基于四元数Gabor滤波的彩色纹理特征提取

现有的彩色图像纹理特征提取方法是将彩色图像转换为灰度图像或者对彩色图像进行分通道处理,这样的处理方法会丢失原图像的颜色信息和各通道间的相关性,导致特征图像的纹理特征和原图像的纹理特征差异较大。基于上述问题,提出了一种四元数Gabor彩色纹理特征提取方法。首先,根据Gabor滤波和四元数欧拉公式,推导出四元数Gabor滤波,并将彩色图像用四元数矩阵表达;其次提出四元数Gabor滤波卷积算法处理彩色图像,得到多尺度多方向的彩色纹理特征图像;最后对得到的彩色纹理特征图像进行Tamura统计特征的提取。实验结果表明,该方法可以很大程度地保留原图像的粗糙度、对比度和方向度等纹理特征,同时可以提取到原图像的颜色信息。在转化为灰度图像后,该方法在保留粗糙度、对比度和方向度等纹理特征方面优于传统Gabor方法和LBP方法。     

基于颜色和纹理特征的遥感图像检索

针对单一特征遥感图像检索的局限性和传统综合特征检索方法计算复杂度高的问题,提出了一种基于纹理特征和颜色特征的遥感图像的检索。在分析了现存遥感图像的检索方法后,得出了用颜色特征及Gabor小波提取出的纹理特征进行图像检索的总体思路。设计了一组多尺度和多方向的滤波器组,优化并选择滤波器组的各参数。首先对图像进行滤波,然后再进行纹理特征的提取,最后用颜色直方图对遥感图像进行颜色特征提取,最终将融合这两种图像特征,设计并实现一个基于颜色特征和Gabor小波纹理特征的图像检索原型系统。在进行图像检索时将纹理特征和颜色特征融合对图像库进行图像检索。由实验结果表明,所提出的方法是有效的。     

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

目的 在甲状腺结节图像中对甲状腺结节进行良恶性分析,对于甲状腺癌的早期诊断有着重要的意义。随着医疗影像学的发展,大部分的早期甲状腺结节可以在超声图像中准确地检测出来,但对于结节的性质仍然缺乏准确的判断。因此,为实现更为准确的早期甲状腺结节良恶性超声图像诊断,避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用,提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。方法 本文提出的甲状腺结节分类算法由4步组成。首先对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。然后,对增强的图像进行数据扩展,并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。同时,提取图像的旋转不变性局部二值模式（LBP）特征作为图像的纹理特征。最后,将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。结果 本文方法在标准的甲状腺结节癌变数据集上对甲状腺结节图像取得了正确率99.15%,敏感性99.73%,特异性95.85%以及ROC曲线下面积0.997 0的的好成绩,优于现有的甲状腺结节图像分类方法。结论 实验结果表明,图像的深度特征可以描述医疗超声图像中病灶的整体感官特征,而浅层次纹理特征则可以描述超声图像的边缘、灰度分布等特征,将二者统一的融合特征则可以更为全面地描述图像中病灶区域与非病灶区域之间的差异以及不同病灶性质之间的差异。因此,本文方法可以准确地对甲状腺结节进行分类从而避免不必要手术、减轻病患痛苦和压力。     

基于Gabor多方向特征融合与分块直方图的人脸表情识别方法

针对传统的Gabor特征表征全局特征能力弱以及特征数据存在冗余性的缺点, 提出一种新颖的采用Gabor多方向特征融合与分块直方图统计相结合的方法来提取表情特征. 为了提取局部方向信息并降低特征维数, 首先采用Gabor滤波器提取人脸表情图像的多尺度和多方向特征, 然后按照两个融合规则将相同尺度不同方向的特征融合到一起. 为了能够有效地表征图像全局特征, 将融合图像进一步划分为若干矩形不重叠且大小相等的子块, 分别计算每个子块区域内融合特征的直方图分布, 将其联合起来实现图像表征. 实验结果表明, 这种方法无论在计算量上还是识别性能上都比传统的Gabor滤波器组更具有优势. 该方法的创新处在于提出了两个Gabor多方向特征融合规则, 应用在JAFFE表情库上最高平均识别率达到98.24%, 表明其适用于人脸表情图像的分析.     

复杂背景下蚜虫目标识别方法研究

为提高蚜虫种间识别的准确率,提出了一种基于双树复小波变换（DT-CWT）和支持向量机（Libsvm）的蚜虫图像种间识别方法。该方法首先对图像进行预处理;其次应用DT-CWT对选定的三种农作物蚜虫图像样本进行特征提取,以确定Libsvm训练模型中的训练参数;最后用Libsvm分类器对蚜虫图像进行种间识别。实验对比了Gabor小波变换和传统上基于灰度共生矩阵的特征提取算法,结果表明该方法具有更高的准确率和较低的时间复杂度,为蚜虫的种内识别提供条件。     

基于Gabor滤波器组的车牌汉字特征提取

提出基于Gabor滤波器组的特征提取新方法.利用汉字图像的统计信息及归一化信息,提出针对车牌汉字的有效的Gabor滤波器组参数优化方法,并设计一组Gabor滤波器用于提取车牌汉字图像中不同中心频率和方位的笔画纹理特征,实现直接对灰度图像的特征提取.实验结果表明,相比传统二值化特征提取方法,采用基于Gabor滤波器组的小波变换提取特征能够获得更良好的识别性能.     

基于对偶树复小波和MRF模型的纹理图像分割

基于对偶树复小波（DT-CWT）和马尔可夫随机场（MRF）模型提出了一种监督纹理图像分割算法,算法包括两个步骤,首先对复小波变换系数进行较为精确的建模,提取其一阶统计信息作为纹理特征,综合多个尺度的信息,基于极大似然标准进行初始分割;其次,将初始分割结果用MRF模型表示,基于贝叶斯最大后验（MAP）融合初始分割结果,得到最终的分割结果。算法应用于合成纹理图像和实际图像得到了良好的结果,对比实验表明算法所采用的纹理特征的提取方法、小波变换方式、用MRF模型来建模标号等是算法简洁有效的基础。     

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。     

结合多特征和SVM的SAR图像分割

为实现灰度共生矩阵(GLCM)多尺度、多方向的纹理特征提取, 提出了一种结合非下采样轮廓变换(NSCT)和GLCM的纹理特征提取方法。先用NSCT对合成孔径雷达(SAR)图像进行多尺度、多方向分解; 再对得到的子带图像使用GLCM提取灰度共生量; 然后对提取的灰度共生量进行相关性分析, 去除冗余特征量, 并将其与灰度特征构成多特征矢量; 最后, 充分利用支持向量机(SVM)在小样本数据库和泛化能力方面的优势, 由SVM完成多特征矢量的划分, 实现SAR图像分割。实验结果表明, 基于NSCT域的GLCM纹理提取方法和多特征融合用于SAR图像分割, 可以提高分割准确率, 获得较好的边缘保持效果。     

面向甲状腺结节超声图像分割的多尺度特征融合“h”形网络

目的 准确定位超声甲状腺结节对甲状腺癌早期诊断具有重要意义,但患者结节大小、形状以及位置的不确定性极大影响了结节分割的准确率和模型的泛化能力。为了提高超声甲状腺结节分割的精度,增强泛化性能并降低模型的参数量,辅助医生诊断疾病,减少误诊,提出一种面向甲状腺结节超声图像分割的多尺度特征融合“h”形网络。方法 首先提出一种网络框架,形状与字母h相似,由一个编码器和两个解码器组成,引入深度可分离卷积缩小网络尺寸。编码器用于提取图像特征,且构建增强下采样模块来减少下采样时造成的信息损失,增强解码器特征提取的能力。第1个解码器负责获取图像的初步分割信息;第2个解码器通过融合第1个解码器预先学习到的信息来增强结节的特征表达,提升分割精度,并设计了融合卷积池化金字塔实现多尺度特征融合,增强模型的泛化能力。结果 该网络在内部数据集上的Dice相似系数（Dice similarity coefficients, DSC）、豪斯多夫距离（Hausdorff distance,HD）、灵敏度（sensitivity,SEN）和特异度（specificity,SPE）分别为0.872 1、0.935 6、0.879 7和0.997 3,在公开数据集DDTI（digital database thyroid image）上,DSC和SPE分别为0.758 0和0.977 3,在数据集TN3K（thyroid nodule 3 thousand）上的重要指标DSC和HD分别为0.781 5和4.472 6,皆优于其他模型。结论 该网络模型以较低的参数量提升了甲状腺超声图像结节的分割效果,增强了泛化性能。     

2维双树复小波不确定度加权融合的人脸识别

在人脸识别中,传统小波、Gabor小波不能很好地表征人脸特征。提出2维双树复小波多频带不确定度加权融合的人脸识别算法,使用了人脸2维双树复小波多频带特征,计算多频带不确定度及其权值并结合多频带特征进行加权融合,能很好得到人脸的特征。该加权融合算法首先计算人脸2维双树复小波多个频带特征图,然后计算多个频带滤波不确定度权值,最后进行加权融合。同时使用了2维主成分分析(2DPCA)方法对特征向量进行子空间投影,应用欧氏距离作为相似测度实现分类识别。使用英国剑桥Olivetti实验室(ORL)图像库进行了测试,实验结果表明,提出的方法相对于使用2DPCA、Wavelet和Gabor小波的特征提取方法,取得了更好的识别效果。     

Bayesian texture classification and retrieval based on multiscale feature vector

This paper proposes a supervised multiscale Bayesian texture classifier. The classifier exploits the dual-tree complex wavelet transform (DT-CWT) to obtain complex-valued multiscale representations of training texture samples for each texture class. The high-pass subbands of DT-CWT decomposition of a texture image are used to form a multiscale feature vector representing magnitude and phase features. For computational efficiency, the dimensionality of feature vectors is reduced using principal component analysis (PCA). The class conditional probability density function of low-dimensional feature vectors for each texture class is then estimated by using Parzen-window estimate with identical Gaussian kernels and is used to represent the texture class. A query texture image is classified as the corresponding texture class with the highest a posteriori probability according to a Bayesian inferencing. The superior performance and robustness of the proposed classifier is demonstrated for classifying texture images from image databases. The proposed multiscale texture feature vector extracted from both magnitude and phase of DT-CWT subbands of a query image is also shown to be effective for texture retrieval.     

医学肝脏图像Gabor小波纹理特征研究

针对肝脏图像自身特点,研究了Gabor小波纹理特征在医学肝脏图像识别中的意义,提出一种基于Gabor小波纹理特征的医学肝脏图像识别方法.实验表明:引进Gabor小波纹理特征能较好地实现医学肝脏图像识别问题;与其它典型图像识别方法对比结果验证,新方法可以取得更高的识别率.     

基于纹理分析的多源信息融合方法研究

基于二元树复数小波变换的优良性能,结合遗传算法及证据理论,对图像纹理特征进行分析处理.首先利用DT CWT的移动不变性、良好的方向选择性、完备的重构性、有限的与尺度无关的冗余度以及很高的计算效率等特点提取丰富的图像纹理特征；然后应用遗传算法的寻优能力对纹理特征进行约简；最后采用基于证据理论的数据融合方法实现多源信息融合目标识别.物体非损伤性评价实验表明该算法具有很好的识别效果.     

A cloud-based monitoring system via face recognition using Gabor and CS-LBP features

Face detection and recognition is an important topic in security. Currently, ubiquitous monitoring has received a large amount of attention. This paper proposes a cloud-based ubiquitous monitoring system via face recognition. It consists of a monitoring client module for face detection and recognition and a cloud storage module for data visualization. In the monitoring client module, the center-symmetric local Gabor binary pattern feature extraction method is proposed for face recognition, which combines improved multi-scale Gabor and center-symmetric local binary pattern (CS-LBP) features. This method maintains crucial local features, reduces the Gabor filter complexity, and adds rotational invariance and more precise texture information. A large number of experiments on the ORL, Yale-B, and Yale databases show that the proposed method obtains significantly better recognition rates than the LBP, CS-LBP, and Scale Gabor methods. Furthermore, we propose a Web browser-based data visualization that renders the geographic locations of the face detection and recognition results.     

基于DT-CWT和SVM的踏面旋转不变纹理提取算法

针对列车车轮踏面旋转纹理信息无法准确、有效提取的问题,提出一种基于Radon变换和双树复小波变换（DT-CWT）的列车车轮踏面特征提取方法。首先,对车轮踏面图像进行Radon变换;然后,对变换后的图像进行DT-CWT分解,使用分解后的各层低频子带系数和高频子带系数模的均值和标准方差构造特征向量,将其作为区分列车车轮踏面是否发生损伤的依据;最后,由支持向量机（SVM）进行分类决策。使用动车所采集的图像及人为加噪声后的图像进行分类实验,结果表明,本文使用的Radon和DT-CWT算法能有效地进行旋转不变纹理的提取,SVM分类正确率可以达到95%,可为列车车轮踏面状况检测提供更为准确便捷的方法支撑。     

应用复小波和独立成分分析的人脸识别

结合双树复小波变换（DT-CWT）和独立成分分析（ICA）提出了一种人脸识别新方法。该方法首先应用双树复小波变换提取图像的特征向量,接着通过主成分分析（PCA）降低特征向量的维数,在此基础上应用独立成分分析提取统计上独立的特征向量,然后基于相关系数的分类器对特征向量进行分类。双树复小波变换具有方向与尺度选择性,并能有效的保持图像的频域信息,其与独立成分分析相结合提取的特征具有良好的分类性能。在ORL和AR人脸图像数据库上进行算法验证的结果表明该方法的有效性。     

基于Gabor小波和监督等距映射的人脸识别

提出了一种基于Gabor小波变换和监督等距映射(supervised isometric feature mapping,S-ISOMAP)的人脸识别方法.针对流形学习算法不能消除图像特征向量中高阶相关信息的缺点,引入Gabor对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征(Gabor magnitude feature,GMF),然后使用具有提取鉴别子流形的S-ISOMAP算法对GMF特征进行维数约简,最后使用最近邻分类器进行分类.该方法综合运用了Gabor特征对人脸图像的优异的表征能力、S-ISOMAP的非线性维数约简能力,使得该方法对光照和表情变化等具有良好的鲁棒性.在YaleB和PIE人脸库上的实验表明了该方法的有效性.     

基于混合特征和分类树的细微表情识别方法

目前多数人脸表情识别的研究仅限于6种基本表情,未考虑到人脸表情变化是细微的.因此提出了基于混合特征和分类树的细微表情识别方法.对眼睛区域采用Gabor小波变换提取纹理变化特征,对鼻子区域采用2D-DCT提取纹理变化特征,而对嘴巴区域采用改进的AAM提取形状变化特征.分类识别时,将易混淆表情先归为一类进行表情的粗分类,然后对类内的表情选择相应表情贡献较大的特征子区域中的特征,进行表情细分类.在每级分类识别过程中,对每个区域采用离散HMM得出表情概率,最后采用在训练阶段得到的贡献权值进行加权融合得到分类结果.实验结果表明,该方法能够得到较好的识别效果,且处理速度快,适合于实时图像序列的细微表情识别.