一种新的图像离散正交矩——UFIR矩

为进一步提升矩的图像描述性能,基于无偏有限脉冲响应(UFIR)多项式,提出了一种新型图像离散正交矩——UFIR矩。UFIR矩克服了连续正交矩的数值积分误差,而且定义域与数字图像完全一致,不需要额外的图像域转换;与现有的离散正交矩相比,UFIR矩的计算过程不涉及阶乘系数计算,而且无待定参量,更适合对数字图像进行盲分析。为了降低UFIR矩的计算成本与表示误差,基于UFIR多项式的迭代关系,给出了UFIR矩的快速计算方法。实验仿真验证了UFIR矩相较于其他正交矩具有较高的表示精度与计算效率。     

基于正交矩模糊和仿射混合不变量的图像识别算法

为了识别含有模糊和仿射混合形变的图像,提出了一种新的基于正交矩模糊和仿射混合不变量的图像识别算法.该算法首先使用归一化方法构造了基于Legendre正交矩的仿射不变量,并结合Legendre正交矩的模糊不变量提出了Legendre正交矩的模糊和仿射混合不变量;然后将该混合不变量作为描述算子,将欧几里德范数作为分类尺度,以最近邻法则作为分类器,对图像进行识别.实验结果表明,与其他基于非正交矩的混合不变量相比,基于Legendre正交矩的模糊和仿射混合不变量在混合形变下能够获得更好的不变性,不会带来信息冗余问题,并且对噪声鲁棒性较好;此外,该图像识别算法比其他算法具有更高的识别率,特别是在图像含有较大噪声的情况下.     

基于KNN算法的手写数字识别研究

KNN算法用于手写数字识别的时候,需要将待识别的手写数字图像(测试集)与一些已知的手写数字图像(训练集)联合在一起求向量之间的最短距离,才能判断待识别数字图像的分类.设计了一种将测试集图像中的数据与尺寸转换为与训练集图像完全相似的转换算法,并在此基础上,将测试集和训练集都转换成有相同列数量的一维向量,进而求出向量之间的距离,并通过编写Python程序对该算法进行了验证.测试结果表明,该方法对手写数字图像的正确识别率能够达到95%以上.     

基于正交混合Gauss模型的脱机手写数字识别

在基于统计方法的脱机手写数字识别中 ,为更加有效地描述特征的类条件概率分布 ,设计出性能优良的 Bayes分类器 ,采用了混合 Gauss模型。为减少模型的参数 ,通常假设各 Gauss分量的协方差矩阵为对角阵。由于各维特征之间统计相关 ,因此需要大量的 Gauss分量才能较好地描述特征的类条件概率分布 ,使得混合模型的阶数较高。为降低模型的阶数 ,采用了正交混合 Gauss模型 ,即先对各类别的特征分别进行 KL 变换 ,再将变换后的特征用混合 Gauss模型来表示。其中混合 Gauss模型的参数可以通过 EM算法进行估计。最后 ,在 NIST (National Institute of Standards andTechnology)手写数字样本集上对该方法的识别性能进行了验证     

基于BP神经网络的手写数字识别系统

提出了利用BP神经网络方法来实现手写数字识别系统的方案。手写数字图像通过颅处理后,在特征提取方面采用两种适应性较强的特征提取方法,即18点特征提取方法和手写数字笔画特征提取法．不但减少了提取时间。而且提高了手写数字图像的识别率。利用Visual C＋＋编写手写数字识别系统,得到了较好的识别结果。     

基于组合矩不变量特征的BP神经网络分类器

本文通过研究矩特征的性质，在传统的７个矩不变量的基础上，提出了５个组合矩不变量来完成对目标特征的描述．为完成对三维物体的识别，这里采用三层的ＢＰ神经网作为分类器，其输入特征为上述组合矩不变量．文中对三类目标在各种姿态下的矩特征分布的情况进行了研究，并将神经网分类器与最小距离分类器的分类性能作了比较．实验证明，神经网分类器能够完成对三维目标的识别，并且在实时性和鲁棒性方面表现了良好的特性     

基于TensorFlow手写数字识别模型改进

设计手写数字识别模型,在TensorFlow框架上使用Softmax回归算法实现手写数字图像的识别,并且在此模型基础上添加神经网络改进模型。实验表明,使用TensorFlow能够快速实现手写图像识别,改进模型后实验准确率可从87.8%提升到99.2%。     

基于组合矩不变量特征的BP神经网络分类器

本文通过研究特生的性质，在传统的７个矩不变量的基础上，提出了５个组合矩不变量一完成对目标特征的描述，为完成对三维物体的识别，这里采用三层的ＢＰ神经网作为分类器，其输入特征为上述组合矩不变量。文中对三类目标在各种姿态下的矩特征分布的情况进行了研究，并将神经网分类器和最小距离分类器的分类性能作了比较。     

维吾尔语大词汇语音识别系统识别单元研究

维吾尔语是一种黏着语,单词不太适合作为维吾尔语大词汇连续语音识别系统识别单元。针对维吾尔语大词汇连续语音识别系统中的识别单元选择问题,设计更适合维吾尔语的子词识别单元,提出维吾尔语单词和子词相结合的组合识别单元构建方法,并对单词、子词和组合识别单元的语言模型和语音识别性能进行评价。实验结果表明,所提出的识别单元在单元数量、语言模型复杂度等方面表现出更加优越的性能,并且使识别系统的单词错误率比基于单词的系统相对减少22%。     

基于伪Zernike矩模糊不变量的图像识别算法

为了提高模糊图像的识别率,提出了一种新的基于正交伪Zernike矩模糊不变量的图像识别算法.该算法首先推导出模糊图像的伪Zernike矩和原始图像的伪Zernike矩之间的线性关系,然后利用该关系构造出伪Zernike矩的模糊不变量,最后将该不变量作为描述算子对模糊图像进行识别.实验表明,与Zernike矩模糊不变量相比,伪Zernike矩不变量具有更好的模糊不变性,并且基于伪Zernike矩模糊不变量的图像识别算法能获得更高的识别率,特别是当图像含有较大噪声时.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

一种快速计算Zernike矩的混合算法

提取傅里叶-梅林矩作为Zernike矩的公共项,将Zernike矩表示为该公共项的线性组.通过研究Zerni-ke核多项式与傅里叶函数的对称性,将图像区域分成8个区域,只以一个区域的Zernike基函数的值代替其他7个区域基函数的值.而且Zernike多项式的系数具有迭代性.综合这3项技术,本文提出了一种快速计算Zernike矩的混合算法.根据对256 bit色灰度图像的实验结果表明该方法明显优于现有方法.     

学习相关源证据

将两个相关证据看成是一个相关源证据与两个独立源证据正交合成的结果,这两个相关证据的合成就归结为这3个相互独立的源证据的正交合成。利用证据理论组合相关多分类器,每个分类器提供的证据是相关的,利用遗算法从样本中学习最优的相关源证据,基于合成证据确定最终的组合分类结果。字符识别实验结果表明,这种相关证据模型能有效利用分类器之间的相关性,从而能提高多分类器的组合识别性能。     

一种改进的伪Zernike矩的快速算法研究

Zernike矩因具有正交性和旋转、平移、尺度不变性被广泛应用于模式识别特别是图像分析领域. 伪Zernike矩与Zernike矩相比, 具有更多的特征向量以及更强的抗噪声能力. 但在求伪Zernike矩时, 计算复杂性很大. 针对该问题, 在Chong和Xia等人对伪Zernike多项式的研究基础上, 结合Clenshaw递推公式, 提出了一种改进的快速求解算法. 实验结果表明, 改进后的方法在CPU的时间耗费上有较大的改善, 并初步将其应用于人脸识别中, 在训练和识别的时间上, 获得了较好的效果.     

完备的Zernike矩不变量集的构造及应用

为了解决模式识别应用中传统的不变量特征之间的相关性问题,基于Zernike矩提出一种构造其完备的相似变换不变量集的新方法.首先,根据图像的Zernike矩与径向矩之间的关系,以径向矩为中间桥梁,建立原图像的Zernike矩和旋转缩放后图像的Zernike矩之间的关系,然后由原图像的同阶和低阶Zernike矩线性组合即可...     

一种珍珠形状识别方法的研究

提出了一种基于Zernike矩的珍珠形状模糊分类方法,将得到的珍珠图像通过一系列图像预处理后,转化到极坐标系下,利用计算8阶Zernike矩的平均值来作为每种典型形状的特征参数．再运用模糊模式识别的方法实现对单幅珍珠图像的珍珠形状有效判别．通过多视角得到的图像的特征面的寻找与比较判别,实现了珍珠形状的判别分类．     

基于Hu矩和Zernike矩的文字识别

在研究Hu矩和Zernike矩的基础之上,提出一种基于Hu矩和Zemike矩的文字识别方法,在采集的文字图像中提取Hu矩和Zernike矩特征,利用K近邻的分类方法进行分类,理论和实验表明,该识别方法具有很强的抗图像平移、拉伸和旋转识别能力,其中Zemike正交矩由于其正交性在具有较高的识别能力的同时,还具有很强的冗噪能力。     

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.     

基于Zernike矩的图像不变性识别研究

本文提出一种基于Zernike矩的图像不变性识别方法,用于图像的平移、缩放和旋转不变性识别。理论分析和实验结果表明,Zernike矩做为一种经典的正交矩分析方法,具有良好的抗噪能力、图像识别能力。     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.