一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

基于多特征融合的图像拼接检测

针对数字图像篡改的常用手法图像拼接,提出了一种基于多特征融合的被动盲取证算法来检测图像拼接.算法通过分析图像相位一致性和纹理特征,采用二维经验模式分解将图像分解到固有模态函数域,得到三类特征值.利用这三类特征值,采用支持向量机作为分类器,建立一个预测模型,对图像是否经过篡改进行判定.选用标准图像拼接库对该算法进行测试.实验结果表明:与采用双相干谱作为分类特征的算法相比,该算法具有更高的识别率.     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。     

基于三阶统计特征的被动图像拼接检测

针对被动图像拼接检测问题,提出了一种基于三阶统计特征的检测算法。该算法把图像状态矩阵中三个相邻状态之间的依赖关系建模为条件共生概率矩阵,然后将其作为识别特征输入到支持向量机(SVM)进行分类。由于高阶统计特征维数随着统计阶数的增加而呈指数级增加,为了降低高维特征在分类阶段所引入的高计算复杂度以及避免可能出现的过拟合现象,引入了主成分分析法(PCA)对提取的特征进行降维处理。实验结果显示,条件共生概率矩阵特征在空间域和8×8分块DCT域的检测结果均优于传统的马尔可夫特征和共生矩阵特征;PCA是图像拼接检测的一个有力分析工具,在大幅度降低特征维数的同时能够保持识别率不降低。     

用统计特征量实现的图像拼接盲检测

图像拼接是一种常见的图像篡改手段。为了对拼接的数字图像实施盲检测,提出一种新的拼接图像的检测方法。借用二分类的模式识别概念,使用图像质量评价量和矩特征量来建立模型,以捕获原始图像和拼接图像之间的统计差异,选用支持向量机作为分类器进行训练和测试,对拼接图像的盲检测进行了研究。实验结果表明,该方法具有精确度高、应用面广的优点。     

基于PCA-SIFT特征检测的眼底图像拼接

确定稳定的特征点是图像配准和拼接的重要环节。针对传统基于特征的拼接方法需要原始图像具有明显的角点或边界信息的弱点,将PAC-SIFT(Principal Components Analysis-scale invariant keypoints)主成分不变特征检测算法引入到眼底图像拼接中。该算法在划分的特征子区域内用梯度构造特征量,并用主成分分析法(PCA)降低特征维数。在拼接时,采用淡入淡出算法完成眼底图像的拼接。实验结果表明:该算法能够有效实现眼底图像的精确配准和平滑。     

一种基于特征点匹配的图像拼接算法

本算法首先采用边缘检测缩小了待提取的特征点的寻找范围,然后根据图像中各列边缘点的梯度最大值提取特征点,进而确定两幅图像的缝合点及其匹配位置,最后通过对图像的重叠区域进行平滑过渡处理,实现了待拼接图像的无缝拼接。实验表明,本算法能较好的实现图像拼接。     

边缘特征点的多分辨率图像拼接

提出一种映速有效的边缘特征点提取方法,实现多分辨率图像融合从而完成拼接.构建边缘图像的Gauss金字塔,从中提取稳定的特征点完成图像配准.复用金字塔信息实现图像融合,缩短整体拼接的时间.对方法进行仿真,实验结果表明误匹配特征点个数极大减少,配准精度提高到亚像素水平,同时配准和拼接的时间也大幅减少.最后从实验上分析精度提高的原因.     

一种基于稳定特征的全自动图像拼接算法

提出了一种改进的特征匹配算法,该算法是基于稳定特征向量,即在多尺度空间下检测图像,得到稳定特征点,并在稳定特征点上利用梯度方向提取特征向量作为匹配要素的一种图像拼接算法.试验结果表明:本算法在速度上和普通的特征拼接算法相差不大,但由于特征点的稳定性,所以具有较好的鲁棒性,适合各种不同特点的图像拼接应用.     

基于局部特征的医学显微图像自动拼接

为了实现将多幅小视场显微图像拼接成一幅完整大视场图像,以获得生物体试样的整体视图信息,方便分析.论文提出了一种用于虚拟显微镜(VM)的图像自动拼接方法.该方法基于图像局部特征匹配.利用积分图像和DOB滤器有效检测特征点,采用SIFT描述子生成用于匹配的特征向量,使用基于相关双向匹配法有效建立匹配特征点对,同时用RANSAC算法滤除不匹配的特征点.采用了一种改进的渐人渐出融合方法对匹配图像进行融合.文中方法有效提高了系统的计算速度和匹配精度,以及图像之间变换的鲁棒估计.拼接显微镜图像的实验结果表明,文中提出的方法是精确和有效的.     

基于机器学习算法的光伏组串故障诊断技术研究

常规缺陷检测方法中,主要依据光伏电站面板异常状态数据检测面板缺陷,检测结果存在着一定的随机性,导致缺陷检测结果不清晰。因此,利用了无人机影像技术,设计了光伏电站面板缺陷检测方法。提取出图像中的缺陷特征,结合无人机影像技术,通过灰度共生矩阵将缺陷图像与完整图像分割开来,识别可见光图像缺陷位置,并将缺陷图像放在光伏面板缺陷检测模型中进一步检测,使图像纹理特征与形状特征高度融合,从而实现光伏电站面板缺陷的精准检测。采用对比实验的方式,验证了该检测方法的检测置信度更高,检测精准度随之升高,能够应用于实际生活中。     

基于高频小波子带马尔可夫特征的图像拼接检测

拼接是图像篡改过程中最普遍使用的操作,通过检测拼接可以有效鉴别图像是否经过人为修改。针对拼接操作提出了一种盲检测方法：首先对图像进行小波变换,在比较分析不同小波子带对图像拼接检测的作用后,选取高频子带作为图像变换域信息;接着对小波子带进行差分操作,并将系数取整阈值化后作为马尔可夫状态;最后计算状态间的转移概率作为拼接特征,利用支持向量机（SVM）进行分类。在哥伦比亚图像拼接评测彩色库和灰度库上分别进行实验,证实了选取小波高频子带提取拼接特征的有效性。通过与其他特征提取方法对比,所提出特征在两个评测库上都表现出了更好的检测效果,尤其在彩色评测库上取得了94.6%的识别率。     

基于肺部组织特征的图像弹性配准研究

图像配准是一种建立两幅图像空间对应关系的过程,它被广泛应用于计算机视觉、遥感数据分析及图像处理中,特别是在影像引导放射治疗领域,图像配准发挥着巨大作用。但由于受呼吸运动的影响,精确的肺部影像配准依然是一个充满挑战的难题。目前,尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)已被用于医学图像配准中,并且取得了较理想的结果。然而,SIFT检测到的仅是图像的块特征,不能有效的反映肺部的运动。文章提出了一种基于Harris和SIFT算子的杂交型特征检测方法,这种方法能有效检测肺部的组织特征,如血管分叉点和肺部边界等。除此之外,为了有效去除特征匹配过程中产生的错配点,还提出了一种基于互相关和组织结构不变性的滤除错配点方法。文章最后采用一系列不同呼吸周期的肺部CT影像来对所提出的算法进行验证。定性和定量的结果表明,该算法较传统的SIFT算法更具优越性。     

特征融合与S-D概率矫正的RGB-D显著检测

目的 许多先前的显著目标检测工作都是集中在2D的图像上,并不能适用于RGB-D图像的显著性检测。本文同时提取颜色特征以及深度特征,提出了一种基于特征融合和S-D概率矫正的RGB-D显著性检测方法,使得颜色特征和深度特征相互补充。方法 首先,以RGB图像的4个边界为背景询问节点,使用特征融合的Manifold Ranking输出RGB图像的显著图;其次,依据RGB图像的显著图和深度特征计算S-D矫正概率;再次,计算深度图的显著图并依据S-D矫正概率对该显著图进行S-D概率矫正;最后,对矫正后的显著图提取前景询问节点再次使用特征融合的Manifold Ranking方法进行显著优化,得到最终的显著图。结果 利用本文RGB-D显著性检测方法对RGBD数据集上的1 000幅图像进行了显著性检测,并与6种不同的方法进行对比,本文方法的显著性检测结果更接近人工标定结果。Precision-Recall曲线（PR曲线）显示在相同召回率下本文方法的准确率较其中5种方法高,且处理单幅图像的时间为2.150 s,与其他算法相比也有一定优势。结论 本文方法能较准确地对RGB-D图像进行显著性检测。     

基于多通道图像深度学习的恶意代码检测

现有基于深度学习的恶意代码检测方法存在深层次特征提取能力偏弱、模型相对复杂、模型泛化能力不足等问题。同时,代码复用现象在同一类恶意样本中大量存在,而代码复用会导致代码的视觉特征相似,这种相似性可以被用来进行恶意代码检测。因此,提出一种基于多通道图像视觉特征和AlexNet神经网络的恶意代码检测方法。该方法首先将待检测的代码转化为多通道图像,然后利用AlexNet神经网络提取其彩色纹理特征并对这些特征进行分类从而检测出可能的恶意代码;同时通过综合运用多通道图像特征提取、局部响应归一化（LRN）等技术,在有效降低模型复杂度的基础上提升了模型的泛化能力。利用均衡处理后的Malimg数据集进行测试,结果显示该方法的平均分类准确率达到97.8%;相较于VGGNet方法在准确率上提升了1.8%,在检测效率上提升了60.2%。实验结果表明,多通道图像彩色纹理特征能较好地反映恶意代码的类别信息,AlexNet神经网络相对简单的结构能有效地提升检测效率,而局部响应归一化能提升模型的泛化能力与检测效果。     

Image copy-move forgery passive detection based on improved PCNN and self-selected sub-images

Image forgery detection remains a challenging problem. For the most common copy-move forgery detection, the robustness and accuracy of existing methods can still be further improved. To the best of our knowledge, we are the first to propose an image copy-move forgery passive detection method by combining the improved pulse coupled neural network (PCNN) and the self-selected sub-images. Our method has the following steps: First, contour detection is performed on the input color image, and bounding boxes are drawn to frame the contours to form suspected forgery sub-images. Second, by improving PCNN to perform feature extraction of sub-images, the feature invariance of rotation, scaling, noise adding, and so on can be achieved. Finally, the dual feature matching is used to match the features and locate the forgery regions. What's more, the self-selected sub-images can quickly obtain suspected forgery sub-images and lessen the workload of feature extraction, and the improved PCNN can extract image features with high robustness. Through experiments on the standard image forgery datasets CoMoFoD and CASIA, it is effectively verified that the robustness score and accuracy of proposed method are much higher than the current best method, which is a more efficient image copy-move forgery passive detection method.     

基于边缘检测的生产线手机膜缺陷识别方法

目前国内手机保护膜的产量和销量巨大,但手机膜生产线上的缺陷检验仍采用目检法,检测效率与准确率较低.针对生产线上手机膜缺陷检测的4个关键问题(正常与缺陷类别不平衡、高信噪比去噪、边缘特征提取以及缺陷样本检测效率)进行研究.采用RST和图像剪切方法实现缺陷样本扩充,解决缺陷样本少,缺陷位置和形式不足问题;提出自适应小波阈值及新的阈值函数,实现传统小波阈值去噪方法的改进,获得优异的去噪效果;在图像边缘检测技术中,引入改进小波阈值去噪方法及Otsu阈值设置方法,提高传统Canny算子的边缘检测性能,实现图像特征有效提取;利用具有旋转、平移及尺度不变性的Zernike矩对边缘检测结果进行特征表达,提高模式识别的效率及准确率.采用支持向量机(SVM)对正常手机膜和缺陷手机膜的边缘Zernike矩特征进行识别,实验结果表明所提方法准确率高、检测速度快,满足生产线上手机膜的缺陷检测要求.     

人体表面点云数据的拓扑特征检测与自动分割

对标准站立测量姿态下的人体表面点云数据的拓扑特征检测与自动分割进行了研究,提出基于全景深度图像表示的人体点云表面拓扑特征检测和自动分割新方法。首先把人体表面的点云数据转换为圆柱极坐标形式,获得人体扫描表面的全景深度图像表示,根据全景深度图像中的层次信息自动检测人体表面的拓扑特征,并根据拓扑特征把人体分割成5个功能结构。实验证明这种方法改进了人体表面点云数据的拓扑特征检测和自动分割的效率和精度。     

轮廓检测的图像检索方法

在图像检索领域中,形状特征是图像的最重要视觉特征之一,利用形状特征进行检索可提高检索的准确性,但形状边界的自动提取一直是图像处理领域多年的难题。为了提高图像精度和准确性,提出一种基于轮廓检测的图像检索方法,首先用色彩聚类的方法对图像进行预处理,对有意义的聚类区域进行边缘追踪,然后采用基于Snake轮廓检测的算法完成图像分割,提取底层形状特征并用傅立叶描述子加以描述,进行相似度匹配。引入支持向量机的相关反馈算法来提高检索精度。实验结果表明了方法的有效性。     

基于深度图像增益的RGB-D显著性物体检测

深度信息已被证明在显著性物体检测中是一个实用信息,但是深度信息和RGB信息如何更好地实现互补从而达到更高的性能仍是一个值得探究的事情。为此,本文提出一种基于深度图像增益的RGB-D显著性物体检测方法。在双分支的网络结构中增加一个增益子网,采用显著图作差的方法获得深度图片为显著性检测带来的增益,作为增益子网预训练的伪GT。三分支网络分别获取RGB特征、深度特征和深度增益信息,最终将三分支的特征进行融合得到最终的显著性物体检测的结果,增益信息为双分支特征融合提供融合依据。基于深度图像增益的显著性物体检测实验结果表明,该方法得到的显著性物体前景物体更加突出,在多个实验数据集上也有着更优秀的表现。