基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

基于有偏彩色纹理字典的X光安检图像检测

为提高X光安检图像的检测效率和正确率,通过改进局部二值模式算子,给出一种基于有偏彩色纹理字典的X光安检图像自动检测算法。先根据被检测物体的颜色分布构建色彩权值矩阵,提取多通道图像的局部纹理特征,结合词袋模型生成多通道优化的图像字典,再通过色彩加权矩阵映射到有偏彩色纹理字典,并通过训练支持向量机对输入的测试图像进行检测。对于相同训练集与测试集,改进算法能准确对X光安检图像进行目标检测,且检测正确率和查全率均有提升。     

基于组合矩特征和PTSVM的交通标志识别

针对交通标志识别算法识别精度低、计算复杂度高等问题,提出一种采用组合矩特征分类交通标志的方法。首先对图像进行预处理,并基于颜色特征分割,再采用形态学的方法处理粗分割图像,从而提取目标区域。然后分别提取标志图像的Legendre矩及小波矩特征,利用串行特征融合技术获取组合优化特征,将特征值输入渐进直推式支持向量机,并采用模拟退火算法对其进行参数优化,最后使用优化后的识别算法实现目标图像的识别。仿真结果表明,与现有的其他交通标志识别算法相比,采用组合矩与优化后渐进直推式支持向量机的识别方法有更好的识别效果。     

数字乳腺层析图像纹理特征联合提取与识别

为提高乳腺组织图像特征提取的正确率,结合灰度共生矩阵纹理特征与Tamura纹理特征,给出一种联合提取与识别算法。采用双边滤波、受约束限制自适应直方图均衡和L0梯度滤波,对数字乳腺层析图像进行预处理,滤除其噪声并提高对比度;同时考虑灰度共生矩阵与Tamura纹理特征,通过增加特征值维度,将两者融合入一个矩阵之中,并依据特征选择规则提取最适特征;用支持向量机对特征向量分类。与仅依赖其中一种纹理特征的提取算法相比,所给算法可提高特征提取与识别正确率,从而更好地实现图像分类。     

基于GMM与三维LBP纹理的视频火焰检测

针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model, GMM)与三维的局部二值模式(local binary pattern, LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的三维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine, One-class SVM)分类方法,判定候选区域是否为火焰。     

基于KPCA和SVM的虹膜特征提取与识别

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析（KPCA）在高维空间具有较强的特征选择能力的特点来提取虹膜图像的纹理特征,采用了一种距离度量和支持向量机相结合的2级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点.实验结果表明,该方法具有较高的效率和识别精度.     

基于T-GLCM和Tamura融合特征的纹理材质分类

虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高,纹理因素复杂且无规律,单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM(灰度共生矩阵)和Tamura融合特征的纹理材质分类算法.此外,本文对传统灰度共生矩阵GLCM进行优化,提出了改进的GLCM(T-GLCM)算子,提升了GLCM的旋转不变性并减少了大量的冗余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLCM的纹理特征,通过支持向量机(SVM)对纹理材质进行分类.实验结果表明,相比传统纹理特征提取算法,本文算法具有更高的分类精度且鲁棒性更好.     

基于GA优化SVM的干制红枣品种分类方法

基于遗传算法(GA)优化支持向量机(SVM)分类模型能够显著改善传统SVM的分类精度。以山东大枣、新疆灰枣、新郑大枣以及稷山板枣4类品种的干制红枣为研究对象,首先采用简单线性迭代聚类算法(SLIC)对预处理后的红枣图像进行分割处理;接着针对每类红枣,提取了其6个颜色特征和20个不同角度的纹理特征等26个参数;最后将以上参数输入基于GA优化的SVM分类模型(GA-SVM)。实验结果表明:与传统SVM算法相比,GA-SVM算法对红枣的分类准确率提升了20. 00%。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

基于小波变换的肝脏CT图像分类

提出了一种基于小波变换的肝脏CT图像疾病的分类方法:首先提取小波和灰度共生矩阵纹理特征,其次结合马氏距离的可分性判据和遗传算法进行特征选择及优化,最后利用支持向量机将肝脏CT图像进行分类.讨论了2种小波以及特征提取方式对分类结果的影响,并通过软件仿真实现算法.实验表明:小波变换可对肝脏CT图像进行有效的分类.     

基于Log-gabor子空间特征优化的旋转不变纹理检索

针对传统基于内容的纹理图像检索方法中抽取固定特征和相似性度量存在累积误差的不足,提出一种新的基于学习的Log-gabor子空间特征优化的旋转不变纹理图像检索方法.首先根据Log-gabor分解的幅度和相位构造旋转不变多尺度广义粗糙度纹理描述子;然后一方面通过支持向量机粗分类器缩小被检索图像的分类范围,另一方面通过有监督训练构造支持向量特征选择器,选择优化的自适应纹理描述特征作为进一步检索的输入;在相似性度量过程中提出特征量化消除累积误差的影响.仿真实验结果表明,算法对任意角度纹理图像的检索都具有较好的鲁棒性.     

基于支持向量机和遗传算法的纹理识别

为了解决尺度变化和训练样本有限给纹理识别带来的困难,提出了一种基于支持向量机和遗传算法的纹理识别新方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,用多类支持向量机作为分类器。用遗传算法对纹理特征集进行了优化;用输出纠错码将二类支持向量机扩展到多类,提高了分类器的泛化能力。用包含有25类单色自然纹理的图像库进行识别试验,结果表明,该方法的识别错误率小于10%,得到了比传统的贝叶斯等方法更高的识别率和更好的推广性。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

纹理融合新空间关系下颜色的刑侦图像检索

为提高刑侦图像检索的准确率,针对现有刑侦图像检索算法对图像颜色空间信息提取不足以及缺乏对局部纹理描述的问题,提出一种纹理融合新空间关系下颜色的刑侦图像检索算法。该算法通过3级分区划分图像,在计算颜色自相关图的基础上,利用图像块之间的街区距离反映颜色特征的空间关系。同时,使用具有旋转不变特性的局部二值模式(rotation invariant local binary patterns,RILBP)描述算子提取图像的纹理特征。并采用加权相似性度量融合颜色与纹理特征的相似性来实现检索。在刑侦图像库上的实验结果表明,该算法具有较好的检索性能。     

采用纹理分析的运动人体阴影分割方法

研究采用纹理分析的方法来消除由光照产生的人体阴影,进行人体阴影分割,首先采用混合高斯模型对运动人体前景及背景进行提取,主要研究采用多尺度小波分解来提取运动人体背景及前景纹理及颜色特征,建立基于像素的纹理及颜色特征向量,并采用支持向量机对特征向量进行分类,如前景像素点特征向量与对应的背景像素点特征向量一致时,可判定为阴影区域。结果表明:采用此纹理分析方法可很好地分割出阴影区域,并且光照变化及采集图像时的颜色偏差对阴影提取几乎没有影响。     

基于SVM的GA及其在农业产业结构优化中的应用

针对遗传算法的特征,提出了通过支持向量机SVM构造遗传算法的适应度函数的新算法,该算法通过统计学习理论指导遗传算法的优化过程,然后又把基于支持向量机的遗产算法应用于农业产业结构优化布局中,结果表明基于支持向量机的遗产算法能较快地全局收敛.     

基于最优特征加权的图像分类算法

通过研究图像分类过程中特征选择和分类器构建问题,提出了一种基于最优特征加权的图像分类算法.首先提取图像的颜色和纹理特征,接着采用混沌粒子群优化算法对特征的权值进行求解,确定每一个特征对图像分类的贡献,最后采用相关向量机对加权的图像样本集进行学习,构建分类器,从而实现图像的分类.实验结果表明,相对于当前较流行的图像分类模型,该模型不仅能够提高图像的分类准确率,而且能够大幅度减少了图像的分类时间,具有一定的实际应用价值.     

使用多尺度LBP特征和SVM的火焰识别算法

目前基于视频图像的火灾识别系统是大空间场景中预防火灾的有效方法。为了提高检测性能,基于火焰特定的纹理结构,使用多尺度纹理特征,以获得更全面的特征信息。首先使用火焰的明亮特性定位到疑似火焰区域;然后针对这些区域,采用局部二值模式(local binary patterns, LBP)方法提取多尺度纹理特征;最后将多尺度LBP纹理特征输入到支持向量机(support vector machine, SVM)中进行识别。实验结果表明,该方法计算简单,火焰的检测率较高,误警率较低。     

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论，提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验，证明了该算法的有效性和鲁棒性，它能较好地解决在复杂水下目标信号所提取的特征维数高，样本采样困难，数目偏少的实际情况下的分类识别问题。