基于卷积神经网络的图像识别方法

为了提高图像识别的全面性及准确性,研究了一种基于卷积神经网络（Convolutional Neural Network,CNN）的图像识别方法。该方法利用萤火虫算法获取分割阈值,实现图像目标和背景的分割;利用灰度共生矩阵和基于加速分割测试的特征（Features From Accelerated Segment Test,FAST）算法提取图像纹理和角点特征;以特征为输入,利用卷积神经网络实现目标类别识别。测试结果表明,设计的基于CNN的识别方法的F1分数为最大值,均在0.8以上,能够更全面、更准确地识别图像中的目标类型。     

基于小波变换的医学图像识别算法研究

医学图像自动特征提取是辅助医生进行快速诊断病情和进行基于内容的医学图像检索的关键技术。本文介绍了医学图像的分割方法,利用小波变换对线性矩进行分析,使计算量和数据量大大减少,提高了效率。     

图像识别技术在停车场安全系统中的应用

介绍利用图像识别技术设计停车场安全系统的方法     

图像识别的技术现状和发展趋势

该文描述了图像识别技术的国内外研究现状,介绍了图像识别过程的相关基本工作,并探讨了图像识别的关键步骤,包括图象分割、图像特征提取和分类和图像的匹配,分析和比较了各种算法的优缺点,并讨论了其中的关键技术及计算机图像识别新技术。     

应用神经网络方法解决小麦高产群体图像识别

应用图像分割、图像增强技术提取小麦群体图像特征，采用人工神经网络方法建立小麦群体图像识别自学习系统，并将其应用于小麦高产群体图像识别。     

基于数学形态学的SAR图像分割方法

图像分割是遥感图像处理中很重要的一步。因SAP图像通常带有较强的嗓声，用传统的边缘检测方法效果不理想。作者利用数学形态学开闭运算和混合滤波，可据目标的形状选用算法中的探针，取得了较好的滤波去噪和目标分割的效果。     

图像识别处理中的遗传算法分析

图像识别处理研究领域,遗传算法在优化计算方面发挥着重要作用,目前已在图像恢复、几何形状识别、图像边缘特征提取和图像分割等方面发挥着重要作用。基于此,以图像识别处理中的遗传算法为研究对象,简单阐述分析了遗传算法概念,讨论了遗传算法的特点,重点探讨分析了图像识别处理中遗传算法的具体应用,以期为相关人士提供参考。     

基于多尺度分割的图像识别残差网络研究

深度卷积神经网络能够解决复杂的计算机视觉问题,被广泛应用于图像识别任务中。在基于深度卷积神经网络的图像识别过程中,增加网络的深度和宽度能够产生丰富的特征信息,使用多尺度分割方法能够有效减少冗余的特征信息。然而,增加网络的深度和进行多尺度分割都会影响识别速度。如何在保证精度的同时提高识别速度,成为设计高效网络的关键问题。通过增加网络宽度的方法对ResNet残差网络进行改进,在保证精度的基础上提升识别速度。使用ResNet-D中的残差结构并减少网络长度,得到长度只有7层的残差网络,同时对HS-ResNet中的多尺度分割方法进行优化,只保留最后一次连接合并操作,得到图像识别残差网络SSRNet。在CIFAR 10和CIFAR 100数据集上的实验结果显示,SSRNet速度最高较ResNet网络提升7倍多,同时错误率最高下降8.81%,表明缩短网络长度可大幅加快图像识别速度,同时结合多尺度分割方法能够有效提升识别精度。     

手掌静脉图像识别技术综述

人体的手掌静脉具有唯一性、稳定性,隐藏在表皮下,结构复杂很难被复制,手掌静脉图像难以窃取拍摄,这些使得手掌静脉成为一种高安全性的生物特征。作为生物特征识别领域的前沿课题,手掌静脉图像识别技术以其高安全性等优势拥有着广泛的应用前景,成为近几年的研究热点。本文从手掌静脉图像识别技术的原理入手,综述了手掌静脉图像识别的四个阶段：图像采集,图像预处理、特征提取及匹配。根据特征提取方法不同,将掌脉图像识别方法分为基于结构特征的方法、基于纹理特征的方法和基于子空间的三类方法。最后,对掌脉图像识别技术的难点进行了总结,对发展趋势进行了展望。     

视频图像识别报警系统的研究

本文是针对于传统报警系统单点监控报警的机械性而设计的智能化、数字化的视频图像识别监控报警系统。该系统对监控场所进行全景监控,如有异物进入,对异物进行分割、测量,从不同的角度)如形状因子)进行了分析和判断,进而判断异物是否有害。     

基于彩色图像分割的高温辐射体识别方法

准确识别待测目标是利用CCD图像传感器进行高温测量的关键.本文在对高温辐射体彩色图像的噪声特点进行分析的基础上,提出一种基于彩色图像分割的高温辐射体识别方法,通过对红、绿基色图像分别进行分割来减小甚至消除高温辐射体图像的各种噪声,然后综合红、绿基色图像分割结果实现高温辐射体的准确识别,并运用数学形态学方法对分割结果进行后处理以消除游离点和孔洞,使图像边缘平滑;实验表明,该方法可以有效地实现高温辐射体的正确识别,具有较强的实用性.     

车牌识别(LPR)中的图像提取及分割

在车牌识别(LPR)系统的实现过程中,最关键的部分就是车牌图像的提取以及车牌字符图像的分割。本文详细介绍了一种实际应用的车牌识别系统中的图像提取及分割的过程。针对车牌的固有特点,设计了一个变换函数突出其特点从而进行车牌的提取;对车牌字的图像分割提出并解决了一些在实际中应该注意的地方。理论分析及实验结果表明文章中提出的方法是非常有效的。在我们的实验中,在Pentium Ⅱ300 ,内存64M的环境,从图像输入到识别结果输出的平均时间大概为0.6秒。     

Image Parsing: Unifying Segmentation,Detection, and Recognition

In this paper we present a Bayesian framework for parsing images into their constituent visual patterns. The parsing algorithm optimizes the posterior probability and outputs a scene representation as a parsing graph, in a spirit similar to parsing sentences in speech and natural language. The algorithm constructs the parsing graph and re-configures it dynamically using a set of moves, which are mostly reversible Markov chain jumps. This computational framework integrates two popular inference approaches—generative (top-down) methods and discriminative (bottom-up) methods. The former formulates the posterior probability in terms of generative models for images defined by likelihood functions and priors. The latter computes discriminative probabilities based on a sequence (cascade) of bottom-up tests/filters. In our Markov chain algorithm design, the posterior probability, defined by the generative models, is the invariant (target) probability for the Markov chain, and the discriminative probabilities are used to construct proposal probabilities to drive the Markov chain. Intuitively, the bottom-up discriminative probabilities activate top-down generative models. In this paper, we focus on two types of visual patterns—generic visual patterns, such as texture and shading, and object patterns including human faces and text. These types of patterns compete and cooperate to explain the image and so image parsing unifies image segmentation, object detection, and recognition (if we use generic visual patterns only then image parsing will correspond to image segmentation (Tu and Zhu, 2002. IEEE Trans. PAMI, 24(5):657–673). We illustrate our algorithm on natural images of complex city scenes and show examples where image segmentation can be improved by allowing object specific knowledge to disambiguate low-level segmentation cues, and conversely where object detection can be improved by using generic visual patterns to explain away shadows and occlusions.     

改进Mask R-CNN网络在医学图像识别与分割中的应用

针对现有医学图像处理方法在人体复杂结构组织器官分割中的不足,提出复用低层特征信息的Mask R-CNN网络。该网络可对特定组织器官识别时同时进行分割,为了提高包含较多细节信息的低层特征层的利用率,将低层的特征信息添加到高层的特征中,使低层与高层特性优劣互补,将原始图像首次长宽压缩两次后的特征层定义为C1层,而后分别通过复用C1层和复用依次卷积的C1层这两种方法实现。并将主干网络进行了精简,以加快网络的训练速度,降低识别和分割的时间。以下颌骨作为应用对象,自建包含1?064张下颌骨CT图片的数据集,按9∶1的比例划分为训练集和验证集进行训练,使得复用依次卷积C1层的Mask R-CNN网络的训练损失降至2.8%,验证损失降至6.6%,表明该网络在下颌骨的识别和分割上具有很高的准确率。     

基于多重加权法的多重分形图像分割研究

针对现有多重分形谱对噪声敏感的问题,该文提出了一种基于多重加权法的多重分形谱算法。并首先介绍了基于测度理论的多重分形谱的定义;然后定义了基于多重加权的概率测度,同时对基于多重加权法的多重分形谱性能进行了分析,最后采取与衬底法、方差法进行仿真比较的方法,进行了线性区间、抗噪声性能和收敛速度的比较。比较结果表明,该算法具有保持和加强图像的局部特性以及突出图像的细微处的特点,不仅克服了多重分形谱对噪声敏感的缺点,而且权重因子收敛快。     

远程采集无人机图像的特征识别方法研究

地面对空中无人机的视觉识别中,由于无人机的飞行速度、角度呈现非线性变化;使得采集的疑似图像存在特征模糊、衰退等问题,传统的模式识别方法无法提取无人机图像的主要特征,极大程度上降低了图像的识别概率;提出一种引入球面谐波基图像特征细分的无人机识别算法,建立球面谐波基图像识别模型,利用无人机图像的球面谐波基图像近似率,对模糊图像的差异特征进行依次识别;实验结果表明,利用改进算法建立的模糊无人机图像差异特征识别模型,具有一定的优越性,提高了无人机识别的准确率。     

图像分割方法综述

图像分割是图像处理与计算机视觉的基本问题之一 ,是图像处理图像分析的关键步骤。对传统的图像分割方法和近年来出现的一些新方法进行了综述。具体介绍了基于区域的分割方法、基于边界的分割方法 ,基于区域和边界技术相结合的分割方法及基于特定理论的分割方法。     

基于圆形区域定位的肖像类唐卡图像头饰分割算法

针对肖像类唐卡图像头光区域呈圆形的特点,将圆检测算法应用到肖像类唐卡图像头光区域的定位中,并在此基础之上提出了一种自动分割头饰的算法。该算法首先利用圆检测算法定位出头光所在的大概位置;然后利用头光颜色的空间分布特征、头饰外轮廓以及边缘检测结果实现头饰分割。实验结果表明,该算法在肖像类唐卡图像头饰的分割中具有头饰定位准确的特点,并且主尊比例和头饰大小的变化不会影响分割效果。     

一种基于EM算法的图像分割改进技术

图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。     

分级特征融合的图像语义分割

在图像语义分割中,利用卷积神经网络对图像信息进行特征提取时,针对卷积神经网络没有有效利用各层级间的特征信息而导致图像语义分割精度受损的问题,提出分级特征融合的图像语义分割方法.该方法利用卷积结构分级提取含有像素级的浅层低级特征和含有图像级的深层语义特征,进一步挖掘不同层级间的特征信息,充分获取浅层低级特征和深层语义特征...