融合颜色和纹理的多特征匹配算法

传统SURF算法在对彩色图像匹配时仅基于灰度图像提取单一特征构建特征描述,在特征相似区域易导致误匹配,为提升图像配准精度,提出了一种多特征融合匹配算法.首先利用SURF算法进行特征点检测并构建特征描述符;其次,将彩色图像转换到归一化RG颜色空间,提取特征点邻域内的局部差值纹理信息,叠加到SURF描述符构成改进多特征描述...     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

基于近红外高光谱成像技术的长枣含水量无损检测

利用近红外(NIR)高光谱(900~1 700nm)成像技术对灵武长枣含水量的无损检测进行了研究。通过900~1 700nm高光谱成像系统采集了128个长枣图像,对原始光谱与Savitzky-Golay平滑处理后的光谱反射率R曲线、吸收率A曲线和Kubelka-Munk函数(KM)等曲线的偏最小二乘回归(PLSR)模型进行对比分析;采用PLSR的加权β系数分别提取不同光谱参数下的特征波长,建立RPLSR、A-PLSR和KM-PLSR的长枣含水量预测模型。结果表明,采用原始光谱建立的PLSR模型优于Savitzky-Golay平滑的PLSR模型;原始光谱的特征波长建立的PLSR模型优于全波段的PLSR模型,特征波长建立的KM-PLSR模型优于R-PLSR、A-PLSR模型,决定系数(R2)和预测均方根误差(RMSEP)分别为0.793、1.828。这表明,NIR高光谱成像技术提取特征波长进行长枣水分检测是可行的,同时也为今后长枣品质在线检测提供了理论依据。     

基于双模态特征增强的目标检测算法研究与应用北大核心CSCD

为提升目标检测算法在复杂环境下的精确性和实用性,将多源信息和深度学习技术相结合,提出了一种基于双模态特征增强的目标检测方法。该方法以红外和可见光图像作为输入,利用颜色空间转换、边缘提取、直方图均衡化等传统图像处理方法丰富图像信息,达到数据增强效果;特征提取部分采用卷积神经网络结构分别提取目标红外及可见光信息,并设计混合注意力机制分别从通道和空间位置角度提升有效特征权重;同时,针对目标双模态信息,引入了自适应交叉融合结构,提高特征多样性;最后,利用交替上下采样将目标全局和局部特征充分融合,并以自主选择方式提取目标相关特征实现检测。通过在标准数据集以及实际场景数据集上的实验结果表明,所提方法有效融合并增强了目标多模态特征,提升了目标检测效果,并能较好的应用于电网场景中,辅助机器人完成目标设备检测。     

基于信息熵和Gabor滤波器的图像检索

采用颜色和纹理的多特征提取,将图像按照一定的规则进行分块,对各个分块分别进行各种特征向量的提取.采用HSV颜色空间把颜色特征量化到72个颜色空间得到72柄的一维直方图,计算图像信息熵;纹理特征采用Gabor滤波器.该种分块方法能够很好的利用图像内容的空间信息,综合颜色和纹理特征能够有效地提高查全率和差准率.     

基于近红外高光谱成像技术的长枣含水量无损检测

利用近红外(NIR)高光谱(900～1700nm)成像技术对灵武长枣含水 量的无损检测进行了研究。通过900～1700nm 高 光谱成像系统采集了128个长枣图像,对原始光谱与Savitzky-Golay 平滑处理后的光谱反 射率R曲线、吸收率A曲线和Kubelka-Munk函数(KM )等曲线的偏最小二乘回归(PLSR)模型进行对比分析;采 用PLSR的加权β系数分别提取不同光谱参数下的特征波长,建立R-PLSR、A-PLSR和KM-PLSR的长 枣 含水量预测模型。结果表明,采用原始光谱建立的PLSR模型优于Savitzky-Golay平滑的PLS R模 型;原始光谱的特征波长建立的PLSR模型优于全波段的PLSR模型,特征波长建立的KM-PLSR模型优于R- PLSR、A-PLSR模型,决定系数(R²)和预测均 方根误差(RMSEP)分别为0.793、1.828。这表明,NIR 高光谱成像技 术提取特征波长进行长枣水分检测是可行的,同时也为今后长枣品质在线检测提供了理论依 据。     

基于四阶累积量的波段子集高光谱图像异常检测

针对由于高光谱图像光谱和空间分布的复杂性导致核RX算法检测性能不高这一问题,提出了基于四阶累积量的波段子集非线性异常检测算法。首先先依据各相邻波段间的相关系数,将原始图像数据划分为多组波段子集;然后,利用主成分分析(PCA)构造的正交子空间对各波段子集进行背景抑制,得到图像误差数据;在此基础上,再次利用PCA提取各波段子集的特征信息,使异常目标信息集中于前面几个波段;最后,提取各子集主成分中含有最大四阶累积量值的波段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对算法进行仿真,结果表明,本文算法检测精度高,虚警率低,性能明显优于核RX算法。     

高光谱成像技术对牛肉水分含量及分布的快速检测

利用可见/近红外高光谱成像技术对牛肉水分含量 及分布进行快速检测。采用可见/ 近红外高光谱成像系统(400000 nm)采集150个黄牛肉样本的高光谱图像,利用ENVI软件 提取样本感兴趣区域(ROI)并计算平均光谱值;对原始光谱数据进行预处理并利用连续投 影算法(SPA)、竞争性自适应重加权算法(CARS)和无信息变量消除算法(UVE)进行特征 波长提取,建立基于不同特征波长的偏最小二乘回归(PLSR)模型,进而优选牛肉水分含量 预测的最优模型。通过蒙特卡罗交叉验证法剔除26个异常样本值;经卷积平滑(Smoothing - SG)法预处理后的原始光谱数据所建PLSR模型效果较好,其校正集决定系数(R²c)与预测集 决定系数(R²p)分别为0.817、0.850;利用CAR S、SPA、UVE法分别优选出12、27、27个特征 波长;对比基于全波段光谱与特征波段光谱所建PLSR牛肉水分预测模型的优劣,结果显示基 于CARS-PLSR法建立的牛肉水分预测模型效果最好,其R²_c 、R²p值分别为0.814、 0.750,校 正集均方根误差(RMSEC)与预测集均方根误差(RMSEP)分别为0.477、0.555;最后,利用CARS -PLSR模型计算牛肉样本每个像素点的水分含量并利用伪彩色图对牛肉样本水分分布进行可 视化分析,进而实现牛肉水分含量的快速检测及分布的可视化表达。该研究结果可为黄牛肉 水分含量的快速检测提供理论支撑。     

改进的PCNN模型在多光谱与全色图像融合中的应用研究

介绍了PCNN模型原理,提出了基于双通道自适应的PCNN多光谱与全色图像融合算法。该算法首先将RGB空间的多光谱图像转换为HSV彩色空间,然后将HSV彩色空间中的非彩色通道(V通道)的灰度像素值和全色图像的像素灰度值分别作为PCNN-1及PCNN-2的神经元输入,利用方向性信息作为自适应链接强度系数,对非彩色通道图像和全色图像进行自适应分解,再将点火时间序列送入判决因子得到新的非彩色通道图像,最后将原多光谱图像的H通道分量、S通道分量及新的V通道分量经HSV空间逆变换获得最终的融合图像。实验结果表明,该算法不仅解决了链接强度系数自动设置的问题,而且充分考虑到图像边缘和方向特征的影响,无论在主观视觉效果,还是客观评价标准上均优于IHS、PCA、小波融合等其他图像融合算法,同时降低了计算复杂度。     

Image annotation using multi-view non-negative matrix factorization with different number of basis vectors

Automatic Image Annotation (AIA) helps image retrieval systems by predicting tags for images. In this paper, we propose an AIA system using Non-negative Matrix Factorization (NMF) framework. The NMF framework discovers a latent space, by factorizing data into a set of non-negative basis and coefficients. To model the images, multiple features are extracted, each one represents images from a specific view. We use multi-view graph regularization NMF and allow NMF to choose a different number of basis vectors for each view. For tag prediction, each test image is mapped onto the multiple latent spaces. The distances of images in these spaces are used to form a unified distance matrix. The weights of distances are learned automatically. Then a search-based method is used to predict tags based on tags of nearest neighbors’. We evaluate our method on three datasets and show that it is competitive with the current state-of-the-art methods.     

一种超高分辨率遥感图像融合新算法

该文针对超高分辨率的全色光图像和多光谱图像的融合,提出了一种基于对应分析的图像融合新算法。该算法在对多光谱数据进行对应分析的基础上,利用冗余小波变换提取出全色光图像的空间细节信息并将其融入到成分空间。实验分别采用IKONOS和QuickBird数据,融合结果的目视效果与客观评价表明,相比现有同类融合方法,该方法能够在提高空间分辨率的同时更好地保持光谱特性,有效地减少了色彩失真的现象。     

结合集成比例训练的彩色JPEG图像隐写分析

该文提出一种YCbCr颜色空间的彩色JPEG图像隐写分析方法。该方法中的特征包括通道内特征和通道间特征,首先从Y通道提取Markov特征,扩展DCT特征以及共生矩阵特征构成通道内特征集合,通道内特征可以有效捕捉到Y通道内DCT系数之间的相关性;然后对Y通道进行下采样,从采样平面与CbCr平面相互之间的差分平面上提取特征构成通道间特征集合,通道间特征可以捕捉到两两通道之间的相关性。由于通道内特征和通道间特征在分类性能上有着较大差别,在分类阶段由通道内特征和通道间特征分别训练子分类器,通过调整两类子分类器的比例,使用多数投票方式来合成集成判决结果,最终获得最佳的检测性能。实验结果表明,该方法不仅适合小嵌入率的彩色JPEG图像,而且在性能上优于已有的JPEG图像隐写分析方法。     

一种改进的综合BTC颜色矩和DT-CWT的图像检索算法

摘 要：特征提取是基于内容的图像检索中的关键技术。针对基于单一特征检索效果不理想的问题,提出一种改进的综合颜色和纹理特征的图像检索算法。该算法在YIQ颜色空间中进行特征提取,首先结合方块编码（BTC）的思想,提取颜色矩作为颜色特征;采用双树复小波变换（DT-CWT）提取纹理特征,融合两种特征并利用相似性度量方式进行图像检索。实验结果表明算法所提取的颜色、纹理特征更利于检索,使用综合特征检索的平均查准率比同类算法更高。     

Classification of farmland images based on color features

Farmland images recognition and classification are of great significance in farmland environmental perception. Since the open and unstructured farmland environment has complex scenes, and is easily affected by various factors, furthermore, environmental information is uncertain and hard to predict. Based on hue saturation value (HSV), hue saturation lightness (HSL) and hue saturation intensity (HSI) color space models, taking use of image analysis and classification technology, this paper realizes the classification of farmland images in different environments. On the basis of color space, eight color features of the images are extracted. First, we conducted non equal interval quantification and drew the color feature curves, after that, we selected five eigenvectors which can correctly classify the images. Then, principal component analysis (PCA) was used for dimension reduction. Finally, radial basis function (RBF) neural network was joined for the extraction of images in the same scenes and different ones. The performance of the use of multiple color spaces combining with PCA and RBF shows that the average recognition rates of sunny days and cloudy days in the same scenes and different scenes are 100%, 87.36% and 84.58%, 68.11% respectively. Therefore, this method has higher recognition rate than BP neural network.     

远紫外遥感O/N2反演图像质量的评价方法

针对电离层远紫外遥感的O/N₂反演图像质量评价应用,以GUVI网站发布的图像为参考,分别从RGB和HSV两种颜色空间对获取的远紫外O/N₂图像的反演质量进行了对比分析。利用RGB颜色空间的评价函数和HSV颜色-空间直方图相交匹配的方法评价了反演图像与参考图像间的相似程度,待评价图像与参考图像之间具有较高的一致性。结果表明,从图像的角度评价远紫外遥感热层O/N₂图像的反演质量是切实可行的。     

DDN前景提取结合映射模型学习的行人再识别

随着视频监控设备的广泛应用,行人再识别成为智能视频监控中的关键任务,具有广阔的应用前景。该文提出一种基于深度分解网络前景提取和映射模型学习的行人再识别算法。首先利用DDN模型对行人图像进行前景分割,然后提取前景图像的颜色直方图特征和原图像的Gabor纹理特征,利用提取的行人特征,学习不同摄像机之间的交叉映射模型,最后通过学习的映射模型将查寻集和候选集中的行人特征变换到一个特征分布较为一致的空间中,进行距离度量和排序。实验证明该算法能够提取较为鲁棒的行人特征,可克服背景干扰问题,行人再识别匹配率得到有效的提高。      

基于NSST和高斯混合模型的医学图像融合算法

提出了一种基于非下采样剪切波变换（Non-subsampled shearlet transform, NSST）和高斯混合模型的医学彩色图像融合算法。首先将彩色图像转换到HSI颜色空间,提取其色度分量图像、饱和度分量图像和强度分量图像;然后对强度分量图像和MRI图像进行NSST变换,其中低频系数采用基于区域系数改进拉普拉斯能量和（Sum-modified-Laplacian,SML）加权的融合规则,高频系数采用高斯混合模型估计参数取大的融合规则;对融合后的系数进行NSST逆变换重构融合后的强度分量图像;最后将融合后的强度分量图像与色度分量图像、饱和度分量图像混合得到融合后的HSI图像,再将HSI图像转换到RGB颜色空间得到融合后的彩色图像。仿真实验表明,该算法在视觉效果和客观评价指标上具有更好的融合效果。     

基于克隆选择和多重空间构造的彩色图像分割

该文提出一种基于克隆选择和多重空间构造的彩色图像分割方法。该方法首先将一些常见的颜色分量分为亮度成分、单频光谱成分、双频光谱成分、多频光谱成分,利用主分量分析技术(PCA)分别对其进行计算,得到最具有识别能力的颜色分量来构造多重颜色空间;然后利用克隆选择算法对样本进行自学习,得到全局最优的聚类中心;最后用得到的聚类中心对图像进行分割。由于该文的方法结合了克隆选择算法的非线性分类能力,通过对彩色图像自适应的构造最佳多重空间,能够快速准确地得到分割结果,克服了传统分割方法使用固定颜色空间以及容易陷入局部最优的缺点。通过实验表明,该方法对彩色图像同质区的分割均匀,边缘保持度好。此外,新方法对彩色图像的亮度和纹理变化不敏感,鲁棒性较强。