利用不同尺度下复杂性的差异区分文字和照片

将信号分成多个区域,给予“0”,“1”新的定义,计算不同尺度下的复杂性而不增加符号数目．对文字图像和照片的分析显示,随着尺度的减小,照片复杂性增大的幅度大于文字．该结果说明：不同尺度下复杂性的差异可以作为图像分类的新方法或者作为现有分类器的特征．     

An Effective Diagnosis System for Brain Tumor Detection and Classification

A brain tumor is an excessive development of abnormal and uncontrolled cells in the brain. This growth is considered deadly since it may cause death. The brain controls numerous functions, such as memory, vision, and emotions. Due to the location, size, and shape of these tumors, their detection is a challenging and complex task. Several efforts have been conducted toward improved detection and yielded promising results and outcomes. However, the accuracy should be higher than what has been reached. This paper presents a method to detect brain tumors with high accuracy. The method works using an image segmentation technique and a classifier in MATLAB. The utilized classifier is a Support Vector Machine (SVM). Discrete Wavelet Transform (DWT) and Principal Component Analysis (PCA) are also involved. A dataset from the Kaggle website is used to test the developed approach. The obtained results reached nearly 99.2% of accuracy. The paper provides a confusion matrix of applying the proposed approach to testing images and a comparative evaluation between the developed method and some works in the literature. This evaluation shows that the presented system outperforms other approaches regarding the accuracy, precision, and recall. This research discovered that the developed method is extremely useful in detecting brain tumors, given the high accuracy, precision, and recall results. The proposed system directs us to believe that bringing this kind of technology to physicians diagnosing brain tumors is crucial.     

CAIMAN: An online algorithm repository for Cancer Image Analysis

CAIMAN (CAncer IMage ANalysis: http://www.caiman.org.uk) is an online algorithm repository that provides specifically designed algorithms to analyse the images produced by experiments relevant to Cancer Research and Life Sciences, especially vascular biology. CAIMAN is accessed through a user-friendly website where researchers can upload their images and the results are returned by email. CAIMAN does not intend to replace more sophisticated software solutions such as ImageJ, Matlab, or commercial packages, but it will provide a first stop where any researcher can upload images and can obtain quantitative results without having to do any programming at all.     

视频图像实时小波变换系统

视频图像实时小波变换系统由CCD摄像头、视频图像采集卡和计算机软件组成．利用数值方法对视频图像进行小波变换，并实时显示变换结果。实验表明该系统对视频图像的实时小波变换具有较高质量和效率，利用Haar小波变换，图像边缘得到明显增强。     

数字图像中基于多尺度几何分析的圆检测算法

特征检测是图像处理和模式识别中非常重要的问题,其检测效果直接影响模式识别和分类。基于多尺度几何分析（MGA）的思想,提出了一种圆检测方法―圆特征域上奇异点算法。该算法首先将圆特征曲线变换到圆特征域上,然后在圆特征域上进行小波分析以找出奇异点,奇异点坐标即为待检圆的坐标。该方法克服了Hough变换对灰度图像圆检测需要考虑灰度阈值或梯度的限制,可直接对二值图像或灰度图像进行检测。最后分析、比较了该算法与Hough算法的不同。     

基于抗噪声局部二值模式的纹理图像分类

局部二值模式(local binary pattern, LBP)特征是一种简单有效的纹理特征描述符,但是它的抗噪声能力较差.针对这一问题,提出一种对噪声较为鲁棒的纹理特征表示方法——抗噪声的完整增强局部二值模式(noise-tolerant complete enhanced LBP, CELBP\\+{NT}).该特征基于局部二值模式特征,对光照、旋转和噪声均具有较好的鲁棒性.其提取过程如下：1)根据LBP中各模式的结构和出现频率对特征中的模式重新分类,提出增强局部二值模式(enhanced LBP, ELBP)特征;2)添加差值的模值信息与中心像素信息,并根据图像尺寸自适应地调整其中的阈值,提出完整增强局部二值模式(complete ELBP, CELBP)特征;3)进一步将该特征进行多尺度下的表示,从而最终提出具有抗噪声能力的纹理特征——CELBP\\+{NT}.通过在常用的纹理数据库上添加不同强度和不同类型噪声的情况进行实验,结果表明：CELBP\\+{NT}不仅能够显著提升无噪声纹理图像的分类性能,而且对含有噪声的纹理图像分类也有显著的性能提高.     

基于特征的高精度自动图像配准方法

提出了一种特征匹配策略,它通过建立一个以匹配矩阵为自变量的函数,将空间关系一致性和特征相似性两方面的准则有机地结合起来,使得该函数在图像的最佳配准位置达到全局最大值.这样,特征匹配问题转化为一个函数最优化问题.采用分支定界法解决了这个整数规划问题.用大量的实际图像测试了该方法,并与多种已有方法进行了比较.实验结果表明,该算法是自动的、通用稳健的,而且配准精度是最高的.     

基于MCFFN-Attention的高光谱图像分类

针对高光谱图像高维度的特性和样本数量少的局限性,提出了一个多尺度跨层特征融合注意力机制（MCFFN-Attention）的方法。对高光谱图像进行PCA降维,然后以3D CNN为基础,将中心像素和其相邻像素作为整体输入到网络中,对不同卷积层得到的特征进行融合。同时对融合的低层特征进行空间注意力机制处理,对融合的高层特征进行通道注意力机制处理,分配给它们不同的权重来优化特征图。在印第安松树和帕维亚大学数据集上进行实验,结果表明此方法相对于CNN、3D CNN和M3D CNN方法,分类精度得到了提升。     

多尺度形态学图像边缘检测方法

在深入地探讨数学形态学在边缘检测领域中的应用的基础上,提出了一种形态边缘检测算子,并用该算子提取图像边缘。然后进行形态结构元素尺度调整,综合各尺度下的边缘特征,得到了噪声存在条件下较为理想的图像边缘,实验证明了该算法的可行性和有效性。     

复杂几何模型的混合绘制算法研究

基于几何与图像的混合建模与绘制是解决复杂几何模型快速绘制的一个有效途径。提出一种复杂几何模型的混合绘制方法，首先给出基于风何投影的Warp变换公式，然后对几何模型进行预绘制，得到具有深度的图像；依据图像分辩率的对该图像进行几何重构，得到具有几何拓真诚关系的图像模型，并对该模型进行进一步修正；最后解决了模型的冗余检测问题。实验结果表明，该方法可以在保证较高逼真度的前提下实现复杂模型的快速绘制。     

融合多尺度码本的全局编码图像分类

目的词袋模型在图像分类领域中的分类效果主要受限于局部特征的量化误差。针对这一点,提出一种融合多尺度码本的全局编码图像分类方法,有效减少特征量化误差。方法通过使用多尺度特征密集采样,构建多尺度码本,使码本具备一种层次结构,通过充分利用图像特征的流形结构,计算码本全局信息,实现全局编码。通过本文方法得到的编码系数比较平滑和准确。最后使用多路径方法,分别将不同尺度的特征表示进行级联,得到最终的图像特征表示。这种特征表示具备了一定程度上的尺度不变性。结果在UIUC-8和Caltech-101两个常用的标准图像数据集上进行测试,分类准确率分别达到88.0%和83.2%。结论实验结果表明,相比于基于固定尺度码本的局部编码方法,本文方法在分类识别率方面有了显著提升。     

一种基于图像纹理分析的分形和SPIHT混合编码

从研究分形图像编码和零树编码各自的优劣点以及它们之间的结合点出发,寻找了一种基于图像纹理分析的分形和SPIHT混合编码,目的在于充分利用景物特征和人眼的视觉特性,提高分形变换和零树在图像编码领域内的协同能力。该方法利用SPIHT算法位平面编码的渐进特性,用基于灰度模型的统计特征分类方法将分形和SPIHT相结合,得到更符合人眼视觉特性的编码方案。实验结果表明,该方法能进行较好的图像块分类,并取得较高的压缩比,而且在人眼视觉允许的范围内且同时又要求高压缩比的情况下具有优势。     

基于内容的图像分类体系

对图像资源的有效使用和管理迫切需要建立图像分类的标准或规范,本文通过采集网络图像样本,考察它们的视觉特征差异情况,提出了基于内容的图像分类体系,并且就每类图像的特点予以介绍,指出了图像中用于分类的鲜明的视觉特征。     

基于内容的图像分类体系

对图像资源的有效使用和管理迫切需要建立图像分类的标准或规范，本文通过采集网络图像样本，考察它们的视觉特征差异情况，提出了基于内容的图像分类体系，并且就每类图像的特点予以介绍，指出了图像中用于分类的鲜明的视觉特征。     

基于最大类间方差法的脑MRI图像分割

针对具体的脑MRI图像分割,经典的水平集方法存在处理时间较长、分割速度慢、不能很好地收敛到物体的实际边缘等缺点,本文采用了最大类间方差法（Ostu法）。文章详细阐述了最大类间方差法在具体的脑MKI图像分割中的应用,并将基于该方法的脑MRI图像边缘检测的实验结果与经典的水平集分割方法的处理结果进行了比较。实验结果显示,最大类间方差法不仅原理简单、运行速度快,而且能够实现边缘的精确检测。     

一种基于多尺度语义分析的图像识别方法*

提出一种基于多尺度语义分析的图像识别方法,首先在多尺度空间中提取语义,然后使用支持向量机对语义进行分类,以达到识别的目的。实验表明,该算法识别准确率高,并能适应存在方向变化、变形等复杂的识别环境。     

多尺度3D胶囊网络高光谱图像分类

为解决有限训练样本下的高光谱遥感图像分类特征提取不充分的问题,该论文提出了多尺度3D胶囊网络方法来助力高光谱图像分类.相比传统的卷积神经网络,所提出的网络具有等变性且输入输出形式都是向量形式的神经元而非卷积神经网络中的标量值,有助于获取物体之间的空间关系及特征之间的相关性,且在有限训练样本下能避免过拟合等问题.该网络通过3种不同尺度的卷积核操作对输入图像进行特征提取来获取不同尺度的特征.然后3个分支分别接不同的3D胶囊网络来获取空谱特征之间的关联.最后将3个分支得到的结果融合在一起,采用局部连接并通过间隔损失函数得到分类结果.实验结果表明,该方法在开源的高光谱遥感数据集上具有很好的泛化性能,且相比其他先进的高光谱遥感图像分类方法具有较高的分类精度.     

Modified Visual Geometric Group Architecture for MRI Brain Image Classification

The advancement of automated medical diagnosis in biomedical engineering has become an important area of research. Image classification is one of the diagnostic approaches that do not require segmentation which can draw quicker inferences. The proposed non-invasive diagnostic support system in this study is considered as an image classification system where the given brain image is classified as normal or abnormal. The ability of deep learning allows a single model for feature extraction as well as classification whereas the rational models require separate models. One of the best models for image localization and classification is the Visual Geometric Group (VGG) model. In this study, an efficient modified VGG architecture for brain image classification is developed using transfer learning. The pooling layer is modified to enhance the classification capability of VGG architecture. Results show that the modified VGG architecture outperforms the conventional VGG architecture with a 5% improvement in classification accuracy using 16 layers on MRI images of the REpository of Molecular BRAin Neoplasia DaTa (REMBRANDT) database.