基于颜色空间变量的输电线图像分类及特征提取

针对输电线图像背景复杂多变和单一图像处理方法难以有效处理各种背景类型输电线图像的问题,提出一种基于颜色空间变量的输电线图像分类及特征提取方法。首先根据输电线图像各颜色空间的变量值与图像特征之间的关系对图像进行分类。然后根据不同类别图像特征选用适合的滤波方法通过两次滤波结合去噪,并采用自适应直方图分段均衡化增强图像对比度。通过对Otsu算法得出的阈值进行线性变换确定canny边缘检测参数,提取输电线路边缘。最后根据输电线形状特征和概率霍夫直线变换与形态学运算提出一种边缘优化方法,较好地去除非输电线边缘。结果表明:该方法可以有效处理各种背景类型图像,为输电线路图像智能化处理提供了一种新的思路和方法。     

基于原型嵌入图网络的小样本图像分类

针对在小样本图像分类中传统骨干卷积网络进行特征提取时会有上下文信息单一和感受野受限以及边特征相似度度量缺乏全局性问题,本文提出了一种基于原型嵌入图网络的小样本图像分类算法。首先,将CBAM产生的权重值与ASPP以不同采样率获取的不同尺度特征进行相乘的特征作为图网络的节点嵌入特征。然后,采用原型网络的方法在度量模块中构建了原型节点,使得成对节点之间的相似性计算转化为单个节点与原型节点相似性的和计算,将得到的相似度作为边特征输入图神经网络。最后,利用双图结构在多个更新代后将标签信息从有标签样本传播到无标签样本。在以ResNet-12为骨干卷积网络的算法分类任务中,本文在miniImageNet、tieredImageNet、CUB-200-2011和CIFAR-FS 4个数据集上的5-way 1-shot的任务分类准确率分别达到了71.47%、75.41%、86.21%和79.84%,在以Conv-4作为骨干卷积网络中,本文提出的算法在5-way 1-shot和5-way 5-shot任务中都优于现有的图网络方法。     

基于共性与特性信息融合的遥感场景图像分类

由于遥感场景图像类内差距大即同一类别图像的特性信息相差较大,仅仅依靠特性信息分类的准确率不高,而现有遥感场景图像分类方法忽视了同一类别所具有的相同的共性信息也可以辅助图像识别,对此本文提出一种基于共性与特性信息融合的遥感场景图像分类方法。首先,图像通过卷积网络较浅层与深层得到的简单特征图与复杂特征图相叠加,可认为是此图像注意力集中的特征图,提取此特征图的手工特征LBP作为共性信息。之后与卷积网络提取的特性信息融合并进行分类。本文使用经贝叶斯优化优化超参数的SVM分类器,使其性能达到最佳来消除分类器对实验的影响。在两个数据集UC Merced和AID上的实验,验证其分类精度分别达到了98.80%和96.06%,表明该方法能有效地提升遥感场景图像准确率。在国防,城市规划,地质勘查等领域有重要意义。     

图像融合理论在电容层析成像中的应用

针对图像重建问题,介绍了电容层析成像的系统构成及基本原理,多分辨率图像融合方法和融合规则,并对预处理投影Landweber算法和改进的Tikhonov正则算法所仿真的结果进行图像融合。结果表明:融合图像成像精确度明显地提高,去除冗余信息后的图像更接近原型,可应用于现场两相流的实时图像重建。     

基于深层次多分类生成对抗网络的红外与可见光图像融合方法

为了实现红外和可见光图像信息的良好平衡,本文利用生成对抗网络技术,提出了一种深层次多分类的生成对抗网络红外与可见光图像融合方法。该方法将主辅思想引入到生成器的梯度和强度信息提取中,并提高了生成器卷积层的深度及浅层网络信息提取能力。在鉴别器中使用多分类器同时估计可见光和红外区域的分布。经过连续的对峙学习,使融合结果中具有显著的对比度和丰富的纹理细节信息。实验获得的信息熵及香农熵值为6.86、互信息值为13.72、标准差值为34.82、结构相似性值为0.71。对比实验结果表明,在主客观评价中,本文提出的方法获得更好的红外与可见光图像融合性能。     

基于综合特征和多层感知器的图像分类

图像侦查已经成为军事侦查的主要方法之一,由于侦查图像数据量大,如何对前期图像正确分类,提高后期图像处理效率,成为研究的重点。不同目标类别的图像信息中所反映的特征不同,图像分类是指通过特征把不同类别的目标区分开。一种特征不能全面描述图像的信息,将纹理特征和灰度统计量特征组合为综合特征,多层感知器具有显著的学习和推理能力,可以解决复杂分类的问题,因此提出一种基于图像的综合特征和多层感知器相结合进行图像分类的方法。设计并实现了图像分类系统,使用标准图像库进行实验。首先提取图像的纹理特征和灰度特征,然后将选择的特征值组合成特征向量,进行归一化处理,作为多层感知器的输入,将预测的图像类别作为多层感知器的输出,从而得到分类结果。经过实例验证,分类准确率大于0.8,并将该分类系统应用在某型机试验结果评估系统,分类效果较好,可以为图像处理系统相关应用提供参考。     

多分辨率分析在单视SAR图像的Speckle滤波器中的应用

合成孔径雷达图像的去噪算法大致分为两类：基于概率统计特笥和基于小波变换的算法。本文实现的空－－幅域上的多分辨率分析算法。该算法用信号统计特性上的多分辨率分析代替了直接对信号进行的多分辨率分析,实验显示空－幅域上的多分辨率分析算法可以实现对speckle噪声图像边界的有效判断。     

基于栈式自动编码的图像哈希算法

随着网络图像的快速发展,在大型图像检索系统中哈希算法成为近似最近邻查询算法的研究重点。本文提出一种基于深度模型的哈希算法—深度哈希。通过深度卷积神经网络提取的图像高维全局特征,用栈式自动编码器对特征进行无监督学习得到二进制哈希编码,利用图像标签语义相似性对栈式自动编码器的参数进行微调,最后用汉明距离来计算图像的相似性。本文提出的深度哈希在图像检索中取得了较好的结果。     

基于栈式混合编码器的水质传感器数据融合算法

由于浅层神经网络网络结构和训练方式的限制,网络学习能力和泛化能力在大样本条件下没有深度学习网络强,为此,提出了一种基于栈式混合编码器的水质传感器数据融合算法.该算法通过堆叠自动编码器和稀疏自动编码器形成深度学习网络模型,实现对样本数据的特征挖掘和稀疏表示.经过大规模样本训练后的网络模型能够拟合复杂非线性函数,对低质量的...     

OpenInventor在基于单幅图像三维重构中的应用

阐述由单幅图像获得物体三维数据的数学物理方法,通过变分法将模型转换为泛函的极小值问题,并将其归结为求解线性方程组,由迭代法求解.提出以VC++.net 2003为开发平台,将Openlnventor应用于由单幅图像所获得的三维数据的可视化开发.实例表明,所提出的方法能很好地满足基于图像三维重构的要求.     

基于双通道特征融合编解码网络的极化SAR图像分类

图像分类是极化合成孔径雷达(PolSAR)图像解译的关键。传统卷积神经网络(CNN)逐像素的分类,造成卷积的重复计算。PolSAR图像存在丰富的信息,包括极化相干信息与极化分解信息,因此如何融合信息实现高效分类至关重要。基于极化散射特征分析,以U＿net网络模型为基础,提出了双通道特征融合编解码网络,该网络使用注意力机制特征融合模块将极化相干信息和极化分解特征整合到语义分割框架中,辅助深度CNN分类器训练,实现高精度像素级的标记,同时加入空间金字塔结构有效的提取多尺度特征。该网络结构避免了逐像素切片重复计算,有效提升计算效率。利用AIRSAR获取的旧金山地区PolSAR数据和海南博鳌地区机载PolSAR数据进行试验研究,试验结果两个地区总体分类精度(OA)分别达到97.11%与99.97%,验证了提出的分类方法的有效性与较好的应用价值。     

基于光场 EPI 图像栈的 6D 位姿估计方法

光场相机单次拍摄可以同时记录光线的强度与方向信息,相较于RGB相机能够更好地揭示场景的三维结构和几何特征,在目标6D位姿估计领域具有独特优势。针对现有RGB位姿估计方法存在复杂场景下检测精度低、鲁棒性差的问题,本文首次提出了一种基于光场图像的端到端卷积神经网络目标位姿估计方法。该方法首先利用双路EPI编码模块实现高维光场数据的处理,通过重构出光场EPI图像栈和引入水平和垂直EPI卷积算子,提高对光场空间角度信息关联的建模能力,并由双分支孪生网络进行光场图像的浅层特征提取。其次,设计了带跳跃连接的特征聚合模块,对串联后的水平和垂直方向光场EPI浅层特征进行全局上下文聚合,使网络在逐像素关键点位置预测时有效结合全局和局部特征线索。针对光场数据不足问题,本文使用Lytro Illum光场相机采集真实场景,构建了一个丰富且场景复杂的光场位姿数据集——LF-6Dpose。在光场位姿数据集LF-6Dpose上的实验结果表明,该方法在ADD-S和2D Projection指标下平均位姿检测精度分别为57.61%和91.97%,超越了其他基于RGB的先进方法,能够更好地解决复杂场景下的目标6D位姿估计...     

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.     

数字图像的纹理特征提取与分类研究

本文提出了一种基于Gabor小波和灰度共生矩阵进行数字图像特征提并与支持向量机模型相结合的纹理分类算法。首先分别利用Gabor变换和灰度共生矩阵提取数字图像的特征,进而利用支持向量机算法实现图像的训练和分类。实验结果表明,与传统的分类方法相比,这种通过Gabor小波和灰度共生矩阵得到数字图像的特征并与支持向量机相结合的方法能有效地提高分类正确率。     

层叠滤波器的研究进展与分析

非线性滤波器可有效地处理脉冲噪声、斑点噪声或信号独立噪声,被广泛地应用在信号和图像处理领域中。层叠滤波器是一种逐渐兴起的非线性数字滤波器,它具有阈值分解和层叠性。由于确定层叠滤波器的正布尔函数的长度随变量的增加呈指数变化,层叠滤波器的优化设计成为该研究领域的技术难题,本文对国内外层叠滤波器的基础理论进行分析,从数学优化模型、统计特性、输出分布等几个角度进行了综合归纳和分析,力图为层叠滤波器的优化设计寻找突破点,加强此领域的研究力度。     

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。     

聚类分析在缺陷分类中的应用

为解决超声无损检测中未知类型缺陷的识别分类问题,提出了采用聚类分析的方法,使用ward规则,并根据R2统计量确定最佳聚类数,自动将缺陷数据分类。实验证明该方法能较准确地将实验数据分为适当数量的类。同时系统采用了VC++和MATLAB混合编程的方法,为实时数据采集和聚类分析打下了基础。     

利用EMAP与多项式网络的高光谱影像分类

高光谱影像地物分类已成为高光谱的重要应用之一,然而如何在小样本时取得优秀的分类结果已成为研究的难点与热点。最近几年,深度学习理论开始用于高光谱数据分析。本文提出了一种基于扩展多属性剖面（ex tended multi‐attribute profile ,EMAPs）和深度多项式网络（polynomial networks）的高光谱影像分类方法。首先,EMAPs通过一系列的属性滤波器提取影像多种结构特性的形态学纹理特征,并与影像光谱特征结合构成新的特征矢量。接着利用深度多项式网络对新特征矢量进行学习,构建多层次网络结构,在迭代的过程中逐层降低训练误差,实现优秀的分类结果。高光谱影像分类实验表明,所提方法性能优于多种分类方法。