基于SVM的SAR图像分类研究

支持向量机（SVM）是一种卓越的分类方法,灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,而纹理是合成孔径雷达（SAR）图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。     

基于纹理和BP神经网络的SAR图像分类

研究基于纹理和BP神经网络的SAR图像分类。首先用增强FROST滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像多种纹理特征,并通过大量实验筛选出有效的纹理特征。最后,结合纹理特征,分别采用经典的最大似然分类法和BP神经网络分类法对SAR图像进行分类。实验结果表明：纹理信息辅助SAR图像的灰度进行分类,大大地提高了SAR图像的分类精度;基于BP神经网络的SAR图像分类精度高于最大似然分类法的分类精度。     

基于AdaBoost的SAR图像自动分类

受相干斑噪声的影响,传统的SAR图像分类方法很难得到较好的分类效果。文中提出一种SAR图像自动分类算法,该算法基于灰度共生矩阵提取特征,结合了AdaBoost和纠错编码设计分类器。实验结果表明,该算法可以得到较好的分类结果。与传统的最大似然法相比,分类精度得到了显著的提高。     

基于GLCM特征的改进FCM的SAR图像分割方法

为了克服了较大窗口提取图像边缘处特征值的不足,提出一种基于GLCM特征矩阵的动态滑动窗口算法.针对模糊C均值算法中,聚类中心不容易确定,聚类容易陷入局部最优解的问题,将粒子群优化算法(PSO)引入到聚类算法中,实现全局搜索.应用改进的模糊C均值算法完成了基于SAR纹理特征的图像分割,克服了传统聚类算法仅依赖灰度值进行分割的局限性,也一定程度上克服了斑噪声对SAR图像分割的影响.实验结果表明,该方法应用于SAR图像分割时,取得了很好的分割效果.     

一种图像多阈值快速选取算法

该文利用灰度共生矩阵定义二阶局部熵来选取多阈值,给出了一种多阈值熵快速选取的算法,实现了灰度图像的多个目标的分割,且运算量减少,效果令人满意。     

一种半调图像类型识别方法*

半调图像类型的先验知识对于逆半调处理有着十分重要的意义。为了对半调图像进行类型识别,利用不同半调图像表现出的纹理差异设计了一种半调图像类型识别方法。其中主要选取了基于灰度—梯度共生矩阵的大梯度和小梯度优势统计值作为判别特征。仿真实验结果表明,所选取的特征值在不同类型半调图像上表现出明显的差异,将其作为半调图像分类识别的依据,最终通过判别函数可将常见的半调图像分为三大类。     

一种基于小波变换的SAR图像边缘检测方法

边缘检测是遥感图像处理中很重要的一步。因合成孔径雷达图像通常带有较强的噪声,用传统的边缘检测方法效果不理想。采用小波方向性检测技术并结合顺序统计滤波的方法,设计了一组方向可调滤波器,根据方向滤波的信息,对其进行边缘检测。实验证明本算法计算有效,边缘定位准确,并对噪声有抑制作用,从而取得了良好的检测效果。     

一种抑制SAR图像斑点噪声的图像融合方法

首先研究了图像融合小波基的选区,并利用提升小波技术分别对合成孔径雷达图像和光学遥感图像进行小波提升分解;然后,对分解后的SAR低频分量进行邻域平均,再与光学图像的低频分量进行加权平均;为了抑制SAR图像斑点噪声的影响,重点研究了高频分量的融合方法,并提出了一种依据斑点噪声特征变化而自适应地改变融合窗口的方法,该方法提高了SAR图像的目标解译和识别能力;最后,使用融合前后的SAR图像进行图像的目标检测,结果表明,融合后的图像能够明显抑制SAR斑点噪声影响,使SAR图像目标检测的效果更佳。     

人物图像的特征提取与分类方法的研究

提出了一种区分计算机绘制的人物图像（以下简称CG图像）和由摄像机获取的真实人物图像（以下简称PG图像）的方法,该方法通过提取小波系数特征、颜色特征以及纹理特征获得图像的统计模型。并采用SVM分类器来学习和辨别这种差别。实验表明,该方法在分辨图像真伪方面是具备一定参考价值的,尤其在一幅图像没有数字水印的情况下,具有特殊的实际应用价值。其对特征的提取是显著有效的,从而验证了这种统计模型与分类器相结合进行图像真伪分析的实验方法的有效性。     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声,传统方法不能很好地对SAR图像进行分割,该文结合SAR图像和小波变换多分辨分析的特点,提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息,然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波,最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明,该方法是一种有效的SAR图像分割方法。     

基于分形理论的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声,传统方法不能很好对其进行分割,文章将SAR图像的特点和分形理论相结合,提出了一种新的SAR图像分割方法。该方法首先对原始SAR图像每个像元为中心取两种不同窗口,计算在该两种窗口下基于区域自选的分形维数并求均值,将其作为分形纹理特征。然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波,最后以SAR图像分形纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果分析表明,该方法是一种有效的SAR图像分割方法。     

面向图象压缩的图象分类及压缩结果预测

图象数据存在冗余使图象压缩成为可能 ,而不同图象的数据冗余度特别是空间冗余度相差很大 .对被压缩图象的空间冗余度这一图象的本质属性进行研究、减少图象压缩及方法选择时的盲目性是非常必要的 .为此提出了面向图象压缩的图象分类这一新概念以及具体分类算法 .该算法利用图象小波高频系数的分布特点 ,采用图象边缘度作为图象空间冗余度的度量 ,将不同内容的图象按边缘度大小分类 .分类的结果可对不同图象的压缩结果进行预测 .实验结果表明 ,图象分类结果和对压缩结果的预测是有意义的 ,并与人的视觉相吻合 .该分类思想对其他图象处理算法的选择和优化也有参考价值 .     

基于局部特征的图像快速分类算法

基于内容的图像快速分类是Web图像实时搜索和过滤的基础。通过分析图像特征分布特点,提出一个基于局部特征的图像快速分类算法。与目前算法相比,该算法仅需对图像的局部区域扫描分析,即可得到其颜色、纹理、形状等特征,并利用Bayesian分类器来实现图像的快速自动分类。相关对比实验证实,该算法能够快速、准确地实现图像分类。     

合成孔径雷达图像的分类方法研究仿真

合成孔径雷达有多个通道,采集得到的远程雷达图象特征较多,图像合成后由于特征的不一致,造成图像维度很高.传统的图像分类方法在设置训练器时,一旦雷达图像特征维数很高,会使得传统的分类器难以训练至给定要求,模型的分类中心发生偏移,造成图像分类不准.提出了一种遗传因子优化的超高维度合成孔径雷达图像分类算法.利用遗传因子优化方法,对采集的雷达图像分类参数进行优化训练,从而获取最优参数.利用搜索空间划分方法,对采集的雷达图像进行分类处理.实验结果表明,改进的算法进行高精度合成孔径雷达图像分类,能够有效提高分类的准确性,从而为航天技术的发展提供依据.     

基于SVR分类的多特征彩色图像检索算法

传统的基于内容图像检索技术对图像领域没有限制,而宽泛的图像领域不仅严重影响了系统检索精度,而且增加了系统查询时间.本文提出一种基于SVR(Support Vector Regression)分类的多特征彩色图像检索新算法,该算法首先提取出图像的颜色、空间和纹理信息并作为图像的特征向量,然后以回归型支持向量机(SVR)为学习机器,对图像库进行分类处理以缩小图像领域范围,最后在较小的领域范围内进行图像检索.实验结果表明,本文算法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率.     

一种低比特率下的快速SAR图像压缩方法*

提出了一种低比特率的快速压缩方法,通过基于小波的降采样增强像素间的相关,继而使用小波包分解降采样后的图像并使用基于零块的方法对系数进行编码。实验结果表明用该方法进行压缩能够得到优于JPEG2000的主观效果,对边缘保持更好,并且计算量小,适合实时实现。     

局部特征与多示例学习结合的超声图像分类方法

利用全局特征对超声图像进行描述具有一定的局限性,而且对图像进行手工标注的成本过高, 为解决上述问题,本文提出了一种利用局部特征描述超声图像,并结合多示例学习对超声图像进行分类的新方法. 粗略定位图像中的感兴趣区域 (Region of interest, ROI),并提取局部特征,将感兴趣区域看作由局部特征构成的示例包, 采用自组织映射(Self-organizing map, SOM)的方法对示例特征进行矢量量化,采用Bag of words方法将示例特征映射到示例包空间,进而采用传统的支持向量机对示例包进行分类.本文提出的方法在临床超声图像上进行了实验,实验结果表明,该方法具有良好的泛化能力和较高的准确性.     

一种多层次抽象语义决策图像分类方法

视觉词包(Bag-of-visual-words, BoVW) 模型是一种有效的图像分类方法. 本文提出一种基于语义抽象的多层次决策(Multiple layer decision, MLD) 方法,通过在BoVW 中引入抽象语义进行多层次扩展,采用语义保留方法生成具有语义的视觉词典,利用自底向上的方式逐层传递语义, 训练上层语义分类器;分类时采用自顶向下方式逐层判断待测样本的类别. 用标准数据集验证方法的分类性能. 结果表明,本文提出的方法与主流分类方法相比具有更好的分类性能.     

一种基于分形特征的图片分类算法

图片分类可用作图像搜索引擎的预滤波,以降低图像检索时的图像匹配数量,提高检索速度。本文提出了一种基于分形特征———局部分维数变化率(LFDS)的图片分类算法,该算法不需要任何的图像先验知识,仅利用分形特征就可将自然景物的照片和人工绘制/计算机生成的图形区分出来。系统随机测试了445幅大小从192×128到2012×3094不等的图片,该算法对图形库的分类准确率为91·71%,图像库分类准确率为85·25%,实验结果证明了该算法的快速和有效性。