相对边界矩在模式识别中的应用

针对采用图像二维不变矩识别目标形状时,计算量大,耗费时间长的缺点,本文提出了相对边界矩算法,这种算法是利用目标物体的边界进行识别的,所以不仅计算速度快而且在离散状态下也具有平移、旋转和比例因子不变性,实验证明,此方法是一种快速的行之有效的方法.     

不变矩在模式识别中的应用研究

矩作为模式的特征在二维图象模式识别中应用很广。该文根据Hu矩、Zernike矩、Pseudo-zernike矩、Legendra矩、旋转矩和复数矩的原始表达式,归纳出适用于计算机处理的矩的一般表达式。接着,引出三次B样条小波矩,依照矩的一般表达式与Zernike矩比较它们作为模式特征的辨别力和可靠性,得出与前人不一样的结论。最后,以实验验证之。     

Zernike矩在图像旋转与抗噪声中的应用

Zernike矩是基于称作Zernike多项式的正交化函数。尽管同几何矩和Legendre矩相比其计算更加复杂,但Zernike矩在图像的旋转和低的噪声敏感度方面是有较大的优越性。特别是本文采取了Zernike矩的一种快速算法,使计算量大大减少,并且采取了方-圆变换的方法,对矩形图像仍能起到同样的作用。     

频域小波矩的非局部均值图像去噪

非局部均值滤波是一种典型的图像去噪技术.然而该算法只定义了平移不变性,没有考虑方向和图像块的尺度问题,进而影响了去噪的效果.为了有效地去除噪声,获得细节清晰的图像,对非局部均值(NL-Means)滤波算法进行了改进,提出一种在非下采样小波域中基于小波矩的非局部均值图像去噪方法.小波矩具有较强旋转不变性,具有更好的抗噪声能力.因此利用小波矩与非局部均值相结合的方法,能够得到更多具有较高相似性的像素或图像块.实验结果表明,该算法不仅能有效地去除噪声,而且能保持图像的边缘信息,获得比传统的非局部均值更好的去噪效果.     

基于小波矩的新型图形识别算法

该文提出了一种基于小波矩的新型图形识别算法。小波矩除了具有矩特征的平移、缩放和旋转不变及抗噪性强的特性以外,还增加了小波对图象结构精细特征的把握能力强的优点。文章结合FFT变换的优点提出了改进的离散傅立叶－小波矩,并由所提取的小波矩特征与最小距离分类器结合形成一个图象识别系统,成功实现了对精细复杂汉字图符的识别。通过与采用传统的几何矩识别结果比较,在识别准确率、识别速率和抗噪性上性能都有较大的提高。     

用Zernike矩来确定字符的旋转不变性特征

该文介绍了一种确定字符图像的旋转不变性特征的方法。这种方法总体上来说分两步进行。第一步,利用标准矩将字符图像标准化,如将图像调整到原点是其重心的位置,将图像的尺寸转化为一定大小,图像的总象素值为一指定值;第二步,利用Zernike矩来确定数字图像的旋转不变性特征。文章还给出了利用该方法做的一个证明旋转不变性的实验。     

Krawtchouk矩旋转不变性的分析

矩是基于区域的形状描述子,相对于基于轮廓的描述子例如傅立叶、链码描述子等,对于不连通的图像形状描述和对噪声的鲁棒性等方面有着更良好的性能.正交矩又可分为连续正交矩和离散正交矩,Krawtchouk矩是离散正交矩中的一种,和连续正交矩不同,基于离散正交矩本身的离散特性,更适合于对数字图像的处理.但同其他离散矩一样,Krawtchou矩并不具备天然的几何不变性(旋转、缩放和平移),这也从一定程度上限制了Krawtchouk矩的应用.为使Krawtchouk矩得到更广泛的应用,对Krawtchouk旋转不变矩的构造进行详细分析和实验,比较出更适合用于浮游植物的Krawtchouk旋转不变矩.     

基于三阶累积量的图象特征提取新方法

利用高阶累积量（ＨＯＳ）的性质推导出了一种根据三阶累积量求图象特征集的“不变性”算法。得出的二维特征集，不但具有对图象的平移、旋转和比例变化的不变性、对附加高斯噪声的抑制作用、不存在相位丢失问题（它是关于图象信息的全描述），而且不需要进行对数坐标的傅氏变换，因而计算简化、实时性高。仿真试验结果证明了该方法的有效性     

基于局部Zernike矩的RST不变零水印算法

旋转、缩放和平移(RST)等几何攻击能够破坏水印检测的同步性,使得水印检测失败。针对此问题,提出了一种基于图像局部Zernike矩的RST不变零水印算法。Zernike矩的幅度具有旋转不变性,再结合图像归一化,使其具有缩放和平移不变性。由于Zernike矩的图像重构效果不理想且重构过程中复杂度高,因此水印嵌入选择零水印方案。实验结果表明,该算法对旋转、缩放和平移(RST)的攻击具有很好的鲁棒性,同时对JPEG压缩、加噪、滤波等常见的图像处理操作也具有很好的鲁棒性。     

模糊边界矩特性研究

研究了图像边界矩的模糊不变性,推导出模糊边缘带区域不变矩中Φ₂^(Fe) ~Φ₇^(Fe)与该图像所对应的清晰图像的边界不变矩Φ₂~Φ₇一致的结论。利用该结论,对模糊图像提取边界不变矩特征时,可不必首先精确提取其精确边缘,方便了边界不变矩特征的提取,提高了边界不变矩特征提取的鲁棒性。仿真实验结果也验证了结论的正确性。     

统一Hu矩及在电视图像目标识别中的应用

分析了在离散状态下比例因子对不变矩特征的影响,扩展了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,构造了一种新的不变矩,统一了基于区域和边界的矩不变量公式,并满足离散状态下的比例不变性,比传统的不变矩更具一般性。将其应用到电视图像目标识别中,仿真结果表明,不变矩不变性好,识别率高,实时性好,具有一定的应用前景。     

应用几何矩和边缘检测的手势识别算法

提出了一种结合几何矩和边缘检测的手势识别算法。手势图像经过二值化处理后,提取手势图像的几何矩特征,取出几何矩特征7个特征分量中的4个分量,形成手势的几何矩特征向量。在灰度图基础上直接检测图像的边缘,利用直方图表示图像的边界方向特征。最后,通过设定两个特征的权重来计算图像间的距离,对30个字母手势进行识别,识别率为90％。     

基于不变矩理论线矩法图像特征的提取

传统的Hu不变矩直接针对原图计算,计算量大、实时性不够理想,且受强噪声影响明显,特征描述也不是很准确。文中在不变矩理论的基础上结合Schlick镜面指数简化公式,给出一种将边缘线矩作为识别特征的提取方法。该方法只需对边缘映射图计算不变矩,不必直接在原图上计算,因而避免了不必要的误差,再经过简化指数计算,降低复杂度、减少计算量的同时提高了实时性。最后针对该方法的效率和特征提取性能进行了实验,结果表明该方法快速有效,很好地兼顾了速度与精度。     

基于不变矩和神经网络的常用电气符号自动识别方法研究

工程图纸中电气符号的自动识别是实现电气工程图纸矢量化的基础。提出了提取工程图纸中电气符号的不变特征。把不变特征值输入神经网络进行训练，得到神经网络模型识别旋转、平移、缩放电气元件图元的方法。实验结果表明：所建立的网络模型具有较好的性能。将此方法用于工程图纸的矢量化处理过程，只需识别出电力工程图纸中各个符号的类型，避免了图纸矢量化过程中的跟踪和拟合的过程，因此优化了矢量化流程。     

基于归一化投影直方图不变矩的图像特征提取

提出归一化投影直方图和在平移缩放变换下保持不变的归一化投影直方图不变矩概念,由此构造归一化投影直方图不变矩,用于提取图像特征。实验结果证明,与经典不变矩理论相比,该方法能有效反映图像的结构特征,识别细微差异和区分相似图形的能力更强,应用于图像识别时具有较好的鲁棒性。     

基于小波矩和SCNN的多目标图像识别

提出了将自组织竞争人工神经网络(SCNN)和小波矩结合进行图像旋转不变识别的新方法。SCNN可以克服反向传播神经网络(BPN)不易收敛、低效率等缺点,而且小波矩方法提取的图像不变矩特征具有很强的辨别力和抗噪性能。计算机模拟显示该方法使用简单、效率高,具有很好的研究价值。     

基于不变矩特征及SVM的图像识别

该文提出了一种利用不变矩和支持向量机(SVM)对图像进行识别的方法。该方法提取图像的7个不变矩作为特征矢量,对得到的特征量应用支持向量机进行图像分类和识别。该文通过试验验证了此方法的有效性。     

图像识别的RSTC不变矩

分析了对比度变化对Hu矩的影响,构造了一种新的不变矩形式,该矩不但具有通常的旋转、尺度缩放以及平移不变性,同时还具有对比度变化不变性。以三类具有旋转、尺度缩放、平移以及对比度变化（RSTC）的目标图像为例进行了识别仿真实验,结果表明新的不变矩形式消除了对比度变化带来的影响,增强了三类图像的类内内聚性和类间可分性,实验结果证明能够对具有RSTC变化的目标图像进行有效识别。     

不变矩方法在区域匹配中的应用

提出了一种基于区域的立体匹配方法,该方法除了采用顺序性约束和惟一性约束外,根据外极线约束提出了外极带约束,采用比邻域约束更优越的相对位置约束,能有效地处理遮掩和区域变形情况下的双目立体匹配．在对多个候选匹配区域进行最佳匹配选择时,提出了重心距离和矩距离的概念,利用不变矩原理进行最佳候选区域选择．经实验证明,该方法是可行、有效的．