双光谱在赤潮生物自动识别系统中的应用

为克服人工识别赤潮生物的困难,利用赤潮生物在一定的激发光下可以产生荧光的特性,采用基于赤潮生物的双光谱技术,研制了赤潮生物自动识别系统．该系统可以自动完成对赤潮生物图像的预处理、图像分割、特征提取、特征选择,并建立赤潮生物特征信息数据库,从而最终实现对赤潮生物识别分类．在分类过程中选用了BP神经网络分类器,与人工识别相比,识别的准确率接近90％．     

远距离人体步态识别算法的研究

步态识别是一种新的生物特征识别技术，它旨在根据人们走路的姿势进行身份识别本文就远距离人体识别算法以及步态识别所涉及到的运动分割．特征提取，模式识别进行了研究，给出了实验图像。特别对基于模型的步态特征识别和基于人体行走的步态序列特征进行识别两种方法进行了比较和分析。     

基于图像分析的橘科植物病害识别技术

为实现橘科植物病害的计算机识别和病害程度的科学评价,提出通过分析病害图像,自动提取有效特征,设计分类器模型识别的方法．深入研究了怎样对病害图像进行自动增强处理、病斑分割、特征提取,以及怎样构建分类器模型等技术．最后以常见也容易混淆的五种柠檬病害为例,提取其病斑色调、纹理、形态三种特征向量,分别采用支持向量机和BP神经网络进行训练、测试．实验结果表明,该方法能很好识别植物病害类别,为科学防治和病害危害程度评价提供科学依据．     

转炉炉口序列火焰图像的特征提取

转炉中不同的铜的化学成分对应署不同的炉口火焰特征，本文先是对炉口序列火焰图像进行特征提取．具体过程是每次采两帧，时间间隔是1s．分别求出帧间差图像经过阈值分割出的像素总数和后一幅图像经过阈值分割出的火焰图像像素总数占整幅图像像素总数的百分比，然后融合后一幅图像的主元作为序列图像的特征。实验证明这种特征提取的方法在识别过程中能够得到较理想的识别效果。     

基于自动定位分割的图书识别框架

提出一种基于自动定位分割的图书识别算法,主要包括对拍摄图像进行图书封面区域的自动定位、感兴趣区域(ROI)分割、标准形状矫正以及有效区域的特征提取与相似性匹配部分.自动定位分割部分根据图书封面的几何形状特点,通过基于霍夫变换的形状检测算法对自然场景下拍摄的图书封面图像进行有效区域定位,对ROI进行分割并根据逆仿射变换将其矫正到标准形状;然后对获取的有效图书封面区域进行基于改进的尺度不变特征变换(SIFT)的特征点检测和特征描述,并采用词包(BOW)方法对其进行特征量化和码本学习,从而将定位分割出的图书图像与数据库中图书源图像进行相似性匹配.实验结果表明,对包含一定复杂程度背景的图书图像进行准确的定位分割和矫正,在很大程度上影响着基于特征匹配的图书识别技术的精确度.     

改进FCM和LFP相结合的白细胞图像分类

研究白细胞图像分类识别中有效的图像分割与特征提取方法,以提高白细胞图像的正确识别率.由于某些白细胞(粒细胞)中颗粒的存在,严重影响细胞核与细胞质区域的正确分割,通过将空间信息与核函数融入模糊C-均值聚类(FCM)算法,提出一种改进的FCM算法.应用该算法对白细胞图像进行分割,并采用数学形态学方法对分割后的图像进行处理,获得了很好的分割效果,解决了粒细胞的质核分割难题.对于细胞的纹理特征提取,通过对局部二值模式(LBP)中阈值参数的模糊化,建立了基于局部模糊模式(LFP)的纹理特征提取算法.运用本文方法进行图像分割和纹理提取,以支持向量机作为分类器,对CellAtlas的100幅白细胞图像进行了分类识别的实验,结果表明白细胞的正确识别率达到93％.     

一种基于自适应神经模糊推理系统的图像滤波方法

赤潮是常见海洋自然灾害之一。为了早期预测和预报赤潮的发生,开发了基于流式图像的赤潮监测仪器,它将流式细胞、显微成像以及图像处理技术结合起来,采用基于背景差的方法快速准确地分割出藻类图像;为了克服藻类细胞处于不同生长周期和环境带来的形态和个体差异的影响,提取具有平移、旋转和尺度不变性的几何形状特征与基于灰度共生矩阵的纹理特征,采用一对一的多分类支持向量机进行分类识别。实验结果表明,该算法实现对了海洋原甲藻、红色裸甲藻、拟菱形藻和中肋骨条藻的自动分类,平均识别准确率高达94.37%。     

遥感高光谱图像赤潮识别

针对遥感拍摄的高光谱图像,研究自动读取高光谱数据,提取并绘制反射率曲线,生成伪彩色图像,此方法可用于溢油识别,同样也可适用于赤潮的识别.利用VC 读取高光谱图像数值并利用MATLAB绘制反射曲线,利用光谱分析进行高光谱赤潮识别.试验结果表明,该方法可以有效的划分赤潮水体和非赤潮、并可以区分出过渡水体,从而为赤潮预报提供了可能.     

基于改进遗传算法的图像分割

将改进遗传算法用于图像分割,利用判断分析法和最佳熵自动阈值法两种阈值分割方法进行实验并加以比较,结果表明,利用最佳熵自动阈值法进行的图像分割优于判断分析法.     

远距离人体步态识别算法

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。该文就远距离人体识别算法及步态识别所涉及的运动分割、特征提取、模式识别进行了研究,给出了实验图像,并比较和分析了基于模型的步态特征识别和基于人体行走的步态序列特征识别这2种方法。     

基于PCA和GMM的图像分类算法

讨论了目标图像类和非目标图像类的分类方法.按统计学原理,如果图像类属于目标图像类,则提取图像中目标图像的特征,否则提取整幅图像的底层特征,基于主分量分析（PCA）的图像特征降维方法和高斯混合模型（GMM）分类器,提出了一种图像分类算法,该算法在标准的Corel图像库上进行了测试,并与其它基于GMM的方法进行了比较,实验结果表明了提出算法的有效性.     

一种新的基于目标和特征的图像分类框架

首先提出了一种图像分类的结构。根据子块技术和形状描述技术来获取图像中的目标,如果图像类属于目标图像类,则提取图像中目标图像的特征,否则提取整幅图像的底层特征。然后利用主分量分析方法（PCA）对提取的特征进行降维处理,降维处理后的数据由支持向量机进行分类。该方法在标准的Corel图像库上进行了测试,实验结果表明提出的方法有效地提高了图像分类的性能,图像分类的结果与图像的高层语义概念相一致。     

基于多分辨率的厄米高斯矩的LBP纹理分类

针对LBP（局部二值模式)纹理描述子局限于在单一分辨率下捕获纹理图像的纹理信息的问题,提出一种基于多分辨率的厄米高斯矩的LBP纹理分类方法。首先结合图像纹理的多分辨率特性,采用厄米高斯矩对图像进行多分辨率重构,然后利用LBP纹理描述子对重构图像进行特征提取,最后采用K近邻特征空间距离的分类方法进行纹理分类。选取KTH-TIPS纹理数据库的纹理图像进行测试实验,实验结果表明,与传统LBP纹理分类方法相比,使用多分辨率的厄米高斯矩的LBP纹理分类方法进行纹理分类,可以更加全面地描述图像的纹理信息,使纹理分类准确率更高。     

基于内容分析的特定图像过滤技术研究

文章在分析色情图像的特征的基础上,提出基于肤色模型与轮廓特征的图像过滤方法。重点讨论了基于内容的图像过滤方法,其中包括肤色检测、纹理检测、轮廓检测、特征选取和分类方法(Bayes分类器和SVM分类器)等关键技术。实验结果表明,在混合样本的条件下该方法能够达到80%以上的准确率。     

一种低冗余Dense SIFT特征提取方法

特征提取是图像分类的关键部分之一.现有的Dense SIFT特征采用固定网格和步长以从上到下、从左到右的重叠方式提取特征,如果图像分辨率过大,将会导致提取的图像特征数量非常大,并且引入大量的冗余信息.为此,提出了一种低冗余Dense SIFT特征提取方法.该方法首先对图像进行预处理,实现对图像的紧凑表示;然后,利用数据中心化思想和(l)0范数去除冗余的Dense SIFT特征点,节约特征存储所需的空间,降低后续处理的计算复杂度;最后,将低冗余Dense SIFT特征提取方法应用于图像分类,提出了一种图像分类方案.实验结果表明,采用所提出的Dense SIFT特征提取方法,在减少特征点数量的同时,可以提升特征的区分能力.     

垃圾图像判别中的特征提取与选择研究*

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征,分析了特征的优缺点。结合分类学习算法、仿真实验结果,对已有的主要特征选择和分析方法进行比对,为进一步研究特征提取、特征选择方法,提高垃圾图像分类器的性能和效率提供有价值的参考。     

基于改进对比学习的道路裂缝图像分类

道路裂缝是路面破损的重要组成部分,而道路裂缝分类可以对道路养护策略的制定进行针对性的安排.针对人工标注分类耗时长,效率低等问题,本文提出了一个基于对比学习的道路裂缝图像分类方法,在传统的对比学习框架中,对特征提取部分进行改进,使得模型对细小裂缝的特征更敏感.首先对进行数据增强,其次在特征提取部分对ResNet50的部分进行改进,使用多尺度的方法提取特征;再使用多层感知机(MLP)对提取到的特征进行降维处理,并投影到向量空间;最后使用余弦相似度与用归一化温度标度的交叉熵损失对模型进行优化.实验结果表明,改进后的模型比原模型在裂缝图像上的分类效果提高了0.22%,达到了92.1%,对裂缝图像分类有较好的效果.     

基于颜色特征的家居设计图分类

提出一种基于颜色特征的家居设计图情感分类方法。通过人们对色彩的感知和理解,建立图像颜色特征与情感语义的关系模型。在此基础上,以家居设计图为数据源,提取图像的全局和局部颜色特征,结合基于RBF网络的分类器完成对家居设计图像的风格分类。实验结果证明了该方法的有效性。     

基于计算机视觉的烟叶病害识别研究

针对野外非专业人员对烟叶病害识别的不准确性和受主观因素影响的不足,以烟叶病害中常见的赤星病和野火病为研究对象,运用计算机图像处理技术提出了一种快速分类识别算法,主要包括特征参数提取和病害识别分类两部分。通过赤星病和野火病烟叶病害图像分析,优选出6个病害识别特征参数,建立了两类病害标准特征库。病害识别分类采用基于标准特征库的模糊模式识别算法,并且与模糊C均值聚类识别进行了对比。病害分类识别实验结果表明该分类识别算法具有良好的识别率。     

煤矸石图像分类方法

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题,提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理,采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像,选取煤矸石图像的HOG特征及灰度共生矩阵,分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别;分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络,进行基于卷积神经网络的煤矸石分类识别。研究结果表明,基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%,高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。