基于Radon变换的SAR图像目标统计不变特征提取研究

SAR目标图像敏感于目标方位的特性为SAR解译带来了困难。通过对目标散射机制的分析,认为一定方位角变化范围内的目标图像只是在图像域发生了旋转和平移,其灰度统计分布是不变的,利用X波段的实测车辆目标数据,通过Radon变换提取图像64个投影方向上序列的各阶矩以及序列的极值、宽度等灰度统计值构造特征矩阵,然后对特征矩阵进行旋转和平移校正得到统计不变特征。结果表明:该特征在5°方位角范围内具有70%以上的稳定性,因此可以用来合并目标不同方位角的信号。     

Radon变换不变矩在数字水印技术中的应用

几何形状识别在计算机视觉中具有重要意义,不变矩由于其在图像平移、伸缩、旋转时均保持不变,而且具有全局特性,是几何形状识别的主要方法。但现有的基于不变矩理论的数字水印算法还不多,而且传统的数字水印算法在水印检测时均存在误检和漏检的问题。针对以上提出的问题,文章提出一种基于Radon变换不变矩鲁棒性数字水印技术可以有效地减少水印的漏检和误检问题并经过仿真实验证明,该方法对于旋转,缩放,平移等几何攻击具有很好鲁棒性的同时,对于常规信号处理（加噪,滤波,JPEG压缩等）攻击也具有很好的鲁棒性,且具有极低误检率。     

基于Radon变换不变矩和小波提升的水印算法

提出了一种基于Radon变换不变矩和提升小波的抗几何攻击水印算法。该方法首先对图像进行一次提升小波分解,然后计算其低频成分的Radon变换不变矩来构建水印系统。水印提取过程简单,只需计算所得图像的几个Radon变换不变矩不变量。文章给出了实验结果,并与基于几何矩不变量的算法进行了比较。经过仿真实验证明,该方法对于旋转,缩放,平移等攻击具有很好鲁棒性的同时,对于普通的加噪,滤波,JPEG压缩攻击也具有很好的鲁棒性,且具有极低误检率。     

Radon变换修正不变矩在零水印中的应用

提出一种使用修正后的Radon变换不变矩零水印算法.该算法的思想是先计算原始图像的Radon变换不变矩,利用其构建零水印系统;然后用参考图像和测试图像之间的相关系数来修正Radon变换不变矩,最后利用修正后的Ra-don变换不变矩来检测水印.文章的算法在满足Radon变换不变矩具有的所有性能外,能够有效抵抗常规的信号处...     

Radon变换域的鲁棒图像Hash算法研究

针对数字图像内容认证的问题,提出了一种基于Radon变换域的鲁棒图像Hash算法。该算法在Radon变换域提取图像平移、缩放不变的矩特征,将矩特征的离散傅里叶变换系数作为图像的Hash值。离散傅里叶变换可实现抗图像旋转操作,并可降低图像Hash的维数。为了增加安全性,整个特征提取过程都是基于密钥进行的。理论分析证明Radon变换域的不变矩特征对一般的图像处理操作,特别是平移、缩放、旋转等几何操作有极好的不变性。实验结果表明提出的算法几乎可以容忍所有的图像内容保存操作,比如缩放、旋转、JPEG压缩、滤波和加噪等,同时对视觉上有明显失真或根本不相似的图像有高度的敏感性。     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.     

基于Radon变换和SWT的旋转不变纹理分类

提出了一种应用Radon变换和离散平稳小波变换(SWT)的旋转不变纹理分类算法。该方法首先对纹理图像进行Radon变换将旋转转化为平移,再用具有平移不变性的离散平稳小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机实现纹理图像的分类。将本方法与其它旋转不变纹理分类法进行比较,实验结果表明,提出的方法能有效地提高正确分类率。     

基于Radon变换和EMD的旋转不变纹理分类"

提出一种结合Radon变换和经验模态分解(EMD)的旋转不变纹理分类方法。对纹理图像进行Radon变换,使用EMD分解成一系列固有模态函数(IMF),用修改过的能量公式计算各IMF的能量并组成特征向量,利用k-近邻对纹理图像进行分类。通过对Brodatz纹理库中的图像进行分类实验,表明所提方法能够有效地进行旋转不变的纹理分类,较之单一的Radon变换分类有了显著的提高。     

基于Finite Ridgelet变换的图像线性特征提取

线性特征是图像的一种重要局部特征,它常常决定图像中目标的形状。线性特征的提取在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的意义。常用的线性特征检测方法有Radon变换和Hough变换,但检测曲线复杂度会很高。本文提出一种多尺度几何分析的线性特征检测方法,该方法以finite ridgelet理论为基础,结合正交小波变换对线性特征进行提取。Finite ridgelet变换对于含有直线奇异的多变量函数具有良好的逼近特性,能够获得连续空间函数的稀疏表达,同时具有区域平滑性、很好的可逆性和去冗余性。实验结果表明,本方法即使在背景复杂的环境下也具有良好的检测效果。     

基于Radon变换的图象矩特征抽取及其在图象识别中的应用

介绍了图象的Radon变换以Radon变换下图象矩的计算方法;利用Radon变换的抗干扰特性,提出一种图象矩特征的抽象方法,以得到图旬在Radon变换下的矩特征矩阵,进而提出了一种利用该矩阵的奇异值进行图象识别的方法。     

基于投影变换的声纳图像特征提取与识别

用投影变换的方法进行了成像声纳采集的水声图像特征提取与识别。阐述了Radon与扇束投影变换的特点与关系,并提出了一种基于图像边缘Radon变换的水声图像矩特征提取和识别方法。首先使用一种形态学边缘提取算子和细化算法提取二维图像中目标的轮廓,构造目标轮廓在 Radon变换空间的平移、比例和旋转矩不变量,并应用于三类水下物体的分类识别中,实验仿真结果表明该方法在运算速度上优于Hu’s不变矩和图像目标面Radon投影空间不变矩,具有很好的性能和较高的实用价值。     

一种面向工作负载预测的基于小波变换的特征提取方法

在资源受限条件下,根据数据挖掘任务在执行过程中实时产生的资源和任务状态来准确地预测任务执行时间是非常重要的。为有效地使用时间序列数据实现准确预测,提出一种降载策略来确定预测的切入点和数据处理方案。该策略使用动态时间规整(Dynamic Time Warping, DTW)距离度量子序列与整个序列之间相似度的变化以确定用于预测的数据,然后利用小波变换计算小波系数并提取小波系数的能量值作为预测的特征,最后预测任务执行时间。实验结果表明,该方法提取的特征信息包含原序列较多信息,在预测任务执行时间方面具有较高的准确性。     

Contourlet变换域中基于矩特征的图像检索

提出一种Contourlet变换域中基于矩特征的图像检索方法。为了提高方法对于噪声的鲁棒性,对图像进行Contourlet变换后,对变换结果进行阈值滤波,计算各子带系数的一阶几何矩作为图像的特征向量,采用欧氏距离进行相似度度量。该方法提取的图像特征能反映子带系数的空间分布特征,无需任何前提假设。实验结果表明,该方法具有较高的查准率,对噪声的容忍度高于现有算法。     

基于归一化投影直方图不变矩的图像特征提取

提出归一化投影直方图和在平移缩放变换下保持不变的归一化投影直方图不变矩概念,由此构造归一化投影直方图不变矩,用于提取图像特征。实验结果证明,与经典不变矩理论相比,该方法能有效反映图像的结构特征,识别细微差异和区分相似图形的能力更强,应用于图像识别时具有较好的鲁棒性。     

V-系统与Radon变换相结合的纹理分类算法

为了对尺度和旋转变换下的纹理图像进行正确的分类,将Radon变换和V-系统相结合,提出一种纹理分类的算法.首先利用Radon变换将图像的旋转化为平移,再对Radon变换后的图像进行V-变换;利用V-系统的多小波特性,经过一系列的降采样分解过程得到图像在V-系统下的各层次能量表达,并将这些能量作为纹理图像的特征描述.由于V-系统的多小波特性以及Radon变换对旋转的消除,使得文中的特征描述在图像的放缩和旋转变换下有较强的鲁棒性.在通用纹理数据库中的纹理分类实验结果表明了该算法的优越性能.     

基于脊波变换的旋转不变性纹理特征提取方法

提出了一种新的基于脊波变换的旋转不变性纹理特征提取方法。该方法是先在脊波变换过程中的一维小波变换后所形成的每个频率子波段中提取特征,然后采用构建直方图的方法来提取同一尺度下高、低频子波段之间的关系特征,最后将这些特征进行一维傅里叶变换后取幅值并进行特征级融合,从而得到旋转不变性纹理特征。实验结果表明所提出的方法与两种已有的方法相比能够取得更好的分类效果。     

基于修正二维熵的水声图像分割

水声图像常分为亮区、暗区和混响区,而传统的单阈值方法不能根据需要获得相应区域,针对该问题,提出一种基于修正的灰 度-梯度二维直方图的最大熵分割方法。该方法根据先验知识截取部分灰度-梯度二维直方图,并对其进行最大熵阈值分割。实验结果表明,该方法可以根据需要提取出感兴趣的区域,并且能得到更好的分割效果。     

数据挖掘中适用于分类的时序数据特征提取方法

特征提取在提高分类的准确性中起着非常关键的作用.对时序特征提取的方法进行归纳分类,将有利于对特征提取整体性,全面性的认识.回顾现有的时间序列中特征提取的方法,将其总结为四大类,它们分别是基于基本统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形维数的特征提取.针对每一类的特征提取方法,进一步研究了它相应的分类方法和它在时间序列数据中的应用邻域.