一种基于纹理和颜色的图像检索方法

为了减少构造灰度共生矩阵的计算量,应用Roberts算子对图像进行边缘检测,构造边缘图像的灰度共生矩阵.该方法克服了构造灰度共生矩阵的计算量过大的缺点,引入了色度矩描述的颜色特征,使检索结果更加符合人的视觉特点,并可以通过调整纹理和颜色特征的加权值来满足不同的检索需要.     

基于类别共生矩阵的纹理疵点检测方法

根据有规则纹理的特点,提出了基于类别的共生矩阵来描述纹理特征,从而很好地将正常纹理与疵点区分开.分析了传统的灰度共生矩阵在计算纹理特征时计算量大,且分辨能力差的缺点.为了克服灰度共生矩阵在计算量和分辨能力上的缺点,定义了类别共生矩阵.在类别共生矩阵的算法中,首先学习纹理的一些基本特征以确定类别共生矩阵的一些关键参数,如纹理的概率密度分布、纹理的主方向和周期,以及分类准则等重要参数,然后计算类别共生矩阵并提取白疵点增强、黑疵点增强和一致度等三个特征,最后采用异常点检测的方法即可很好地区分正常纹理和疵点.实验证明,该方法比已有的灰度共生矩阵计算量小,并具有更突出的分辨纹理和疵点的能力.     

融合方向测度和灰度共生矩阵的纹理特征提取算法研究

为了解决提取图像纹理特征时所遇到的纹理方向抑制问题,提出一种融合方向测度和灰度共生矩阵的纹理特征提取算法。该算法通过灰度共生矩阵,提取图像的Haralick特征,其中包括对比度、相关性、能量、逆差矩等,然后利用方向测度引入权值因子,并将其与所提取的Haralick特征相融合,最后对融合后的各个分量进行高斯归一化处理,获取最终的纹理特征集。实验结果表明,与采用灰度共生矩阵方法相比,该算法可以有效的避免图像纹理方向的抑制,所提取的纹理特征具有更强的图像识别能力,对Brodatz标准纹理库分类的正确率也有一定的提高。     

结合局部和全局特征的人群密度估计算法

传统的人群密度估计算法由于受到背景噪声及遮挡等因素的影响,不能同时对不同密度等级的人群做出准确估计。该文提出一种结合局部和全局特征的混合型人群密度估计算法。首先,对输入图像进行预处理以减少背景噪声干扰;其次,计算前景团块像素数占全幅图像的比例,并引入阈值分割机制;最后,对阈值上下的图像分别采用基于全局特征的分类算法和基于局部特征的回归算法来获取人群密度。此外,对基于全局特征的分类算法,提出结合小波变换和灰度共生矩阵的纹理特征描述子来提高分类准确率。实验结果表明该文算法对不同密度等级的人群均能做出准确估计且鲁棒性强。     

基于颜色纹理和形状特征相结合的图像检索系统

灰度共生矩阵是一种有效的纹理图像分析方法,为了更有效地进行图像检索,定义了一种新型的灰度共生矩阵描述子,该矩阵描述子能够有效结合颜色、纹理和形状特征,通过描述像素的空间相关性来进行基于内容的图像检索. 利用该矩阵描述子进行图像检索时,先在RGB颜色空间中计算彩色梯度,然后利用灰度共生矩阵来描述图像特征. 实验结果表明其检索性能优于传统的普通灰度共生矩阵.     

基于模式识别与灰度共生矩阵的神经元图像分类

为了实现自动高效且结果准确的生物神经元识别,提出一种基于模式识别与图像灰度共生矩阵特征的神经元自动分类方法。该方法通过对生物神经元图像预处理,计算图像的灰度共生矩阵,统计各图像灰度共生矩阵属性值的平均值和标准差,构建生物神经元类别的特征空间,利用模式识别中的人工神经网络方法建立特征空间与神经元类别之间的映射关系。采用收集的160幅生物神经元图像对该方法进行实验分析,测试集的识别正确率达93.8%。研究结果表明,结合模式识别与图像灰度共生矩阵特征的生物神经元图像自动分类方法具有较高的准确性与可靠性。     

基于灰度共生矩阵和支持向量机的茶叶病害诊断研究

针对茶叶病害由于致病机理不同导致病斑纹理不同的特点,通过灰度共生矩阵来构造茶叶病害的纹理特征和将支持向量机应用到茶叶病害的识别方法;由于支持向量机是一个二分器,提出了投票最大策略建立SVM多分类识别算法。首先对茶叶病害的图像进行预处理以改善图像质量,然后利用灰度共生矩阵构造和提取了5种纹理特征,最后建立支持向量机多分类识别器并对茶叶病害进行识别。实验结果表明:利用灰度共生矩阵构造的纹理特征对茶叶病害的识别效果好;不同核函数的识别性能不同,径向基核函数比较适合茶叶病害的识别,识别率高达86.67%;不同样本数的识别性能不同,支持向量机在解决小样本的病害识别问题上有很好的识别能力,最低识别率达到70%,稳定性好。     

灰度共生矩阵纹理特征的运动目标跟踪方法

在研究纹理特征属性的基础上,提出采用灰度共生矩阵纹理特征进行目标跟踪的方法。基于OpenCV平台,通过对标准测试视频的仿真试验,对灰度共生矩阵纹理特征、局部二进制模式纹理特征和灰度颜色直方图特征在粒子滤波目标跟踪框架中的作用进行了测试与对比分析,灰度共生矩阵纹理特征在相似性颜色的遮拦与抗扰动、处理时间等方面表现出良好的属性特征,相关的试验数据和对比结果表明了这种纹理特征具备优良的跟踪特性,可以增强跟踪系统的整体性能。     

基于灰度共生矩阵和梯度相位互信息的医学图像检索

结合灰度共生矩阵特征和梯度相位互信息,提出了一种面向临床实际应用的两步匹配医学图像检索算法.该算法在提供良好分类性能的灰度共生矩阵特征的基础上,通过精化检索进一步提高了检索精度,以及检索算法的整体鲁棒性.使用该算法对包含有6种不同解剖部位的CT图像库进行检索实验.实验结果表明该算法在达到良好的检索准确性的同时,具有接近实时的查询响应速度.对该算法进行适当扩展,能容易地推广到实际医学检索应用中.     

基于图片DCT域共生矩阵的图像拼接盲检测

通过对图像拼接技术的分析,提出了一种基于灰度共生矩阵的拼接图像检测算法.该算法把离散余弦变换(DCT)与灰度共生矩阵结合,计算图片DCT域上的灰度共生矩阵,将共生矩阵作为特征向量,采用特征提取 分类方法,利用支持向量机（SVM）分类器进行分类预测.实验结果表明,该算法在哥伦比亚大学灰度图片库和中国科学院彩色图片库上达到了91.2%和98.5%的最高检测准确率.     

基于人体属性分析的考场行为识别

在实际监控的边缘设备中利用TSN或者3DCNN网络很难实现实时的、相对准确的监控任务。提出一种结合了人体检测和人体属性分析的考场行为识别算法。相对于以提取时空特征作视频分类算法为主流思想的行为识别,利用视频帧以人体检测和人体属性分析结合的行为识别方法更加快速准确。方法借助了多标签学习、注意力机制和特征金字塔等策略来改进任务,同时利用迁移学习对本地采集的数据集进行再训练,实验结果表明达到了主流数据集的良好性能,并在考场环境具有高效性与实用性。     

特征提取与多目标机器学习研究及应用

特征提取与多目标机器学习算法是基于多目标协同EA提出的,该算法通过对学习样本多属性进行特征提取找出其核属性,由核属性与其他非核属性组成属性组,从而提高了分类的精度。各属性组再按相似性和类标签进行有监督地聚成类簇,类簇个数和中心根据适应度矢量函数通过机器学习算法自动确定,这样类簇个数和中心就不受主观因素的影响并且保证了这两个关键要素的优化性质。待分类样本的类属是按离某个类簇中心距离最近邻法则和该类簇的类标签来判定。最后,将算法应用到UCI数据集中的Liver Disorders和Hepatitis两个数据集,以及浙江省北部地区夏天异常高温天气预测。通过实验表明,特征提取与机器学习算法优于著名的朴素贝叶斯、C4.5、SVM算法。     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.      

局部二值平均熵模式与深度残差网络的人群密度估计

针对人群密度估计算法中场景的人群遮挡、尺度光照变化、噪声和低分辨率等问题,提出了一种结合局部二值熵值纹理特征(ELBP)与深度残差网络的人群密度估计算法。该算法首先在原始RGB人群图像上提取LBP特征;然后通过计算邻域像素点的平均信息熵模式构建ELBP纹理特征;随后基于ELBP纹理特征构建了一个深度为18层的深度残差网络;最后形成了对人群密度估计的end-to-end模式。为验证算法的可行性和有效性,在开源的人群密度估计数据集上进行实验。首先邀请10位专家对开源的数据集进行有效的人群聚集标注作为真实输出标签;随后采用研究提出的算法对人群密度完成估计,并与真实结果进行比较。另外,在三种不同的特征和三种不同的机器学习模型上进行了横向比较。实验结果表明,提出的ELBP纹理特征能够很好地应对噪声和低分辨率问题;深度残差网络则能够解决人群遮挡、尺度光照变化的问题。与传统算法相比,提出的算法能够提升人群密度估计的性能。     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。     

基于选择性的贝叶斯分类器集成方法

提出一种基于选择性的贝叶斯分类器集成方法．该方法为避免数据预处理时的属性约简对分类效果的直接影响，在训练集上通过随机属性选取生成若干属性子集，并以这些子集训练不同的贝叶斯分类器，进而采用遗传算法优选贝叶斯分类器集成，其适应度函数综合了分类器的精度和差异度两项指标．实验中，将该方法与已有方法在UCI的标准数据集上进行了性能比较，并将该方法用于C^3I系统中的威胁度估计。     

面向不平衡数据的逻辑回归偏标记学习算法

偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度.     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

面向网络安全不平衡数据的特征学习和分类研究应用

网络数据的正确分类对于网络环境的监控和维护具有重要作用。在数据不平衡状态下解决数据分类和处理复杂的特征关系尤为重要,为此提出一种改进SMOTE(synthetic minority over-sampling technique)+GA-XGBoost(genetic algorithm-extreme gradient boosting)的机器学习分类方法。将局部离群因子引入SMOTE插值过程,对少数类样本过采样,并对多数类样本随机欠采样,从而实现样本再平衡;同时,在模型训练过程中为增加模型拟合度,将具有进化迭代优势的遗传算法与XGBoost相结合,解决XGBoost参数众多、特征学习收敛较慢等问题。实验采用UNSW＿NB15数据集,选择多层感知机、K近邻、决策树等机器学习算法及SMOTE+XGBoost等不平衡数据训练方法进行试验对比,结果表明该方法具有较好的分类预测准确率(97.40%)及较高的平均召回率(70.2%)和平均F₁-score(68.8%)。并在本实验室工业信息安全平台采集的数据进行实验研究,分类准确率为99%,进一步验证了该方法的有效性和可行...