共查询到17条相似文献,搜索用时 196 毫秒
1.
引入差异演化(DE)算法来弥补基本概率神经网络的不足,从而提出一种基于差异演化概率神经网络的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用差异演化概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明:该方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。 相似文献
2.
基于双概率神经网络的纹理图像识别 总被引:1,自引:0,他引:1
为提高纹理识别速度,在文献1纹理图像识别正确率较高的基础上,提出一种基于双概率神经网络(DPNN)的纹理图像识别方法。首先构造两个概率神经网络A和B,如果纹理特征明显,以较少的纹理特征能量特征作为网络A的输入参数即可识别,否则再加入统计特征和能量特征一起作为概率神经网络B的输入参数以达到较高的识别率。实验结果表明:采用双概率神经网络的纹理图像识别较文献1有更快的识别速度。 相似文献
3.
论文提出了一种基于EMD进化概率神经网络的纹理图像识别方法.首先,对原始信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再从各IMF分量中提取主要能量特征作为进化概率神经网络的输入参数来识别纹理图像.对不同的自然纹理图像进行了实验,并将结果与小波进化概率神经网络的结果做了比较.实验结果证明,论文方法的正确识别率和识别精度高于小波进化概率神经网络. 相似文献
4.
为了提高图像识别的全面性及准确性,研究了一种基于卷积神经网络(Convolutional Neural Network,CNN)的图像识别方法。该方法利用萤火虫算法获取分割阈值,实现图像目标和背景的分割;利用灰度共生矩阵和基于加速分割测试的特征(Features From Accelerated Segment Test,FAST)算法提取图像纹理和角点特征;以特征为输入,利用卷积神经网络实现目标类别识别。测试结果表明,设计的基于CNN的识别方法的F1分数为最大值,均在0.8以上,能够更全面、更准确地识别图像中的目标类型。 相似文献
5.
关于图像特征提取优化问题,为有效地描述图像特征,提出了一种奇异值分解(SVD)和曲波变换的特征提取方法,首先对图像进行奇异值分解和曲波变换,分别获得图像的奇异值和不同尺度的曲波系数,根据识别成功率选取一组较大的奇异值,并计算各尺度曲波系数的均值、标准差、能量和熵等统计特征.最后利用选取的奇异值和曲波系数的统计特征构造特征集描述图像特征.将提取的特征集应用于纹理图像识别,平均识别率达到了94%.仿真结果表明,改进方法提取的特征集能很好地刻画图像特征,应用于图像识别可获得较高的识别成功率. 相似文献
6.
图像特征的CNN提取方法及其应用 总被引:2,自引:0,他引:2
图像特征的提取是视觉图像识别的重要方法之一,采用细胞神经网络(CNN)并行处理器进行图像特征的提取具有实时快速的优点。该文将介绍CNN并行处理器的基本工作原理及其实现图像特征处理的逻辑组合通用方法,并以图像的纹理分割与识别为例来说明CNN并行处理器应用于视觉图像识别的通用编程方法。 相似文献
7.
8.
纹理图像的分类是目前一个非常活跃的研究课题。针对现有纹理图像分类算法的局限性,本文提出了一种基于Contourlet变换和仿生模式识别方法的纹理图像识别算法。首先应用Contourlet变换获得能量特征的方法提取能量特征,进而利用仿生模式识别算法实现对纹理图像的识别。采用Vistex纹理库数据进行仿真实验,结果表明:与传统的分类方法相比,利用Contourlet变换和仿生模式识别结合进行纹理图像的识别能获得更高的正确率和速度,最佳正确率可达100%。 相似文献
9.
针对不完全小波树形结构分解提取纹理特征仅对清晰度高的图像效果佳,运算速度慢的问题,提出基于形态学预处理的不完全小波树形分解快速提取图像纹理特征的算法。首先采用形态学高帽—低帽变换对图像进行预处理,去除图像噪声,增强对比度;在提取纹理特征时,采用一致性判别;对于一致性强的图像,只利用图像的一部分进行不完全小波树形结构分解提取出能量、方向性等纹理特征,提高了运算速度;最后使用双概率神经网络(DPNN)的方法自适应地对纹理图像进行识别。利用Brodatz纹理库进行了仿真实验,并将该算法应用到了现场拍摄的海水中藻类细胞图像的识别。实验结果表明,该算法特征提取和识别速度快,尤其对于清晰度不高、现场拍摄的纹理图像具有较好的效果。 相似文献
10.
基于Wold模型和支持向量机的纹理识别 总被引:1,自引:0,他引:1
提出一种基于Wold模型和支持向量机的纹理识别新方法,有效解决了方向和尺度变化给纹理识别带来的困难.该方法首先对纹理图像进行傅里叶变换和自适应谱分解,将确定域功率谱的扇形区域能量和环形区域能量分布参数作为纹理扩展特征.然后,利用能量分布特征把纹理的主方向旋转到0°,提取旋转后图像的共生矩阵和小波变换统计参数作为基本纹理特征.在两组分别包含25类单色自然纹理的图像库上进行的识别实验表明,该方法获得了良好的识别效果. 相似文献
11.
针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明:该算法平均鉴别准确率均达90%以上。 相似文献
12.
针对可见光航空遥感监测中,耀斑和云阴影等强噪音的干扰使水中目标很难直接发现这一问题,提出了一种基于Gabor滤波器和BP神经网络的尾迹纹理自动提取算法,通过提取它们运动产生的尾迹实现对它们的准确识别。该方法分为两步:第1步是选取等大小的含尾迹纹理的水面子图像和不含尾迹纹理的水面子图像,通过一组Gabor滤波器得到它们的特征图像,计算每个子图像特征图的均值和方差,将它们作为神经网络的训练样本对BP网络进行训练得到用于识别的网络;第2步是将待提取的整幅图像分成很多与第1步中子图像等大小的子图像,分别计算它们的Gabor特征图像,并得到它们的均值和方差,把它们作为神经网络的输入,得到它们是否是纹理区域,由整幅子图像的识别结果得到一幅二值图像,用Hough变换检测图像中的直线,根据直线的长度判断尾迹是否存在。大量的实验结果表明,该方法能够准确地提取运动目标产生的尾迹纹理。 相似文献
13.
According to the pulverized coal combustion flame image texture features of the rotary-kiln oxide pellets sintering process,a combustion working condition recognition method based on the generalized learning vector(GLVQ) neural network is proposed.Firstly,the numerical flame image is analyzed to extract texture features,such as energy,entropy and inertia,based on grey-level co-occurrence matrix(GLCM) to provide qualitative information on the changes in the visual appearance of the flame.Then the kernel principal component analysis(KPCA) method is adopted to deduct the input vector with high dimensionality so as to reduce the GLVQ target dimension and network scale greatly.Finally,the GLVQ neural network is trained by using the normalized texture feature data.The test results show that the proposed KPCA-GLVQ classifer has an excellent performance on training speed and correct recognition rate,and it meets the requirement for real-time combustion working condition recognition for the rotary kiln process. 相似文献
14.
针对彩色图像信息量大,分割效果自适应性差的问题,对图像语义区域的分割精度进行控制,提取图像的纹理特征值,再通过改进后的概率神经网络模型对测试样本做分类测试,达到提高图像语义提取和分类准确性的目的。实验表明,改进后的概率神经网络对彩色图像语义区域分类的正确性由原先的70%提高到90%,具有较好的分类效果。 相似文献
15.
16.
17.
Supervised texture classification using a probabilistic neuralnetwork and constraint satisfaction model 总被引:9,自引:0,他引:9
The texture classification problem is projected as a constraint satisfaction problem. The focus is on the use of a probabilistic neural network (PNN) for representing the distribution of feature vectors of each texture class in order to generate a feature-label interaction constraint. This distribution of features for each class is assumed as a Gaussian mixture model. The feature-label interactions and a set of label-label interactions are represented on a constraint satisfaction neural network. A stochastic relaxation strategy is used to obtain an optimal classification of textures in an image. The advantage of this approach is that all classes in an image are determined simultaneously, similar to human perception of textures in an image. 相似文献