基于随机森林的脑磁共振图像分类

特征选择和分类算法是影响脑磁共振图像分类精度的2个最主要的因素。随机森林算法作为一种优秀组合分类器逐渐成为近年来研究的热点,通过加权脑磁共振3种（T1、T2、PD加权像）图像,采用非统一滑动窗口尺寸提取二维图像的纹理特征、形状特征、HAAR特征、灰度特征以及边缘检测算子、最大类间方差（OTSU）作为随机森林算法的输入特征,从而分类出图像的10类组织。经过对加拿大蒙特利尔神经科学研究院提供的脑仿真核磁共振图像实验,随机森林算法对二维脑MR图像的分类精度可以达到94%以上。     

基于视觉颜色模型的火灾图像分割

本文介绍了一种火灾图像的颜色提取算法。根据色彩空间(R,G,B)到(H,I,S)的变换公式和颜色相似距离的概念,先将彩色图像量化为256色,再根据颜色距离提取色彩。试验证明该方法计算简单,处理速度快,为进一步进行火灾图像的识别奠定了基础。     

基于词包模型的高分辨率SAR图像特征提取

特征提取在图像处理中是重要的一环,传统的特征提取算法已无法满足高分辨率图像的要求。研究运用高分辨率SAR图像的词包模型特征提取算法,旨在进一步优化对高分图像的解析。首先通过SIFT 算法提取图像关键点,再对关键点进行特征向量提取。在词包模型的特征向量提取中,将边缘算子和WLD描述子作为新的特征向量加入词包模型中,以此提高特征分析对于边缘检测能力以及减少光照差带来的影响。通过对什邡城区SAR图像实测数据的特征提取和分类实验,证明新的词包模型算法具有更好的稳定性和有效性。     

基于通用距离测量的机器学习方法用于图像分类和聚类

针对图像分类识别问题,提出了一种用于图像特征提取的新方法.首先定义了基于图像字符串的复杂度和以及通用图像距离(UID),然后依次提出了测量通用图像距离的UID距离测量算法,在维持特征类别之间的固有差异条件下对图像原型进行选择的原型选择算法,利用原型选择算法创建图像的特征向量表示从而生成待分类图像的特征向量的特征向量生成算法,最后基于前述算法提出了对图像的感兴趣区域进行分离的图像分类学习算法.将所提出的方法应用于卫星图像数据的几个监督和非监督学习实验,结果表明文中所提方法效果理想.     

基于变压器故障分类的DGA特征提取

为提高诊断效果,利用DGA诊断电力变压器故障时,可从模式识别的角度出发,针对具体的分类模式,提取出能区别不同类别模式的“选择性”信息。选择和测试放电与过热故障、电路过热与磁路过热故障的气体特征的结果表明,根据不同的分类模式提取气体特征对提高故障识别效果有益。     

图像栈的特征提取以及在线虫分类中的应用

三维多焦距图像栈中的有效信息分布在不同的图像层上,其特征提取及分类跟普通二维图像有很大区别。针对图像栈的分类问题,提出了一种基于多方向图像融合的多线性特征提取和分类方法。首先,通过图像融合获取三维图像栈沿多个正交方向的融合图像,并从中提取特征;然后,通过典型相关分析(canonical correlation analysis,CCA)方法,将不同方向融合图像提取的特征进行融合并抽取组合的典型相关特征用于图像分类;其次,由于图像栈数据包含了样本、类别和方向等多个影响分类的因素,因此将多方向图像融合方法嵌入到多线性分析中,综合考虑多个因素交互作用时对图像栈分类的影响。本文提出的方法在线虫图像栈数据上进行了实验,识别率达到了97.0%,实验结果表明该方法具有较高的准确性。     

小波变换在HSV颜色空间上的图像检索应用研究

在传统的基于小波变换的图像检索方法中,并没有对HSV颜色空间的不同颜色分量进行小波变换并考虑它们的重要性大小。针对这个问题,提出一种新的在HSV颜色空间中利用小波变换进行图像检索的方法。该方法首先将每张图像由RGB颜色空间转换到HSV颜色空间,然后分别对图像的每个颜色分量（H,S,V）进行小波变换,并用小波系数矩阵的二阶矩表示图像的纹理特征,从而得到图像的特征向量,最后根据三个颜色分量重要性大小合理分配权值,计算查询图像与图像数据库中图像的相似度,得到图像检索结果。实验结果表明,本方法在图像实验数据库中能获得较好的检索效果。     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。     

视觉显著性纹理—色彩特征融合的图像目标分类

针对图像目标分类,提出了一种显著性纹理特征.考虑到显著目标图像在纹理特征表征上的优势,在目标显著性图像提取的基础上进一步提取视觉显著性纹理特征.进而将该视觉显著性纹理特征同HSV色彩特征进行融合,形成图像目标融合特征,输入至后端分类器中进行分类.多类别的交叉实验证明,基于该融合特征的目标分类方法能够较为准确的对图像目标进行分类,在SIMPLIcity图像数据集上平均分类正确率达到84.84％,在Corel图像集上平均分类正确率为85.05％,优于基于单一分类特征的图像分类方法.     

基于非线性尺度空间SIFT的SAR图像特征点提取

针对SAR图像特征提取中的相干斑问题,提出一类非线性尺度空间的构造方法,用于提取具有尺度不变特性的特征点。首先,利用SAR图像特有的频域多视处理,代替尺度空间中的空域降采样,构造多分辨率图像,提高了辐射分辨率,抑制了相干斑。其次,基于改进的增强Lee滤波,建立非线性尺度空间,在保留特征细节的同时,进一步抑制了相干斑。 实验结果表明,该方法相比典型的高斯尺度空间和一般的非线性尺度空间,能更好的抑制相干斑噪声,提高了特征点提取数量和正确匹配点数量。     

基于Retinex理论的低照度下输电线路图像增强方法及应用

为提高低照度环境下输电线路图像视频在线监测设备分析的准确性,提出一种基于Retinex理论的低照度图像增强方法.首先采用改进型同态滤波算法增强低照度图像的RGB分量,然后将图像转换至HSV色彩空间中.对多尺度Retinex算法增强图像进行改进,采用双边滤波函数替代Gaussian函数作为Retinex算法的环绕函数,引...     

基于特征提取和多示例学习的图像区域标注

随着web2.0的不断发展,在Flickr等图像共享网站中越来越多的用户在上传图像的同时提供了标注,因此如何确定这些已有的标注在图像中的相关性区域成了一个热门的研究问题。提出了一种基于图像低层视觉特征和多示例学习方法的图像区域标注方法,文中的方法首先对图像进行分割,对分割后的图像区域提取低层视觉特征作为它的区域特征,最后通过多示例学习问题的多样性密度算法思想来对图像进行区域标注。实验中对已被标注的大量数据集进行分析,正确率达到了85%,与已有的图像区域标注方法相比,在区域标注的正确率上有着明显的改善。     

基于形状特征的图像检索系统的设计

基于图像形状特征的图像检索方法已成为一个研究热点。为了便于在众多的图像信息库中快速、准确的检索出所需图像,研究了基于形状特征图像检索的主要步骤,且对步骤中所涉及的算法做了比较、选取、改进。利用MATLAB语言开发了一个基于形状特征的图像检索系统。并对该系统进行了测试,通过测试表明该系统可以有效的检索出相似的图像,且对于实验结果做了查全率和查准率的计算与分析,结果证明该系统切实可行具有一定的推广价值和使用价值。     

旋转机械状态非线性特征提取及状态分类

为提取淹没于环境和结构噪声下风力机轴承故障信号,基于能量追踪法,提出改进变分模态分解法(improved variational mode decomposition, IVMD),并采用粒子群算法求解最优约束因子,获取准确模态分量;摒弃传统对故障特征频分量的提取,基于非线性分形理论提出多重分形谱特征因子(multi-fractal spectrum,MFC)以选取最具非线性特征的模态分量,以不同故障程度及状态的轴承加速度信号为对象,采用优化递归变分模态分解获取多分量,通过多重分形谱特征因子最大值选取有效信息分量,通过支持向量机进行故障分类。结果表明优化递归变分模态分解可准确分解振动信号至不同频段,以便故障信息提取;多重分形谱特征因子与信噪比呈正相关,以其最大值选取的分量具备更多有效信息;对IVMD-MFC所选取非线性分量,通过8种非线性特征值构建特征矩阵,通过BP神经网络实现故障分类,诊断准确度达97.5%。表明所提出方法可对不同故障程度的轴承状态进行区分。     

基于统计特征分类耦合自适应 Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。     

基于C-SIFT特征向量图像复制粘贴篡改取证算法

如今网络时代中充斥着大量经篡改的图像,目前检测方式如局部不变性特征描述、Harris角点算法对复制粘贴篡改地检测准确率较低。通过对彩色图像分块、色彩空间边缘化提取、图像灰度化得到完整的灰度化局部图像。利用对不同图像块中的特征向量集提取、标记、匹配和归一化处理,在欧氏距离达到某一阈值后特征向量匹配成功,即检测到图像具有复制粘贴篡改的痕迹。最后选择3类不同的照片仿真测试,说明该算法可有效提升复制粘贴篡改图像的检测成功率、检测速率。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于深度自编码器的数字化输电线路地形特征提取方法研究

在输电线路的设计中,对输电线路的地形特征判别是实现输电线路成本估算以及安全设计的重要步骤.为解决对输电线路中的地形进行快速判别问题,文章研究了一种基于深度自编码器的数字化输电线路地形特征提取方法.基于数字化勘探技术建立复杂地理信息的数字化模型,再根据建立的数字模型使用深度自编码器进行特征提取.在深度自编码器的训练过程中...