改进的统计几何特征的鞣制皮革图像分类

皮革鞣制是皮革制作工艺中一道重要的工序,鞣剂能改变皮革的物理性能和化学结构,使皮革的纹理和纤维组织排列等发生变化;为客观准确地对皮革纹理、外力作用下纤维排列等进行判断和识别,论文提出了一种改进的统计几何特征(ISGF)的纹理分析方法,并使用Fisher线性分类器和LVQ神经网络对铬鞣和植鞣皮革进行分类实验对比;实验结果表明,该方法比原方法(SGF)计算代价低,能对铬鞣和植鞣皮革进行高效识别,在Fisher线性分类器比LVQ神经网络分类正确率高20%以上,并且即使加入褶皱铬鞣皮革的干扰,其识别率也较高.     

基于综合灰度共生矩阵的显微细胞图像纹理研究

灰度共生矩阵法是图像纹理分析中一种十分重要的方法。由于受到方向性和细胞本身特性的影响,传统的灰度共生矩阵法不能完整描述显微细胞图像的纹理,运用综合灰度共生矩阵可以有效地解决这个问题。根据显微细胞图像特点,计算出6个由综合灰度共生矩阵导出的纹理特征参数,并对它们进行归一化处理。通过分析这些归一化纹理特征值,可以对细胞图像中各种细胞成分进行分类描述。     

灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

基于灰度共生矩阵的织物纹理分析

以一种常见的织物纹理为对象,采用灰度共生矩阵的方法进行纹理分析.介绍了灰度共生矩阵的原理及其特征参数,讨论了纹理的灰度共生矩阵特征参数、像素距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分此类正常织物与带疵点织物纹理的灰度共生矩阵构造方法.针对该类正常织物图像进行纹理分析,特征参数值统计,确定了正常织物纹理像素方向、像素距离以及图像灰度等级.取原始织物图像尺寸为128×128,生成灰度共生矩阵的最佳像素距离为2,经直方图均衡化后,最佳灰度等级为16.实验结果表明,按照该规则生成的6个灰度共生矩阵的特征参数,能够准确的判断此类织物图像是否存在疵点.     

基于纹理特征提取的图像分类方法研究及系统实现*

深入研究灰度共生矩阵算法,结合和差统计法对其进行改进。编码实现改进的图像纹理提取算法,并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。通过训练和测试证明,该系统能减少特征提取的计算时间和存储空间,并可达到良好的图像分类效果     

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EBP-OP算法与纹理特征的图像检索

基于纹理特征的图像检索在多媒体数据库管理和多媒体通信传输中得到越来越多的重视。文章提出了一种基于图像纹理特征与多层前馈神经网络EBP-OP算法的图像检索方法。首先运用灰度共生矩阵提取图像的纹理特征,然后用EBP-OP算法对提取的纹理特征进行分类,并在此基础上实现一组纹理图像的检索,实验证明这种方法是有效的。     

基于支持向量机和灰度共生矩阵的纹理图像分割方法

图像分割是计算机视觉领域的研究热点。灰度共生矩阵是图像灰度的二阶统计度量,反映了纹理图像灰度在方向、局部邻域和变化幅度的综合信息,以能量、对比度、熵、差方差和差熵作为纹理图像的特征,利用支持向量机(SVM)对这些特征进行训练和分类,以达到纹理图像分割的目的。详细说明了纹理图像的分割过程,同时分析了不同参数情况下对分割精度的影响。针对Brodatz纹理库的实验结果表明:该方法具有较好的分割效果。     

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。     

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。