基于改进AdaBoost算法的飞机特征图像识别

飞机特征点图像的识别是航空试飞领域中计算机视觉研究的重要课题,在基于图像的视频安全监控、自动识别与智能人机交互方面有着重要的研究价值。其检测算法经过长时间的发展,已经取得了显著的成绩。本文中对Paul Viola提出的基于积分图像和AdaBoost的检测方法进行了深入研究、改进,并针对实际问题成功应用到飞机特征点图像的快速检测中。     

Adaptive Bayesian contextual classification based on Markov random fields

An adaptive Bayesian contextual classification procedure that utilizes both spectral and spatial interpixel dependency contexts in estimation of statistics and classification is proposed. Essentially, this classifier is the constructive coupling of an adaptive classification procedure and a Bayesian contextual classification procedure. In this classifier, the joint prior probabilities of the classes of each pixel and its spatial neighbors are modeled by the Markov random field. The estimation of statistics and classification are performed in a recursive manner to allow the establishment of the positive-feedback process in a computationally efficient manner. Experiments with real hyperspectral data show that, starting with a small training sample set, this classifier can reach classification accuracies similar to that obtained by a pixelwise maximum likelihood pixel classifier with a very large training sample set. Additionally, classification maps are produced that have significantly less speckle error.     

Bayesian contextual classification based on modified M-estimatesand Markov random fields

A Bayesian contextual classification scheme is presented in connection with modified M-estimates and a discrete Markov random field model. The spatial dependence of adjacent class labels is characterized based on local transition probabilities in order to use contextual information. Due to the computational load required to estimate class labels in the final stage of optimization and the need to acquire robust spectral attributes derived from the training samples, modified M-estimates are implemented to characterize the joint class-conditional distribution. The experimental results show that the suggested scheme outperforms conventional noncontextual classifiers as well as contextual classifiers which are based on least squares estimates or other spatial interaction models     

基于图像分割和LSSVM的高光谱图像分类

提出一种基于图像分割和LSSVM的高光谱图像分类方法,将空谱信息结合起来进行高光谱图像的分类。首先利用均值漂移算法对高光谱图像进行分割,然后对每一块分割区域数据进行降维并且对降维后的数据LSSVM分类,最后用最大投票方法融合分割图和分类得到最终的分类结果。该文分类方法先对分割后的区域求出相似性矩阵并训练新样本集求出低秩系数矩阵,由相似性矩阵和低秩系数矩阵构造特征值方程求解出降维矩阵,然后利用混合核LSSVM对降维后的数据进行分类。实验结果表明,提出的基于图像分割和LSSVM的高光谱图像分类方法有效提高了高光谱图像的分类精度。     

Ship detection in optical remote sensing image based on visual saliency and AdaBoost classifier

efficiency switch and modulation.     

Data hiding based on image texture classification

In this paper, a new pattern-based fragile, semi-blind, spatial domain data hiding scheme is proposed. The Local Binary Pattern texture classification approach is used, in order to transparently and securely embed secret data into an image. Pixel values are modified in such a way that the texture satisfies the message requirements. The method is thoroughly studied and compared to other techniques in spatial domain in terms of capacity and image quality. The scheme performs well in images with smooth areas and can be used for authentication, tamper proofing, and secret communications.     

基于小波域TS-MRF模型的监督图像分割方法

定义在单一空间分辨率上的树结构马尔可夫场(Tree-Structured Markov Random Field,TS-MRF)模型能够表达图像的分层结构信息,但难以描述图像的非平稳性,针对该问题,提出小波域的TS-MRF图像建模方法-WTS-MRF模型,按照图像分类层次树的结构形式,该模型将一系列的MRF嵌套定义在多...     

基于面向对象的极化雷达影像分类

有效的PolSAR影像分类技术是PolSAR成功应用的基础,然而相比于比较成熟的PolSAR成像技术与系统设计,PolSAR影像分类技术的发展相对滞后,针对PolSAR影像面向对象分类研究中存在的问题,提出了一种新的结合多种目标极化分解、ReliefF-PSO_SVM和集成学习的PolSAR影像面向对象分类方法。该方法首先采用多种方法对PolSAR影像进行目标极化分解;然后将利用不同极化分解方法提取的极化参数组合成一幅多通道影像;接下来对多通道影像进行分割、特征提取;采用ReliefF-PSO_SVM算法进行特征选择,并保留适应度最高的N个特征子集进行分类,每一个特征子集对应一个分类结果;最后利用集成学习技术对各分类结果进行集成。以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地利用分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了85.06%和0.8006。此外,还构建了3种对比方法用于分类,对比结果进一步证明了所提方法在PolSAR影像分类中的优越性。     

基于RBM-KNN的脑部磁共振图像分类

为加快医学图像分类速度,提高分类精确率,文中采用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)结合K近邻(K-Nearest Neighbor,KNN)分类器方法。首先构建可视层二值对隐层二值RBM,利用RBM训练得到特征提取器,该特征提取器可同时实现特征降维,然后特征提取器从像素单元直接提取图像特征,最后用KNN将特征分类,并用测试样本检验分类准确性。将文中方法用在脑部磁共振图像数据库分类中,实验结果表明,提出的方法具有良好的分类准确率,且明显高于基于单一统计特征提取的医学图像分类方法。     

基于图像处理技术的树脂镜片瑕疵分类特征研究

在基于机器视觉技术的镜片自动检测系统中,为了实现镜片的分级,需要对镜片瑕疵进行分类。利用建立的图像获取系统自动检测树脂镜片瑕疵;针对镜片点杂质、划痕和羽毛3种瑕疵的分类问题,提出了以圆形度、直线拟合相关系数作为分类特征的方法,通过数据统计计算出分类特征的阈值,并分析了细化算法对划痕和羽毛直线拟合相关系数的影响,结果表明,细化算法对于提高划痕和羽毛的分类准确率具有重要作用。实验验证了算法的可行性,并分析了误判的原因。实验结果表明,3种瑕疵的分类准确率为96%。     

深层次特征学习的Adaboost大规模图像分类算法

针对浅层次大规模图像分类的低精度问题,提出深层次特征学习的Adaboost图像分类算法.首先以DBN作为弱分类器对样本图像进行学习,根据每次训练得到的分类错误率以及各样本的分类准确性调整权值;然后在所有弱分类器训练好以后,使用BP算子回溯再次整体调整体样本权值;最后将所有弱分类器集成强分类器,输出最终分类结果.使用MNIST和ETH-80两种数据集进行实验仿真,并将分类结果与其他算法进行比较.结果表明所提算法的分类精度明显高于其他算法,有效实现了高精度的大规模图像分类.     

基于多种输出嵌入结合的无标签图像分类

利用多种输出嵌入相结合的方法,改善无标签图像的分类性能.以边信息作为标签嵌入,用图像特征作为输入嵌入,在标签嵌入和输入嵌入之间构建一个联合兼容函数,建立结构化联合嵌入框架.通过调整联合嵌入的权重矩阵,使兼容函数取得最大值,据此确定图像的分类.借助两个数据集进行的验证,实验结果显示,多种输出嵌入结合的图像分类方法准确率优于单输出嵌入的图像分类方法.     

基于异构卷积的轻量级图像分类网络

目前大多数大型神经网络都存在参数量大、计算难度高等问题,想要在移动端设备使用,则会受到计算资源的限制.虽然现有轻量级网络出现解决了一定的计算量的问题,但同时其网络中大量使用1×1点卷积,使得其成为了现在轻量级网络的计算瓶颈.针对点卷积造成的计算瓶颈的问题,首先提出使用GhostModel来代替其中一部分点卷积,然后结合异构卷积对残差结构进行改进并提出ResHetModel_A、B两个改进的模块,使用改进模块构成轻量级网络HSNet.最后对注意力特征图进行分析,在网络加入注意力机制来提高网络表达.在CAFIR10和CAFIR100数据集上的分类实验证明网络的有效性.最后在ImageNet大型数据集上实验表明HSNet具有一定的泛化性.     

无人工样本的SVM遥感图像分类方法

针对遥感图像监督分类方法需要人工提取训练样本的缺陷,提出一种模糊K均值聚类（FCM）提取训练样本、支持向量机（SVM）进行分类的方法。算法首先用FCM进行初步分类得到隶属度矩阵并判断每个样本的类别号;然后根据隶属度矩阵提取每类样本中密集程度较高的样本作为训练样本;最后用SVM对样本进行训练、再次分类。该方法克服了SVM算法需要人工样本的缺点,改善了传统非监督分类算法的性能,UCI标准数据库Iris数据和遥感数据样本的实验结果证明了该方法的可行性。     

基于流形波段选择的高光谱图像分类

为解决高光谱图像中高维数据和有标记训练样本不 足的矛盾导致“维度灾难”问题,提出一种无监督的基于流形学习的波段选择(MLBS)方法。 首先通过流形学习方法,得到原始数据的流形嵌入映射;然后通过LASSO优化过程,运用顺 向坐标下降算法,得到原始波段对每个流形结构 维度的贡献度;最后统计每个波段的贡献度,选取贡献度大的波段形成波段子集。用 真实的AVIRIS高光谱图像对算法进行仿真实验的结果表明,本文方法在小样本下的高光谱 地物分类识别问题上具有良好的效果。     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于自我监督预处理的食物图像分类

随着社交网络的快速发展,人们通常会上传、分享和记录食物图片,因此食物图像分类的应用价值也越来越大,对食品推荐、营养搭配、烹饪文化等方面都产生了积极的影响.尽管食物图像分类有着巨大的应用潜力,但从图像中识别食物仍然是一项具有挑战性的任务.为了解决食物的细粒度识别问题,本文提出了一种基于自我监督预处理的食物图像分类模型,通过自我监督的学习方式更高程度地学习食物图像特征.该模型在基于密集连接网络的食物图像分类模型DenseFood基础上搭建,采用上下文恢复的自我监督策略,将训练好的网络权重用于初始化DenseFood模型,训练微调完成分类任务.上下文恢复的自我监督策略和密集连接网络都是专注于图像特征的提取,同时结合两者,充分学习食物图像特征,来达到更好的食物图像分类精确度.为了进行性能比较,使用VIREO-172数据集对基于自我监督预处理的食物图像分类模型、未预处理的食物图像分类模型DenseFood以及基于ImageNet数据集训练预处理的DenseNet、ResNet这四个模型进行训练.实验结果表明,本文提出的食物图像分类模型优于其他策略.     

基于特征重选择的高光谱图像分类

在对高光谱图像进行分类时,由于高光谱数据维度很高,通常先对其进行特征选择,进而使用分类器进行分类。在分类时,最大似然分类器因为具有多分类、概率输出等特点而经常被采用。在实际分类中,我们发现,目标的真实类别所获得的概率值通常位于所有类别的前两位,我们称该现象为混淆现象。利用这一现象,通过特征重选择,我们给出一种新颖的特征选择框架。该框架首先对数据进行特征选择,进而对目标进行分类。若分类结果满足混淆条件,则针对易混淆的两类进行特征重选择,分类并得到最终结果。理论分析和实验结果表明,该框架稳定、有效。