基于快速鲁棒特征集合统计特征的图像分类方法

针对现有利用快速鲁棒特征(SURF)进行图像分类的方法中存在的效率低、正确率低的问题,提出一种利用图像SURF集合的统计特征进行图像分类的方法.该方法将SURF的各个维度及尺度信息视为各自独立的随机变量,并利用拉普拉斯响应区分不同数据.首先,获取图像的SURF向量集合;然后,分维度计算SURF向量集合的一阶中心绝对矩、带权一阶中心绝对矩等统计特征,并构建特征向量;最后,结合支持向量机(SVM)进行图像分类.在Corel 1K图像库上的实验结果表明,该方法查准率较SURF直方图方法和三通道Gabor纹理特征方法分别提高17.6%和5.4%.通过与HSV直方图特征进行高级特征融合,可获得良好的分类性能.与SURF直方图结合HSV直方图方法、三通道Gabor纹理特征结合HSV直方图方法、基于视觉词袋(BoVW)模型的多示例学习方法相比,查准率分别提高了5.2%,6.8%,3.2%.     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

基于BoC-BoF特征的图像检索方法研究

为了优化基于内容的图像检索方法,提出了一种融合特征来表征图像内容.首先,提取基于RootSift描述子的特征词袋(Bag-of-Features,BoF)表示向量,获得图像的边缘和形状信息;其次,采用基于HSV的颜色词袋(Bag-of-Colors,BoC)表示向量来代替传统颜色直方图方法,获取图像的颜色信息;最后,将BoF表示向量和BoC表示向量相融合,形成BoC-BoF特征向量.BoC-BoF特征有效地实现了全局特征和局部特征的融合.两个数据集检索的实验结果表明,该方法比其它方法更加有效.     

基于多特征协同的交通标志检测

针对交通场景图像中交通标志因颜色失真、形状失真和尺度变化导致漏检严重的问题,提出一种颜色特征、形状特征和尺度特征的多特征协同方法。从交通场景图像计算颜色增强图,利用多阈值分割方法和闭合轮廓曲率直方图链码表达,并对提取的形状轮廓的曲率直方图进行尺度归一化处理,融合颜色特征和归一化后的形状特征构成区域的特征向量,采用支持向量机分类获得检测结果。实验结果表明,该算法在较低时间复杂度下,能有效提高交通标志检测精度。     

基于多线索特征融合的图像分类方法

针对图像本身存在噪声和冗余信息而导致分类准确率不高的问题进行了研究，提出一种基于多线索特征融合图像分类算法。通过改进全局显著性和稀有性度量方法得到显著图像；分别在原图像、压缩图像和显著图像上提取方向梯度直方图（Histogram of?Oriented Gradient，HOG）特征；将提取到的特征向量融合；采用基于欧氏距离的二叉树支持向量机（Distance Binary Tree SVM，DBT-SVM）进行图像分类。利用Caltech101和花卉图像数据集进行实验测试，结果表明提出的算法能够有效地提高图像分类的准确率。     

基于改进的颜色和SURF特征的粒子滤波目标跟踪

针对视频中运动目标的准确跟踪问题,提出了一种改进的颜色直方图特征和SURF特征的粒子滤波跟踪算法。采用SURF算法提取特征点,利用分层迭代的KLT算法对特征点进行稳定跟踪。将SURF特征与改进的视觉显著性颜色特征进行乘性融合,作为粒子滤波的观测概率。针对跟踪过程中SURF匹配数下降和不稳定的现象,设计了SURF特征模板集的更新策略。与传统特征的跟踪进行多组对比实验,其结果证明了该方法对光照和遮挡具有很好的鲁棒性,对目标跟踪的准确率更高。     

基于改进颜色直方图和灰度共生矩阵的图像检索

针对传统颜色直方图提取的颜色特征维数高、传统灰度共生矩阵忽视纹理方向等问题,提出一种融合改进的颜色直方图和灰度共生矩阵算法的新图像检索算法。利用K-means聚类对检测图像进行颜色聚类以降低图像颜色数;在HSV空间进行矢量化编码,统计图像码字形成颜色直方图以提取颜色特征;利用灰度共生矩阵提取检测图像的4个特征值,利用方向测度引入权值因子,将其与4个特征值融合,对融合后的各分量进行高斯归一化后形成纹理特征向量;最后,采用加权平均融合颜色和纹理的特征距离。与其他两种算法相比,仿真实验表明本算法对一般图像和有纹理倾向的图像有较高的查全率和查准率。     

基于融合特征的SURF配准算法

SURF算法是一种尺度不变、旋转不变且鲁棒性良好的配准算法,但其丢失了图像的颜色特征,因此对于彩色图像的配准效果不佳。为此,提出了一种基于融合特征的SURF配准算法。该算法首先利用彩色图像的颜色不变量和DLBP纹理特征构造融合特征灰度图,并提出了一种基于彩色图像颜色直方图的自适应方法来调节融合特征的权重;然后,利用SURF算法在融合特征灰度图上进行特征点的提取与匹配;最后,使用改进的RANSAC算法去除误匹配点。实验结果表明,对于彩色图像,此算法有效地增加了提取的特征点数,并加快了配准速率。     

基于粒计算的空间特征提取及其检索的研究

利用四叉树算法将图像分割成若干子块,根据子块的颜色直方图,将提取图像的空间特征与提取图像的颜色特征结合起来,然后运用粒计算理论对提取的图像空间特征进行粒化,得到特征向量,并对其进行归一化。在此基础上,结合相关反馈机制设计基于粒计算的融合多特征的人机交互式图像检索的综合算法,该算法的复杂度低,能够在很大程度上提高图像检索的效率和准确性。     

空间金字塔颜色直方图在图像分类中的应用

颜色直方图在图像分类系统中有着重要的应用。针对像颜色直方图特征的空间关系,提出空间金字塔颜色直方图作为图像的特征表示。它结合了图像的全局特征以及分块特征的优点。使用支持向量机（SVM）以及常用的4种核函数进行了测试。在corel图像库上的实验结果表明,该特征可以有效地结合全局与空间特征,提高了图像的分类准确率。     

自适应加权融合显著性结构张量和LBP的表情识别

针对局部二值模式（Local Binary Pattern，LBP）提取纹理特征时忽略了图像的局部结构信息问题，提出一种自适应加权融合显著性结构张量和LBP的表情识别算法。该算法通过对整幅图片进行显著性区域检测得到全局显著图来消除细小的纹理和噪声。在显著图的基础上进一步提取两种显著性纹理特征，根据每种特征信息熵的贡献度来作为特征向量的加权依据。利用支持向量机（Support Vector Machine，SVM）进行表情图像的分类。实验结果表明，自适应加权融合的两种纹理特征能够较好地描述人脸的特征，有效地提高表情识别率。     

一种光滑局部敏感鉴别分析方法

传统的局部敏感鉴别分析方法未考虑原有图像样本像素关系信息,识别效果受到影响。为此,提出一种光滑局部敏感鉴别分析方法。针对图像样本构造一个基于离散拉谱拉斯图的正则化项,该正则化项包含图像像素关系的先验信息,并将其嵌入到局部敏感鉴别分析的目标函数中,使抽取的特征具有空间光滑的特性,从而增强局部敏感鉴别分析算法的泛化能力。在ORL和IMDB人脸数据集上的实验结果证明了该方法的有效性。     

融合BOVW和复杂网络的高光谱遥感图像分类

为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法.通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图.同...     

基于2D-DWT与FLD的人脸识别算法

基于加权二维离散小波变换(2D-DWT)与Fisher线性判别(FLD),提出一种人脸识别算法。利用db2小波对人脸图像进行2层小波分解,对于分解图像利用FLD法进行特征提取,运用最近邻分类法对提取的特征进行分类识别。在ORL标准人脸图像库上的实验结果证明,该算法能取得较好的识别率。     

非对称方向性局部二值模式人脸表情识别

针对方向性局部二值模式（DLBP）在单尺度下获取图像纹理特征的不足,提出一种非对称方向性局部二值模式（AR-DLBP）多尺度多方向融合的表情识别算法。首先对人脸表情图像进行光照补偿预处理,消除光照、噪声的影响,分割出人脸及眉、眼、嘴局部表情关键区域,并计算出关键区域的贡献度（CM）;然后提取人脸及关键区域的异或-非对称方向性局部二值模式（XOR-AR-DLBP）直方图特征信息,并根据CM对关键区域直方图信息进行加权级联再与整幅人脸图像的特征信息进行融合;最后用SVM分类器进行表情分类识别。该算法在JAFFE库、CK库上仿真实验,分别取得95.71%、97.99%的平均识别率及112?ms、135?ms的平均识别时间,实验结果表明,该算法可以有效精确地完成人脸表情的分类识别。通过对表情图像光照补偿预处理及分割出表情的关键区域,并加权融合局部与整体特征,大大提高了特征的鉴别能力,与传统算法的对比实验,也表明该算法无论是在识别率还是在识别时间上,所得效果都是最好的。     

加权FCM原型空间特征提取的高光谱图像分类

在原型空间特征提取方法的基础上提出一种基于加权原型空间特征提取的方法用于高光谱图像数据分类。通过加权模糊[C]均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与PSFE相比,w-PSFE对数据集大小的稳定性更高,同时在提取少量的特征用于高光谱图像数据分类时分类精度更高。