Analysis of Texture of Froth Image in Coal Flotation

Froth image features of coal flotation have been extracted and studied by neighboring grey level dependence matrix, spatial grey level dependence matrix and grey level histogram. In this paper, a basic algorithm of unsupervised learning pattern classification is presented, and coal flotation froth images are elassified by means of self-organizing map (SOM). By extracting features from 51 flotation froth images with laboratory column, four types of froth images are classified. The correct rate of SOM cluster is satisfactory,And a good relationship of froth type with average ash content is also observed.     

Case study on the extraction of land cover information from the SAR image of a coal mining area

In this study, analyses are conducted on the information features of a construction site, a cornfield and subsidence seeper land in a coal mining area with a synthetic aperture radar (SAR) image of medium resolution. Based on features of land cover of the coal mining area, on texture feature extraction and a selection method of a gray-level co-occurrence matrix (GLCM) of the SAR image, we propose in this study that the optimum window size for computing the GLCM is an appropriate sized window that can effectively distinguish different types of land cover. Next, a band combination was carried out over the text feature images and the band-filtered SAR image to secure a new multi-band image. After the transformation of the new image with principal component analysis, a classification is conducted selectively on three principal component bands with the most information. Finally, through training and experimenting with the samples, a better three-layered BP neural network was established to classify the SAR image. The results show that, assisted by texture information, the neural network classification improved the accuracy of SAR image clas-sification by 14.6%, compared with a classification by maximum likelihood estimation without texture information.     

基于邻域灰阶共生矩阵的海底沉积物分类

提出了一种邻域灰阶共生矩阵,用于对侧扫声纳海底图像进行纹理分析及沉积物分类.与用于图像纹理分析的常规灰阶共生矩阵相比,邻域灰阶共生矩阵描述了图像中某一像素与其邻域中所有像素的灰阶联合分布,从而能够更全面地描述图像区域的纹理特性.分别从常规灰阶共生矩阵和邻域灰阶共生矩阵计算相同的6种纹理特征,借此对泥、沙、石3种类型海底的侧扫声呐图像进行分类,分别获得了83.3%和86.4%的正确识别率.     

一种基于高阶统计量的纹理图像识别新方法

提出一种基于高阶统计量的纹理图像识别方法,可以识别多种纹理图像.在二阶统计特征基础上,引入高阶统计量作为纹理图像的特征参数,并与人工神经网络相结合,建立起基于15个纹理特征参数的自组织神经网络,进行自学习 训练,从而实现图像识别;对于未经训练的纹理图像,网络可自动进行学习,并存储网络权值.实验结果表明,该识别方法能有效提高纹理图像的正确识别率.     

合成孔径雷达图像目标分类研究

基于灰度共生矩阵技术,研究了可用于合成孔径雷达图像分类的灰度共生矩阵中差方差、差熵、对比度、能量、方差等纹理特征量,分析了其特征提取和分类特性。运用类内类间距准则,通过计算图像特征值的类内类间距,得到对合成孔径雷达图像分辨效果较好的纹理特征量,并利用三层BP神经网络进行图像分类,获得了满意的分类结果。     

基于连通区域矩阵的文本图像识别方法

如何从海量的图像里将文本图像挑选出来是网络图像处理领域的研究热点.为了达到更好的文本图像识别效果,文章从文本图像的文字特征出发,提出了一种基于连通区域矩阵的文本图像识别方法.首先对图像进行二值化,计算二值化后图像的连通区域矩阵,然后根据连通区域矩阵提取出图像的8维特征值,最后使用BP神经网络来对图像进行训练和识别.实验证实,该方法在保证较高识别率的同时,明显降低了误识率.     

表征煤泥浮选泡沫图象特征的最佳色彩方案

针对煤泥浮选泡沫图象的表征方法问题 ,进行了实验室浮选柱试验 ,采集了 5 1组煤泥浮选泡沫图象 ,研究了煤泥泡沫图象的三种色彩表示系统 ( RGB,YCb Cr,灰度 ) ,分析了泡沫图象的亮度、色调及 RGB三分量的分布规律 .结果表明 ,精煤泡沫图象是灰色的 ,且色彩信息量非常少 ,在进行煤泥泡沫图象处理和识别时 ,可以采用图象的 RGB三个单独分量进行计算 ,也可以用平均灰度和公式法亮度进行计算 ,这样可以减少三分之二的数据传输量和计算量 ,加快图象处理速度 .     

基于BP神经网络的人脸图像识别方法的研究

提出了用BP神经网络对人脸图像进行特征提取和识别的方法,讨论了BP网络结构的设计,输入、输出层的设计,隐层结点数的选取等问题,对由10人,每人3幅图像组成的人脸图像数据库做识别实验,结果表明,BP具有很强的自适应性,对有噪声、残缺和戴眼镜的图像识别效果较好。     

基于小波变换的木材表面纹理分类

以300个木材样本为对象,研究了基于多分辨率灰度共生矩阵参数的木材表面纹理的分类方法.以灰度共生矩阵特征参数的相关性为依据,确定以"角二阶矩"、"对比度"、"相关"、"方差"、"均值和"5个参数描述木材表面纹理.用sym let4小波对木材图像进行了2级分解,在小波重构域,以一级重构的水平细节h1、垂直细节v1、对角细节d1、二级重构的近似a2、水平细节h2、垂直细节v2、对角细节d2共7个图像的23个特征参数构成多尺度参数体系.以BP神经网络进行了纹理分类验证,正确率为94.0%,优于单分辨参数方法(87.5%).实验表明:多分辨参数可以更细致地描述木材的纹理特征,并能提高分类正确率.     

基于数字图像处理技术的储粮害虫分类识别研究

阐述了在储粮害虫分类识别研究中利用计算机数字图像处理技术,自动提取静态储粮害虫图像的数理统计特征、纹理特征和几何形状特征,并在此基础上采用BP神经网络进行分类和识别的主要技术和方法.实验结果表明,BP具有较强的自适应性,对有噪声、残缺的储粮害虫图像识别也能得到较好的效果.     

基于信息融合的遥感分类与回归分析研究

本文提出了组合纹理和光谱信息的遥感图像解译技术,将其运用于陆地水体的二元分类,目的是通过组合两种分析方法的优点,得到更好的解译结果。利用灰度共生矩阵来进行纹理分析,同时,红光和红外光谱分析的使用能够改善陆地和水体的分类边界。纹理分析和光谱特征的融合改进了两类标记的精确度。在此基础上,本文针对多光谱数据的特点提出了灰度级差联合概率矩阵（GLDAP）,利用提取的特征对多光谱高度数据进行了回归分析。     

SAR图像纹理特征提取与分类研究

为了高精度地提取合成孔径雷达(SAR)图像中的有用信息,提出一种基于灰度共生矩阵的纹理特征辅助SAR图像分类方法,该方法选择的是在合适的窗口尺寸下能将各种地物类型区分开的最佳纹理特征组合.采用增强的Frost滤波法对SAR图像进行斑点噪声抑制,通过比较各典型地物基于灰度共生矩阵的纹理特征统计量,确定参与分类的最佳纹理特征组合、计算灰度共生矩阵的最佳窗口尺寸;采用主成分分析法去除各纹理特征之间的相关性,选择信息量大的2个主成分与图像的灰度共同组成3个波段的图像;最后采用最大似然分类法对该组合图像进行分类.结果表明:该方法提取出的纹理特征辅助SAR图像分类,比无纹理信息参与的SAR图像分类,其精度可提高11.20%.     

基于多尺度条件生成对抗网络血细胞图像分类检测方法

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络. 该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测. 在现有条件生成对抗网络真假鉴别器中,引入多尺度卷积核、池化域并在通道上拼接,提升鉴别器对微观细节纹理特征和宏观几何特征的鉴别能力;引入梯度相似性损失函数,以提高生成细胞图像的亮度及边缘清晰度,提升图像的真实感. 实验证明,在图像生成阶段,增加多尺度鉴别器和梯度相似性损失函数提高了生成细胞图像的质量;在图像分类检测阶段,对比仅有真实数据训练的情况,增加细胞样本多样性使细胞分类检测的平均精度由90.4%提升至94.7%.     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

基于条件边界平衡生成对抗网络的河流表面流速估测

针对不同流速类类间差异小而造成的分类困难问题,提出条件边界平衡生成对抗网络和多特征融合的卷积分类网络,分别进行流速图像的生成和分类. 为了达到数据增强效果,引入标签机制和验证模块实现相应类别图像数据的拟合与生成;为了加强图像不同纹理特征信息对流速估测的影响,引入多特征融合机制对所有真实样本和生成伪样本进行特征提取和流速识别,实现对差异性较小的图像的分类. 将该方法应用于实际的河流表面流速估测,结果表明,在图像生成模块中,引入的标签信息和验证机制在一定程度上能强制引导模型的数据生成方向;在图像识别模块中,引入的多特征融合机制使所提出方法相较于其他方法,在差异性较小的水流图像的识别上更具鲁棒性.     

煤泥浮选泡沫数字图象处理研究(之一)——浮选泡沫视觉特征的线邻域提取算法

进行了煤泥分批浮选实验 ,获取了大量的浮选精煤泡沫数字图象 .将图象的数字处理技术应用到泡沫图象特征参数的提取上 ,提出了有效描述浮选泡沫结构特征的线邻域提取算法——空间灰度相关矩阵法 (SGDM) ,并进一步引入了基于该灰度相关矩阵的能量、熵及惯性特征参数来描述浮选泡沫的视觉特征 .结合煤泥浮选泡沫的视觉纹理特征 ,分析了各特征参数的物理意义及其随浮选时间 (泡沫纹理 )的变化关系 ,定性地指出了各泡沫特征参数与泡沫纹理的相关性     

色织物组织的灰度特征与自动识别

采用轴向拉伸矫正织物使组织结构清晰和正交,可使经纬两种组织点生成的图像特征显著,便于简化表达和纹理分析。将色织物彩色图像转成单元灰度图像,利用灰度图像处理的简便与快速,对色织物组织进行特征和层次的识别。实验证明,色织物组织点特征提取准确、方便,光泽型纹理提取可用一次灰度统计量;方向型纹理提取可用二次灰度统计量,以此可快速完成不同组织点的分类。而且,拉伸处理和灰度纹理分析组合方法能有效强化织物组织点特征,便于简化图像处理算法,检测识别几乎完全准确。     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

煤泥浮选泡沫数字图象处理研究(之二)——煤泥浮选泡沫视觉特征的面邻域提取算法

提出了有效描述浮选泡沫视觉特征的面邻域提取算法——邻域灰度相关矩阵法 ;引入了基于该矩阵的细度参数、粗度参数、二阶距参数、熵参数及不均匀性等特征参数来描述泡沫的结构 .利用笔者开发的煤泥浮选泡沫特征参数提取软件完成了分批浮选精矿泡沫图象的特征参数提取工作 ,并定性地分析了各泡沫特征参数与泡沫纹理的相关性 .结果发现细度参数、粗度参数能较好地反映出浮选泡沫图象的纹理特征 ,但熵参数、二阶距参数和不均匀性参数与图象泡沫纹理特性的相关性不强     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.