基于统计几何的纹理特征提取及分类算法

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征(SGF)纹理分析方法并与向量机结合构建分类系统。对支持向量机(SVM)的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把一幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

Image feature extraction and classification based on statistical geometrical features

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征（SGF）纹理分析方法并与向量机结合构建分类系统。对支持向量机（SVM）的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把～幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于局部特征的图像实时分类方法

图像分类技术一直以来是图像处理的一个难题,特别是基于内容的网络图像实时搜索和过滤是图像快速分类的基础,利用图像的颜色特征和纹理特征在局部区域进行图像分类,并对敏感区域利用支持向量机SVM分类器来实现多特征的分类,可以快速实时的实现图像分类。     

支持向量机和BP网络改进模型的性能对比研究

通过引入支持向量机（SVM）方法，提出了基于SVM的遥感图像多类分类模型，分析了SVM多类分类器的构造及其参数选取问题，并结合实例，讨论了SVM分类器性能随其本身参数变化情况，最后与几种代表性的BP网络改进模型进行了系统的对比分析。实验表明，SVM方法的分类时间要远大于改进的BP模型，而分类精度优于BP网络改进模型中效果最好的几种优化算法3个百分点左右，是一种有效的图像分类方法。     

基于二层SVM多分类器的桩基缺陷诊断

 为了研究桩基缺陷的快速和准确的分类方法,依据支持向量机(SVM)理论,采用多层分类的方法,改进了一对一SVM多分类器结构,构建了二层一对一SVM多分类器模型,提出了二层多分类计算方法.与BP神经网络相比,二层SVM分类器的学习训练快捷,分类处理的实时性能好,对小样本测试环境的适应能力强,并且具有较好的分类准确率.该方法适合于分析训练样本数量少、分类精度要求高和分类输入输出变量较多的桩基缺陷诊断等多分类问题,对桩基多处缺陷识别的研究也具有重要支持.     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

基于纹理特征驱动AdaBoost算法的海面场景分类

为提高红外成像系统对场景的感知能力,对海面场景分类进行了研究,提出了一种基于纹理特征驱动AdaBoost算法的海面场景分类方法.该方法首先提取图像的纹理特征,然后引入AdaBoost算法进行最优特征选择,构建强分类器,最后通过二叉树结构实现对海面场景的多分类.实验结果表明:该方法适应能力强,对多种复杂的海面场景分类效果好.分类结果可为目标检测算法的选取以及复合制导的综合决策提供依据.     

一种SVM集成的图像分类方法研究*

针对单分类器没有充分考虑数据集的特征而不能很好地完成分类识别,提出了一种基于集成学习技术的SVM集成的图像分类方法。该方法是在基于较为流行的词袋(Bag-of-Words,BOW)模型的图像分类方法的基础上,利用训练生成的不同SVM分类器分类测试图像,并将分类结果采用集成学习算法进行集成。分别采用传统的BOW模型的图像分类方法和本文提出的方法进行分类实验,实验结果表明采用SVM集成的图像分类方法明显提高了分类精度,具有一定的稳健性。     

航拍图像区域多特征紧耦合多级分类算法

提出一种基于多特征紧耦合的航拍图像区域多级分类算法.首先将样本图像从RGB空间转换到HSV空间,分别提取颜色矩特征和Gabor纹理特征,并对Gabor纹理特征进行PCA降维;然后将两种特征相乘构成紧耦合矩阵,进一步生成紧耦合特征向量,并对生成的紧耦合特征向量再次进行PCA降维;接着搭建了由5个概率神经网络分类器构成的多级分类器.最后利用Google Earth软件截取不同时间、不同尺度的图像,作为训练样本和测试样本,进行多级分类器的训练和测试.实验结果表明,相比于单特征及多特征松耦合的分类方法,提出的方法分类精度较高.