基于Gabor小波的人脸特征提取

对基于Gabor小波变换的人脸特征提取方法进行了研究。对于预处理后的图像通过Gabor小波滤波器对人脸特征进行提取,获得特征向量来作为神经网络的输入值,最后应用人工神经网络实现人脸检测来检测算法有效性。实验结果表明,这种方法具有较高的识别率。     

基于Gabor小波的人脸检测

提出了一种新的正面人脸检测算法。该方法组合了Gabor小波变换、输入图像的Gabor特征分析和Bayes分类器来进行正面人脸检测。对训练集的平均脸作Gabor小波变换得到40个投影向量；通过计算输入图像和这40个投影向量间的内积来提取图像的Gabor特征向量；训练Bayes分类器来进行正面人脸检测。实验结果表明，该算法的计算效率和检测精度均优于特征脸方法。     

基于极坐标Log Gabor小波的纹理分析方法

提出一种基于极坐标Log Gabor小波的纹理分析方法,该方法突破了Gabor小波的带宽限制,仅采用较少的极坐标Log Gabor滤波器,即实现了准确地纹理分割.实验表明,在频谱覆盖相同的情况下,极坐标Log Gabor小波具有较Gabor小波更好的性能和更高的效率;此外,实验中针对多通道滤波方法对最小距离判别方法的改进,也取得了较好的效果,这为基于小波分解的分类问题提供了一个新的思路.     

基于Gabor小波的目标跟踪方法研究

针对利用Gabor小波进行目标识别的过程中参数序列过多的问题,提出一种新的参数组合选取原则.该方法利用Gabor小波参数特性,配合能量函数构成图像的特征点集合.同时提出了基于统计模型的自适应非线性滤波算法,以弥补基本统计模型下卡尔曼滤波算法的缺陷,配合Gabor小波特征点集合能够大大减少特征点序列过多所造成的算法耗时问题.仿真和实验表明,该算法可广泛应用于各种图像目标识别与跟踪的系统中,并具有良好的图像目标识别能力.     

基于Gabor小波的人脸识别技术

本文首先通过直方图均衡化等预处理方法增强图像的整体对比度,使图像的细节更加清晰.然后利用Gabor小波变换,选取不同的尺度和方向对人脸表情特征进行提取.最后通过实验结果对比证明预处理后的图片在进行小波变换时能节省大量的运算时间,并提高识别率.     

基于Gabor小波的眼睛和嘴巴检测算法

介绍了基于Gabor小波的眼睛和嘴巴检测问题。首先利用肤色概率模型、人脸图像的梯度信息以及运动模型提取出人脸器官的可能特征点,接着使用一系列规则筛选出最可能是眼睛对的特征点对,然后采用Gabor小波和支持向量机（SVM）来对可能的眼睛对进行有效的验证,最后通过眼睛的位置来找到嘴巴的精确位置。实验结果表明,该系统具有较好的眼睛和嘴巴检测效果,还可以通过再学习进一步提高系统的检测性能。     

基于Gabor小波和HMM的人像鉴别算法

探讨了利用Gabor小波和隐马尔可夫模型（HMM）进行人脸识别的方法,首先对人脸图像进行多分辨率的Gabor小波变换;然后在图像上放置一组网格结点,每个结点用该结点处的多尺度Gabor幅度特征描述,采用独立元分析法对每个结点进行去相关和降维;最后形成特征结,把每个特征结作为观测向量,对隐马尔可夫模型进行训练,并将优化的模型参数用于人脸识别,ORL人脸库的实验结果表明,该方法识别率高,工程上易于应用。     

基于复小波和Gabor小波的人脸识别

针对双树复小波变换(DT-CWT)不能直接提取水平和垂直2个方向特征的不足,提出一种结合DT-CWT和Gabor小波的人脸识别方法。将Gabor小波提取的0°和90°特征与DT-CWT提取的6个方向特征连接起来共同构成人脸特征向量,采用Fisherfaces方法构建特征向量的线性子空间,应用基于欧氏距离的分类器实现分类。在ORL数据库上的实验结果证明了该方法的有效性。     

基于Gabor小波和CNN的图像失真类型判定算法

针对图像失真分类问题,提出了一种基于Gabor小波和卷积神经网络（convolutional neural network,CNN）的失真类型判定算法。该算法先利用Gabor小波的良好特性对图像进行特征粗提取,再通过改进的CNN进一步提取关键特征。算法步骤包括：首先对图像进行预处理（包括标签设定、样本均衡和样本扩充）;然后对预处理后的图像进行八方向的Gabor小波变换,并将不同方向的子带叠加构成输入样本;最后通过自行设计的CNN和Softmax分类器对样本进行训练,训练过程中采用随机梯度下降和反向误差传播的方法对卷积核参数进行优化得到最终模型。对训练好的模型进行失真类型判定实验,在LIVE标准图像库上分类正确率达95.62%,表明本算法具有较高的准确性和鲁棒性。     

一种新的基于Gabor小波的目标跟踪方法

针对利用Gabor小波进行目标特征点识别的过程中所选取的参数序列过多的问题,给出了一种新的参数选取方法。该方法利用Gabor多尺度参数,配合权重函数,通过能量函数计算出相应的方向参数,构成图像的特征点集合。这样得到的特征点集合,不但充分利用了Gabor小波变换中的尺度参数的特性,而且通过配合以特征点粗匹配算法,大大减轻了特征点序列过多所造成的算法耗时问题。仿真和实验表明,算法可广泛应用于各种图像目标识别与跟踪的系统中,具有良好的图像目标识别能力。     

单参数控制的灰度图像着色

灰度图像着色是计算机图形学和计算机图像处理等领域的研究热点,在影视制作、数字照片编辑、动漫艺术等方面具有重要的应用价值。传统的方法通过大量的交互操作实现灰度图像中不同区域的聚类或者色源图像和灰度图像之间的匹配,大大降低了着色的效率。提出一种新的基于单参数控制的灰度图像着色方法。首先,利用球体几何理论建立色彩变换模型。其次,基于线性回归的方法,对色源图像和灰度图像的直方图分别进行多项式拟合建模。用户输入拟合多项式的阶数之后,可以实现色源图像和灰度图像的自动聚类并建立它们之间的匹配关系。最后,通过色源图像和灰度图像之间的颜色映射实现灰度图像的着色。该方法无须烦琐的用户交互,使得着色过程更为方便快捷。     

一种利用回归神经网络黑白图像着色算法研究

研究了利用神经网络对序列黑白(灰度)图像进行着色的问题。针对以往基于人工或者半自动化技术的黑白图像着色技术效率低下、视觉效果较差的缺陷,提出了一种利用三层神经网络、无须人工干预的图像自动着色算法。首先将灰度图像分割成小块,通过对小块提取灰度特征、空间特征等作为神经网络的输入,训练得到一个回归神经网络。在着色过程中,可以利用该神经网络将图像中各像素由灰度空间投影到一个经过压缩的色彩空间,从而实现了图像的自动着色过程。实验结果显示本方法能有效地将灰度图像着色,并且由于使用了一个压缩的色彩空间,使得计算效率和着色效果都得到了有效的提高,能很好地逼近原始的真实图像。     

改进颜色融合的医学图像彩色化技术

彩色化后的医学图像能清晰体现患者病灶信息有利于医患沟通。提出改进颜色融合的医学图像彩色化方法,首先利用基于KNN的图像前背景区分算法,强化病灶区域的边界信息;然后以此为约束条件,只需提供简单的着色输入;最后将边界能量引入颜色融合方法,得到较好的着色结果。着色图像保持了原图的灰度信息不变,增加了彩色标记图像的颜色和真实感。实验结果表明,该算法具有较高的精确度,可有效的应用于医学图像彩色化处理。     

基于前景语义信息的图像着色算法

图像可分为前景部分与背景部分,而前景往往是视觉中心.在图像着色任务上,由于前景的类别多且情况复杂,着色困难,以至于图像中的前景部分会存在着色暗淡和细节丢失等问题.针对这些问题,提出了基于前景语义信息的图像着色算法,以改善图像着色效果,达到图像整体颜色自然、内容颜色丰富的目的.首先利用前景子网提取前景部分的低级特征和高级...     

基于自然彩色图像的彩色化权值函数建模

针对现有的权值函数采用人为指定的核函数,难以准确地反映图像复杂处像素间的色度相似关系,提出了利用自然彩色图像特性构建权值函数的方法。根据自然图像的像素在RGB空间的分布特征,提取出色度与灰度的局部线性关系,并利用其作为先验知识结合最小二乘法推广至整幅图像,进而获得一种新的权值函数。该权值函数能将相近的两像素间的灰度差异、位置差异及周围像素的灰度分布统一到色度相似程度的计算中。实验结果表明,该权值函数有助于获得更优的彩色化结果,特别是在复杂边界处效果提升明显。     

基于KNN图层区分的优化式着色算法

针对灰度图像彩色化技术应用于彩色图像二次着色时往往忽略掉原始图像所带的色彩信息的问题,提出了一种基于[KNN]图层区分的优化式着色算法。与现有的优化式着色方法相比,该方法一方面采用基于[KNN]的图像前背景区分算法获得图层区分的图像,生成新的权值函数;另一方面将图层区分结果引入优化式着色方法,并对图像着色。实验结果表明,算法能有效解决物体边界处发生颜色渗漏的问题,得到颜色分布精确的图像。在相同输入前提下,算法可以得到更好的着色结果。     

基于Gabor滤波的灰度图像彩色化方法

提出一种基于Gabor滤波的分层次图像彩色化方法.使用Gabor滤波提取图像纹理特征,利用纹理特征将目标灰度图像分割为多个子区域.其中,每个子区域与源参考图像的单个纹理区域相对应,且拥有单调的色彩;分别对子区域进行彩色化,从而降低全局图像彩色化的复杂度.实验结果表明,此方法能抑制图像颜色传输时颜色的丢失,有效地提高彩色化质量.     

基于变分法和偏微分方程的图像彩色化方法

针对传统的图像彩色化算法易产生的图像边缘颜色模糊等问题,提出一种基于变分法和偏微分方程的图像彩色化算法,结合整体变分(TV)模型和金兹堡一朗道(GL)模型的特点,通过求泛函极值建立偏微分方程,使图像的光滑区域和边界区域都能有效的实现颜色扩散,对偏微分方程进行数值求解得到彩色化结果.实验结果表明,与其它偏微分方程彩色化技术相比,该方法能得到清晰自然的彩色化图像和较高的图像质量.     

局部线性模型优化的灰度图像彩色化

提出一种有效的仅需要少量线条着色的灰度图像彩色化算法。该算法在Lab颜色空间实现,基于抠图拉普拉斯矩阵设计了一个局部线性优化模型,只需要少量的人工线条着色就能产生高质量的彩色化图像。该模型的彩色化效果总体上与现有方法相当,而在某些情况下,能降低在灰度图像彩色化过程中出现的色彩渗透问题。局部线性优化模型建立的代价函数最优解能通过求解稀疏线性方程组获得。在构建抠图拉普拉斯矩阵时,发现利用扩散距离来代替欧氏距离能对本文模型进一步改进。实验结果显示,用基于扩散距离的改进局部线性优化模型方法,和基于欧氏距离的局部线性优化模型算法相比较,在减少人工线条交互和彩色化效果方面都能有较好的改进。     

基于深层聚合结构网络的灰度图像彩色化方法

当前灰度图像彩色化方法普遍存在边界晕染、细节丢失和着色效果枯燥等问题。针对以上问题,提出了一种基于改进的深层聚合结构网络的灰度图像彩色化方法。将深层聚合结构网络引入图像彩色化领域中,且在传统网络基础上加入长连接,在缓解网络梯度消失问题的同时提升其特征利用率,从而提升算法模型对图像边界和细节的处理能力。另外,模型融合生成对抗网络结构,搭建判别网络,动态评价图片彩色化质量,缓解着色枯燥的问题。实验证明,该方法相比于传统彩色化方法,减轻了着色时边界漏色问题,还原了更多的图像细节,图像颜色更为丰富。