基于BEMD和LBP提取特征的纹理分类

对于纹理图像的分类,采用二维经验模式分解将图像分解成一系列的固有模态函数(IMF)和残差,并结合局部二值模式(LBP)对所提取到的各IMF图像和残差图像进行特征提取的方法。为了验证算法的有效性,对自然纹理进行特征提取,并结合支持向量机(SVM)算法对提取的特征向量进行分类,分类精确度达到98%以上。     

改进的BEMD在纹理图像检索中的应用

二维经验模式分解（BEMD）方法把图像分解成一组称为固有模式函数（IMF）和残差,广泛应用在纹理图像的检索中。对BEMD检索纹理图像进行改进,使用快速自适应二维经验模式分解（FABEMD）对纹理图像进行分解,创新性地利用广义伽马分布密度函数来对FABEMD分解出来的IMF系数进行建模,并利用Kullback-Leibler距离来计算两张纹理图像的相似性。实验结果表明,算法快速有效。     

基于BEEMD分解的红外与可见光图像融合

针对二维经验模态分解（BEMD）算法在图像分解过程中存在模态混叠,提出了一种基于二维集合经验模态分解（Bi-dimensional Ensemble Empirical Mode Decomposition,BEEMD）算法的红外与可见光图像融合方法。为了抑制分解过程中存在的模态混叠现象,获得准确的特征分量和残差分量,使用BEEMD算法对图像进行分解。对获得的特征分量采用局部区域能量选择与加权的融合策略进行融合,而残差分量采用模糊逻辑进行融合。将融合后的特征分量和残差分量叠加得到最后的融合图像。实验结果表明,该方法能够很大程度上保留可见光图像的背景信息,同时突出红外图像的目标,具有较好的可视性,而且在平均梯度（AG）、标准差（SD）、信息熵（IE）等客观评价指标方面,也有明显的优势。     

应用非负矩阵分解和RBPNN模型的掌纹识别方法

提出一种基于非负矩阵分解（NMF）和径向基概率神经网络的掌纹识别方法。NFM是一种有效的图像局部特征提取算法,用于图像分类时能得到较高的识别率。考虑PolyU掌纹图像数据库,应用NMF、局部NMF（LNMF）、稀疏NMF（SNMF）和具有稀疏度约束的NMF（NMFSC）算法分别对掌纹图像进行特征提取,并对提取到的局部特征基图像进行分析对比;在特征提取的基础上,应用径向基概率神经网络（RBPNN）模型对掌纹特征进行分类,分类结果表明了RBPNN模型对掌纹特征具有较好的识别能力。实验对比结果证明了基于RBPNN的NMF掌纹识别方法在掌纹识别中的有效性,具有一定的理论研究意义和实用性。     

BEMD分解和W变换相结合的红外与可见光图像融合

目的 针对传统的基于多尺度变换的图像融合算法的不足,提出了一种基于W变换和2维经验模态分解（BEMD）的红外与可见光图像融合算法。方法 首先,为了更有效地提取图像的高频信息,抑制BEMD中存在的模态混叠现象,提出了一种基于W变换和BEMD的新的多尺度分解算法（简称W-BEMD）;然后,利用W-BEMD对源图像进行塔式分解,获得图像的高频分量WIMFs和残差分量WR;接着,对源图像对应的WIMFs分量和WR分量分别采用基于局部区域方差选择与加权和基于局部区域能量选择与加权的融合规则进行融合,得到融合图像的W-BEMD分解;最后,通过W-BEMD逆变换得到最终融合图像。W-BEMD分解算法的主要思想是通过W变换递归地将BEMD分解过程中每层所得低频分量中滞留的高频成分提取出来并叠加到相应的高频分量中,实现更有效的图像多尺度分解。结果 对比实验结果表明,本文方法得到的融合图像视觉效果更佳,既有突出的红外目标,又有清晰的可见光背景细节,而且在平均梯度（AG）、空间频率（SF）、互信息（MI）3个客观评价指标上也有显著优势。结论 本文提出了一种新的红外与可见光图像融合算法,实验结果表明,该算法具有较好的融合效果,在保留可见光图像中的细节信息和突出红外图像中的目标信息方面更加有效。     

结合局部邻域特性和C-BEMD的图像融合方法

针对基于二维经验模态分解(BEMD)图像融合方法的不足,提出一种结合局部邻域特性和可协调二维经验模态分解(C-BEMD)的图像融合方法.为了克服BEMD应用于图像融合时存在的内蕴模函数(IMF)个数和频率不匹配问题,通过固定迭代次数和协调操作提出了适合图像融合的C-BEMD算法;然后利用C-BEMD对源图像进行分解获得IMF分量和残差分量,同时对IMF分量采用基于局部邻域能量的选择与加权平均策略,而对残差分量则采用基于局部邻域可见度的融合规则;最后将融合后的IMF分量与残差分量进行叠加,得到融合后的图像.融合仿真结果表明,该方法对于多聚焦图像、遥感图像和医学图像均可获得视觉效果佳、细节信息丰富的融合图像,优于基于行列交叉的经验模态分解和复数经验模态分解的图像融合方法.     

基于BEMD和分形维数的人脸识别方法

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法（BEMD）结合分形维数（Fractal dimension）进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量（BIMF）,然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。     

基于二维EMD算法的多光谱全色图像融合

为了获得图像的更多信息,全色图像和多光谱图像融合技术被广泛用于获取具有高空间分辨率的全色图像和多光谱图像的信息,以便更好地应用于军事、航空等领域.但目前,多光谱全色图像融合算法中存在色彩失真,波段受限等不足.为了获得图像信息,利用二维经验模式分解(EMD)的方法在处理非平稳信号等方面具有的明显优势,提出二维EMD的新颖图像融合算法.通过在二维经验模式分解(EMD)中创新性地引入开放角,算法将全色图像和多光谱图像分解成若干内蕴模式函数(IMF)和一个残差;然后,用全色图像的高频IMF替换多光谱图像的高频IMF;最后,通过重建混合多光谱图像的IMF获得融合图像.进行仿真,实验结果表明,改进的算法对图像融合是有效的,可为实际研究提供依据.     

基于加权IMF对时间序列相似匹配

经验模态分解（EMD）算法非常适合非稳定序列信号、非线性序列信号以及复杂信号的分解, 具有很高的噪声比。序列信号经过EMD分解为本征模函数（IMF）以及残差序列, 所分解出来的IMF包含了原序列信号不同时间尺度的局部特征信号, 是整个原序列的“去杂”反映。针对IMF所包含的不同尺度的特征这一特性, 给出用EMD分解原始序列信号, 提取其全部有限个本征模函数和残差序列, 根据不同的IMF所包含原序列的特征信息量的大小引入信息权重w, 然后通过欧氏距离对各个序列不同IMF序列进行相似匹配判定, 最后通过综合各个IMF所占权重综合判定时间序列的相似匹配。实验结果表明, 基于IMF对时间序列相似匹配和直接对原时间序列进行匹配, 前者首先对时间序列进行分解, 去掉其噪声等干扰, 提取出IMF间接进行加权匹配, 提高了时间序列的模式匹配精度, 证明了该方法的有效性。     

基于卷积神经网络梯度和纹理补偿的单幅图像超分辨率重建

现有的单幅图像超分辨率重建算法大都在追求高峰值信噪比（Peak signal-to-noise ratio, PSNR）,在特征提取过程中缺少对图像纹理细节信息的关注,导致重建图像的人眼主观感知效果不太理想。为了解决这一问题,本文提出了一种基于卷积神经网络梯度和纹理补偿的单幅图像超分辨率重建算法。具体设计了3条支路分别用于结构特征提取、纹理细节特征提取及梯度补偿,然后利用所提出的融合模块对结构特征和纹理细节特征进行融合。为防止重建过程中丢失图像的纹理信息,提出纹理细节特征提取模块补偿图像的纹理细节信息,增强网络的纹理保持能力;同时,利用梯度补偿模块提取的梯度信息对结构信息进行增强;此外还构建了深层特征提取结构,结合通道注意力与空间注意力对深层特征中的信息进行筛选及特征增强;最后利用二阶残差块对结构和纹理特征进行融合,使重建图像的特征信息更加完善。通过对比实验验证了本文方法的有效性和优越性。     

基于SFA和GLCM的影像特征提取方法

针对遥感影像中同类样本差异性较大的缺点,提出一种基于SFA和灰度共生矩阵(GLCM)的遥感影像特征提取方法。对原始图像进行SFA变换,利用SFA的生物视觉特性消除图像中的同类差异性,对变换得到的图像进行GLCM计算,获得基于SFA和GLCM的新型特征。实验结果证明,SFA预处理能降低遥感影像的同类差异性,提高特征的可区分性,其效果优于传统的GLCM特征提取方法。     

基于灰度共生矩阵的图像纹理特征提取分析

图像纹理作为一种重要的视觉手段,是图像中普遍存在而又难以描述的特征。目前常用的纹理特征提取的方法主要有统计方法、模型方法、信号处理方法和结构方法。灰度共生矩阵即为灰度级的空间相关矩阵,以其为基础的统计方法通过对矩阵统计量的求取较好地提取到了纹理特征,通过选取关键参数编程并进行仿真实现,分别求取了四个方向的灰度共生矩阵及其特征量来分析图像的纹理特征。     

基于GLCM与SVM的印刷机收纸故障诊断方法

提出了印刷画面纹理分析与支持向量机相结合的故障诊断技术,应用于印刷机收纸单元,主要内容包括：采集收纸堆的实时工作图像并进行前处理,通过灰度共生矩阵提取图像纹理特征,针对实际工况利用SVM对纹理特征进行了分析,监测收纸单元的工作状态并判断故障种类,实现了收纸故障的特征提取和故障模式识别。     

基于主色共生矩阵法的数码迷彩纹理特征提取

提出一种基于主色共生矩阵法的数码迷彩纹理特征提取方法.对RWM的主色提取法和灰度共生矩阵法进行改进与综合,在RWM法中增加比例因子避免主要颜色提取错误,在灰度共生矩阵法中增加颜色因子,综合分析纹理特征.实验结果证明,采用主色共生矩阵法提取纹理特征,所设计的数码迷彩视觉伪装效果较好.     

基于ADL小波变换的图像压缩算法

提出一种基于自适应方向提升(ADL)小波变换的图像压缩算法。根据灰度共生矩阵角二阶矩的差异,将图像分割成平坦性不同的分块。对纹理信息较少的块,采用一般提升小波变换以减少变换时间。对纹理信息较多的块,采用方向提升小波以提高变换效果。结合多级树集合分裂编码和算术编码对变换系数和方向信息分别进行编码。实验结果表明,与ADL算法相比,该算法能有效减少方向小波变换时间。     

元胞自动机图的蛋白质二级结构类型预测

蛋白质结构预测是后基因组时代的一项重要任务,蛋白质二级结构预测是蛋白质结构预测的关键步骤。利用氨基酸数字编码模型生成蛋白质序列的元胞自动机图（Cellular Automata Image,CAI）,提出了一种基于灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）提取纹理图像特征的方法。用扩大的协方差算法进行预测,仿真结果显示有较好的分类效果,Jackknife检验的预测成功率达到94.61％。     

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...     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

使用二维EMD的红外和彩色可见光图像融合

针对红外和彩色可见光图像的融合,提出了一种基于二维经验模式分解（BEMD）的新的融合方法。源图像由BEMD分解成为本征模式函数集（IMFs）和残余;再将红外图像的IMFs和残余分别与对应可见光图像的IMFs和残余进行灰度范围匹配后,用加权平均方法进行融合;最后由BEMD重构成融合图像。用此法所得的融合图像增强了红外图像的细节并具有与可见光图像相似的自然色彩。实验中将此法与传统的小波变换方法和主成分分析方法进行了比较,还与经验模式分解（EMD）和复经验模式分解（CEMD）的方法进行了比较,实验结果都证明了该方法的融合效果最优。     

基于SVM的SAR图像分类研究

支持向量机（SVM）是一种卓越的分类方法,灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,而纹理是合成孔径雷达（SAR）图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。