基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。     

基于三角形和正方形的NAM灰度图像表示方法研究

非对称逆布局模型(NAM)适用于图像模式、语音模式、文本模式、视频模式的表示,是一个通用的模式表示模型。图像表示是计算机图形学、计算机视觉、机器人、图像处理和模式识别等领域里的一个重要问题。借助于三角形和正方形Packing问题的思想,本文提出了一种基于三角形和正方形的NAM灰度图像表示方法,简称NAMTS表示方法。给出了灰度图像的NAMTS表示算法,并对其存储结构和总数据量进行了详细分析。理论分析和实验结果表明:与经典的基于线性四元树的表示方法相比,基于三角形和正方形的NAM灰度图像表示方法能更有效地减少子模式数和数据存储空间,是灰度图像的一种良好的表示方法。     

基于嵌入式系统的图像对象分割

随着计算机科学和微电子技术的迅速发展,以计算机技术、集成电路技术和软件技术为核心的嵌入式系统的信息处理能力迅速提升,为基于嵌入式系统的图像信息处理提供了硬件基础。本文以ARM920T结构的S3C2410处理器为核心,构建了一个嵌入式图像处理平台,在嵌入式Linux操作系统的支撑下,实现了嵌入式图像的采集、图像灰度化和基于迭代法的图像对象分割,实验证明本系统是切实可行,为进一步的研究提供了基础。     

基于多分辨率分析与形态学分水岭算法的图像分割

由于分水岭算法存在着过分割的问题,本篇论文提出了一个有效解决该问题的方法。首先,在图像预处理过程中先对图像进行小波分解;其次,采用形态学求梯度的方法得到小波分解后的低频图像的梯度图并对其进行开闭重建,在保留区域重要轮廓的同时去除噪声和图像细节;第三,对重建后的低频梯度图像进行基于标记约束的分水岭分割,并将低分辨率的分割结果图像向全分辨率映射。试验结果表明该方法能够很好地抑制过分割,同时通过结构元素的选择而具备一定的灵活性,整个过程无需进行合并处理,从而降低了分割的复杂性。     

一种快速实用的车牌字符识别方法

提出了一种新的车牌字符识别算法.该方法先对车牌中的单个字符进行预处理,然后采用Hausdorff距离模板匹配方法识别,对于特定位置的特殊字符,再进行校正识别.实验表明,该方法有效可行。     

保持图像细节的红外图像直方图均衡算法

针对灰度图像经传统直方图均衡算法后因部分灰度级被合并而导致图像细节丢失的问题,提出了一种新的可保持图像细节的红外图像均衡算法.该算法避免了传统直方图均衡带来的灰度断层和丢失现象,对图像灰度级进行无损均衡,提高了图像质量.实验表明该算法使图像的细节和清晰度得到明显的增强。     

基于红外与可见光的智能跟踪技术

介绍了红外热成像原理及其技术特征,并对云台摄像机的预置位功能做了详细说明。在此基础上,提出了红外与可见光相结合的智能跟踪技术,该技术可准确地发现目标并跟踪目标。既实现了夜间环境下的视频监控,也克服了可见光设备检测范围的局限性。该技术可应用于学校、住宅小区等公共监控场所,从而实现智能监控和跟踪。     

基于MPEG-7主色描述符的图像检索

主色描述符作为MPEG-7的一种颜色描述子被广泛的应用于图像检索。通过一种有效的,结构紧凑的,直观的模式,主色描述符描述了一幅图像中的具有代表性的颜色特征。一种新的基于固定数目的MPEG-7主色描述符的图像检索算法被提出。特征提取的过程不再需要阙值的干预以及主色数目固定为8个。直方图相交算法用来衡量特征,从而简化了相似度的计算。实验结果表明,此方法的查准率和查全率高于非固定数目的主色检索方法。     

悬液细胞图象识别的一种有效新算法

为进一步提高细胞识别的速度和识别率,本文研究一种细胞识别新算法。不同于其它的只对整个细胞形态进行一次图象处理的细胞识别方法,该算法在图象处理过程中,先后以细胞形态为重点和以细胞核形态为重点对原始图象进行两次图象处理,分别得到图象清晰度很高的整个细胞的二值图和细胞核的二值图。然后提取各项特征参数,对细胞图象进行识别。最后应用该算法对多幅细胞图象进行识别,结果表明该算法不但识别速度快,平均每幅图象的时间在3秒左右,而且识别率高达85%以上。     

Image retrieval model based on weighted visual features determined by relevance feedback

An accurate and rapid method is required to retrieve the overwhelming majority of digital images. To date, image retrieval methods include content-based retrieval and keyword-based retrieval, the former utilizing visual features such as color and brightness, and the latter utilizing keywords that describe the image. However, the effectiveness of these methods in providing the exact images the user wants has been under scrutiny. Hence, many researchers have been working on relevance feedback, a process in which responses from the user are given as feedback during the retrieval session in order to define a user’s need and provide an improved result. Methods that employ relevance feedback, however, do have drawbacks because several pieces of feedback are necessary to produce an appropriate result, and the feedback information cannot be reused. In this paper, a novel retrieval model is proposed, which annotates an image with keywords and modifies the confidence level of the keywords in response to the user’s feedback. In the proposed model, not only the images that have been given feedback, but also other images with visual features similar to the features used to distinguish the positive images are subjected to confidence modification. This allows for modification of a large number of images with relatively little feedback, ultimately leading to faster and more accurate retrieval results. An experiment was performed to verify the effectiveness of the proposed model, and the result demonstrated a rapid increase in recall and precision using the same amount of feedback.