像特征并没有有效保留图像特征之间的语义联系。针对这两个问题,提出非负局部Laplacian稀疏编码和上下文信息的图像分类算法。方法 图像特征表示包含两个阶段,第一阶段利用非负局部的Laplacian稀疏编码方法对局部特征进行编码,并通过最大值融合得到原始的图像表示,从而有效改善编码的不稳定性;第二阶段在所有图像特征表示中随机选择部分图像生成基于上下文信息的联合空间,并通过分类器将图像映射到这些空间中,将映射后的特征表示作为最终的图像表示,使得图像特征之间的上下文信息更多地被保留。结果 在4个公共的图像数据集Corel-10、Scene-15、Caltech-101以及Caltech-256上进行仿真实验,并和目前与稀疏编码相关的算法进行实验对比,分类准确率提高了约3%~18%。结论 本文提出的非负局部Laplacian稀疏编码和上下文信息的图像分类算法,改善了编码的不稳定性并保留了特征之间的相互依赖性。实验结果表明,该算法与现有算法相比的分类效果更好。另外,该方法也适用于图像分割、标注以及检索等计算机视觉领域的应用。     

基于特征融合的图像情感语义分类

基于颜色或颜色-空间信息的图像分类方法,由于没有考虑图像中所含目标对象的形状特征,分类效果不够理想,以服装图像作为数据源,提出并设计了颜色-边缘方向角二维直方图,将图像的颜色特征与形状特征融合起来进行图像分类。图像中的低阶可视化特征与高阶情感概念之间有着密切的关联,分析了服装图像的颜色和形状的融合特征与情感之间的相关性,采用概率神经网络作为分类算法来完成情感语义分类,实验结果表明,该方法的分类精度有了明显的提高。     

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。     

Fully automatic and segmentation-robust classification of breast tumors based on local texture analysis of ultrasound images

Region of interest (ROI) is a region used to extract features. In breast ultrasound (BUS) image, the ROI is a breast tumor region. Because of poor image quality (low SNR (signal/noise ratio), low contrast, blurry boundaries, etc.), it is difficult to segment the BUS image accurately and produce a ROI which precisely covers the tumor region. Due to the requirement of accurate ROI for feature extraction, fully automatic classification of BUS images becomes a difficult task. In this paper, a novel fully automatic classification method for BUS images is proposed which can be divided into two steps: “ROI generation step” and “ROI classification step”. The ROI generation step focuses on finding a credible ROI instead of finding the precise tumor location. The ROI classification step employs a novel feature extraction and classification strategy. First, some points in the ROI are selected as the “classification checkpoints” which are evenly distributed in the ROI, and the local texture features around each classification checkpoint are extracted. For each ROI, all the classification checkpoints are classified. Finally, the class of the BUS image is determined by analyzing every classification checkpoint in the corresponding ROI. Both steps were implemented by utilizing a supervised texture classification approach. The experiments demonstrate that the proposed method is very robust to the segmentation of BUS images, and very effective and useful for classifying breast tumors.     

面向情感特征的风景图像分类研究及其实现

视觉活动是认知外部世界的主要途径,视觉感知源于物体的外形、色彩及纹理。而颜色特征的不同对人类情感变化起着至关重要的作用。鉴于不同风景图像会产生不同的颜色特征和情感特点,如何建立图像颜色特征与用户评价之间的关系并加以鉴别具有重要的研究意义。该文在学习前人提出的各种颜色提取分类算法的基础上,结合图像的颜色直方图对风景图像的颜色特征进行提取,并利用支持向量机的方法对图像进行分类。实验表明,该方法取得了较好的准确率。     

Boosting image classification with LDA-based feature combination for digital photograph management

Image classification is of great importance for digital photograph management. In this paper we propose a general statistical learning method based on boosting algorithm to perform image classification for photograph annotation and management. The proposed method employs both features extracted from image content (i.e., color moment and edge direction histogram) and features from the EXIF metadata recorded by digital cameras. To fully utilize potential feature correlations and improve the classification accuracy, feature combination is needed. We incorporate linear discriminant analysis (LDA) algorithm to implement linear combinations between selected features and generate new combined features. The combined features are used along with the original features in boosting algorithm for improving classification performance. To make the proposed learning algorithm more efficient, we present two heuristics for selective feature combinations, which can significantly reduce training computation without losing performance. The proposed image classification method has several advantages: small model size, computational efficiency and improved classification performance based on LDA feature combination.