曲波变换域侧扫声纳图像海底底质分类

通过快速曲波变换将海底声纳图像分解为低频子带和各方向子带. 用低频子带的标准差描述声图的整体不均匀度,各方向子带的纹理能量测度描述声图纹理的方向性和粗糙性. 将构成的特征向量按SVM分类算法用于对侧扫声纳海底图像进行底质分类. 对沙、泥、石3 种类型海底的侧扫声纳图像进行分类实验,并与空域、小波域的分类方法相比较,表明文中方法能较好地用于海底底质分类.     

纹理图像分类的置信规则库推理方法

针对传统纹理图像分类算法识别率不高的问题,引入置信规则库推理方法而提出一种纹理图像分类策略.目前纹理图像分类研究常局限于纹理特征提取算法的改进,而忽视了另一个决定分类效果的关键,即分类器设计.该文采用置信规则库推理方法,在现有纹理特征提取算法基础上重新设计纹理图像分类器.根据角度径向变换和灰度共生矩阵算法提取图像纹理特征,采用主成分分析方法减少角度径向变换特征的维数,以避免产生置信规则库"组合爆炸"的问题.最后用置信规则库推理方法将纹理特征信息转换成类别置信度信息,得到最终的分类结果.实验中将置信规则库推理方法分别与相似性距离度量法和支持向量机法进行对比,结果表明所提出的方法在一定程度上提高了纹理图像分类准确率.     

基于非负矩阵分解和均方根误差的遥感图像分类方法

在利用非负矩阵分解(NMF)对高光谱图像进行降维时,并没有考虑图像中的噪声信息。因此,在利用NMF对图像进行分类时,往往不能获得很好的分类精度。基于此,提出了一种新的分类方法,该方法先利用均方根误差(RMSE)对图像进行去噪,然后再利用NMF对图像进行分类。     

一种有效的结构纹理区分方法

提出了一种检索纹理图像的算法.由于纹理图像具有的多样性,处理不同的纹理图像应当采用不同的处理方法.比如,针对结构纹理图像使用小波的方法更为适合,而针对具有随机纹理的图像使用马尔科夫模型效果就更好.因此,在处理图像之前对其按照纹理的情况进行分类合并,就可以有针对性的处理各种纹理图像.我们提出的区分纹理图像的方法基于二值傅里叶谱,首先将纹理库中的图像按结构纹理和随机纹理划分,然后采用多方向小波contourlet提取图像特征来检索图像.实验表明,这种区分算法,可实质性地提高检索率.     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

多特征主成分分析与声图相结合的海底底质分类

通过提取多种回声特征构造全特征向量,并对全特征向量进行主成分分析,计算出对底质分类贡献率最大的特征组,实现海底底质的分类. 采用两种分类方法对胶州湾实测数据进行比较,可得出下列结论：应用多特征主成分分析与声图相结合的分类结果优于单纯使用声纳图像的分类结果.     

基于二维主成分分析的高光谱遥感图像降维

提出一种以高光谱图像分析为目标的基于二维主成分分析的高光谱遥感图像的降维方法。通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维。对AVIRIS图像应用二维主成分分析的方法,可将能量主要集中在少数几个特征值中,这就为降维提供了可能。计算机仿真结果表明,该算法计算量小,方差小,峰值信噪比(PSNR)、分类准确性均显著提高,MSE有所下降。     

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.     

改进的卷积神经网络用于对比度增强取证

提出一种改进的卷积神经网络(modified convolutional neural network,MCNN)用于图像的对比度增强取证.其中MCNN第1层是预处理层,这一层将输入图像转化为二值灰度共生矩阵(binary gray-level co-occurrence matrix,BGLCM),其余各层与传统的卷积神经网络相同,这些层可从BGLCM上学习特征并以此进行分类.该方法的特征提取和分类可同时进行优化,使提取到的特征更适合对比度增强检测.实验表明,所提方法不仅可检测传统的对比度增强技术和两种反取证技术产生的对比度增强图像,还可区分对比度增强时所采用的参数.     

应用二维混合变换的脂肪肝超声波图像特征提取

采用一种二维混合变换—二维离散傅里叶离散小波混合变换（2-DDFT-DWT）,去除与脂肪肝散射粒子混迭的噪声,进而提取脂肪肝散射粒子。该算法从水平方向对超声波图像用DFT进行滤波处理,从垂直方向对超声波图像进行DWT尺度纹理信息提取处理。并给出了水平方向的偏DFT的正变换与反变换的定义与算法,及垂直方向的偏DWT的定义与算法。通过实例说明了脂肪肝超声波图像特征提取算法的应用,给出了与二维离散傅里叶变换及二维离散小波变换算法提取脂肪肝散射粒子纹理的比较结果。