胸部CT图像中孤立性肺结节良恶性快速分类

目的：为突破医学影像诊断学依据医学征象进行定性诊断准确度不高的瓶颈,针对胸部CT图像中孤立性肺结节（SPN）定性诊断问题,寻求能够有效表示SPN病理特性的图像特征,实现快速准确地SPN良恶性计算机辅助诊断系统。方法：首先,采取交互式分割方法从胸部CT图像中提取出SPN;其次,直接计算SPN图像的多分辨率直方图得到768维空间信息特征样本集;然后,充分利用具有处理高维数据集优势的支持向量机（SVM）构造SPN良恶性分类器;最后,通过测试样本集对经训练后的SVM分类器进行测试以评价分类性能。结果：经214例病例实验结果表明：240个SPN图像的768维特征计算所用时间为4.83秒,SVM分类器训练测试所用时间为2.24秒,敏感性71.33%,特异性70%,准确度71.67%,接受者操作特性曲线(ROC)下面积(AUC) 0.7864。结论：该系统提取的高维图像空间信息特征能够有效表示SPN特性;没有考虑医学征象进行SPN定性诊断的准确度就达到了71.67%,同时分类速度比传统纹理算法提高了近50倍,为医学影像学解决SPN定性诊断问题提供了便捷、客观的辅助手段。     

基于MEAN-SHIFT和SVM的血细胞图像分割

提出一种新的血细胞图像分割算法,结合无监督和有监督模式识别技术,利用颜色快速提取感兴趣的有核细胞.首先通过mean-shift过程寻找RGB颜色空间中的细胞核、红细胞和背景聚类峰(局部密度最大区域),其中的细胞核图像区域经过适当形态学膨胀后可以得到部分胞浆像素;然后细胞核聚类峰和部分胞浆颜色组成正特征子集,而红细胞和背景聚类峰附近颜色组成负特征子集,训练一个两分类SVM,得到的分类模型随后对图像的颜色空间向量分类,实现细胞区域整体提取.通过颜色量化手段,能够显著减少训练集的颜色向量数量,实现SVM实时训练和分类.借助于mean-shift鲁棒的特征空间分析性能和SVM出色的小样本学习推广能力,该方法对图像颜色变化、染色条件差异等鲁棒性强,无过度分割现象,分割速度和效果均优于流域变换方法.骨髓和外周血涂片的分割试验证明了方法的有效性,已应用于实际图像处理系统.     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

高分辨率遥感影像的平原建成区提取

通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征,提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区,融合多个特征进行学习和分类,从而加强了分类器的鲁棒性和稳定性,提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果,完全消除块状效应,使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试,结果显示:提出方法的平均检测精度为80%,平均召回率高于85%,平均F值可达80%以上,综合指标高于其他方法,验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别,同时避免了漏检和误检,提取出的建成区影像很准确。     

基于CART决策树与改进的AdaBoost的视网膜血管提取算法

本文提出了一种分类回归树(Classification and regression tree, CART)算法与改进的AdaBoost相结合的视网膜血管分割的监督学习算法。该算法对视网膜图像的绿色分量提取、反转、膨胀和增强后分别提取LBP(local binary patterns)纹理特征和局部特征,从而构建出17维特征向量。利用特征向量与专家手工标注的数据构造一个数据集,以特征为节点生成CART二叉树,将CART二叉树作为AdaBoost的弱分类器,通过加入再判决函数对AdaBoost做出一定改进,从而形成强分类器。本算法在DRIVE(digital retinal images for vessel extraction)数据库上进行了实验仿真,实验结果表明,本文所提出的改进算法对血管的分割精度高,包含了完整的血管细节,而且分割出来的血管树的连通性较好,能够反映出血管的分布走势。与传统的AdaBoost分类算法和基于SVM(support vector machine)的分类算法相比,本文所提出的改进算法的平均准确率和可靠性指标都比较高。     

基于小波矩和模糊核聚类的示功图诊断方法研究

提出了基于小波矩特征和模糊核聚类算法的示功图故障诊断方法.通过边缘检测和形态学细化的方法完成示功图的图像分割,采用极坐标下小波不变矩算法提取示功图的形状特征,通过参数选择确定12个小波矩特征量,将特征量输入到模糊核聚类分类器中进行故障类型的分类识别,得到了良好的实验效果,验证了该算法对于示功图故障诊断的有效性.     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。     

基于力度无关鲁棒特征的肌电手势识别方法

为了减小肌肉收缩力变化对肌电信号模式识别的影响,提出了DCSP特征。该特征首先通过CSP算法得到最大化类与类之间距离的空间投影矩阵,然后对投影后的新信号进行差分和归一化处理,最终通过非相关线性判别分析将数据投影到类内距离最小、类间距离最大的低维空间而得到。在两个数据集上验证基于DCSP特征的肌电手势识别正确率,第1个数据集包含10名完整肢体受试者的数据,第2个数据集包含9名上肢截肢者的数据。在识别率测试的4个方案中,DCSP特征的识别正确率均高于CSP特征,在全部力训练,全部力测试的方案上取得最高的识别率(数据集1:95.83%,数据集2:86.93%),相比CSP特征(数据集1:89.01%,数据集2:70.03%),分类准确率分别提升6%和16%。在特征空间分布的2个测试方案上,DCSP特征比CSP特征都具有更小的类内距离和更大的类间距离。相比较于其他研究的识别正确率,DCSP特征比现有的力度鲁棒特征提升了约5%(数据集1)和8%(数据集2),并且性能不依赖于分类器类型。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于高层特征融合的图像语义分割

在深度学习下的图像语义分割中,为了探究高层特征对于户外场景语义分割性能的影响,在对高层特征进行分析的基础上,提出了融合高层特征的图像语义分割方法。在目前主流深度学习框架Caffe下搭建的分割模型,并采用斯坦福8类户外场景数据集对模型进行了训练和测试。测试结果验证了该方法的有效性和准确性。     

基于BP神经网络的手写数字识别系统

针对多数机构面临的大规模报表数据录入问题,提出了一种基于BP神经网络的手写数字识别系统。对输入图像进行图像预处理、图像分割和特征提取,随后将提取的特征信息输入到已经训练好的BP神经网络进行分类识别。训练数据包含140幅大小归一的数字图片,其中100幅作为训练集,40幅作为验证集,并以10幅带有若干手写体数字的图片作为测试集进行识别分析。经Matlab仿真实验结果表明,该分类器具有较短的收敛时间和较为理想的识别精度,在实际工作中具有良好的应用价值。     

基于目标图像组合算法的改进YOLOv5模型

针对YOLOv5目标检测模型训练时间长、检测精度偏低问题,提出一种目标图像组合算法,考虑必要的图像背景及图像覆盖对目标图像进行分割,设计减少图像失真的重组策略提高单张训练集图像内目标个数,降低模型训练时长。改进先验框生成策略,以绝对差值作为距离函数,对训练集目标边框的长和宽分别进行一维K-means聚类,提高先验框对训练集的适应度。提出多层并列卷积结构,对输入特征经过三层并列卷积后的输出进行融合,增强特征表征能力。以VOC2007和VOC2012训练集和验证集作为训练图像,采用目标图像组合算法,模型训练时间减少30%以上,改进先验框生成策略使先验框对训练集的适应度达到0.735。在VOC2007测试数据集上测试,改进YOLOv5模型平均准确率均值（mAP）由79.1%提升至80.3%。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

一种新的复值独立分量分析的特征融合识别方法

摘要：介绍了复值独立分量分析(Complex ICA)的基本原理和算法,并提出了基于复值独立分量分析的目标识别方法。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。本文的创新点在于把复数值独立分量分析的方法应用于多传感器融合的目标识别。实验结果表明,本文提出的方法是可行的,并能获得较高的目标识别准确率。     

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。     

基于SVM的玻璃瓶缺陷分类算法研究

针对玻璃瓶质量检测系统缺陷分类难的问题,选取气泡、结石、裂纹、污点、皱纹这五种常见的缺陷作为分类目标,从研究每种缺陷的图像特征入手,提出了七个统计特征作为分类器的输入特征向量,根据该分类问题的特点构建SVM分类器,采用现场采集的缺陷图像样本对SVM分类器进行训练和测试。实验结果表明:设计的SVM分类器识别率较高,适合玻璃瓶缺陷图像分类。     

多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别

针对不同工况下样本有限不平衡造成滚动轴承寿命阶段识别中少数类样本无法被有效识别的问题,提出了多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别方法。首先,采用随机抽样的方式获得源域多样本训练集,为目标域预测伪标签的同时赋予样本不同的初始权重,充分训练少数类样本;然后,在再生核希尔伯特空间训练各源域样本集的分类器,并通过迭代的方式优化伪标签、更新权重矩阵;最后,通过多分类器集成策略将合适的基分类器集成为强分类器,以获得最终识别结果。结合F-score评价标准,使用宏平均与微平均评价指标对多分类任务进行评价避免了准确率对识别结果的误导。在两组滚动轴承寿命阶段数据集上进行实验验证,证明了所提方法的可行性和有效性。     

废旧铅酸蓄电池的X射线图像识别分类研究

为提高废旧铅酸蓄电池回收效率和金属回收质量,提出采用自动化手段分类废旧铅酸蓄电池。针对该识别分类问题,首先将主成分分析法、线性判别分析法应用于废旧铅酸蓄电池的X射线图像的特征提取。通过支持向量机对提取的训练集图像特征向量进行训练,分别对测试集的图像数据进行分类实验,并对比了不同数量的训练集和不同特征空间维度下各种方法的识别率。实验结果表明,主成分分析法、线性判别分析法可用于废旧铅酸蓄电池X射线图像的识别,并且随着训练集与测试集样本量的增加,二次线性判别分析法表现出较为稳定的识别率。     

基于颜色、梯度矢量流活动轮廓及支持向量机实现白细胞的提取和分类

提出了一种基于图像技术实现白细胞分类的方法。首先,利用彩色图像的信息转换、距离变换和梯度矢量流活动轮廓(GVF Snake)等方法从血液细胞图像中提取出白细胞;然后,利用细胞核在图像中具有较高颜色饱和度的特点,结合数学形态学和GVF Snake方法从白细胞中精确地提取出细胞核。最后,根据细胞的形态、颜色及纹理特征用支持向量机(SVM)对白细胞进行分类。实验结果表明:在上述图像分割的基础上,基于支持向量机分类器的方法对白细胞进行分类,分类准确度能够达到89.6%。与其他传统的分割和分类的方法相比,本文提出的方法具有一定的优越性。     

基于PCA与贝叶斯决策的人脸识别算法

研究了主元分析与贝叶斯决策相结合的人脸识别方法。利用主元分析提取人脸图像训练集的特征子空间,将训练图像和测试图像投影到该子空间,提取特征向量及计算统计特性,利用最小错误率贝叶斯决策规则对测试图像进行分类,从而实现人脸识别。大量实验表明:主元分析能将人脸图像的特征信息有效地映射在特征子空间,同时采用贝叶斯决策规则能够快速准确地对人脸图像进行分类。