应用Gabor纹理特征的水管内壁图像分类

Gabor滤波器在图像分析和机器视觉方面得到广泛应用.将Gabor滤波用于识别地下水管内壁图像,对管壁损坏程度进行分类.针对Gabor函数之间的非正交性,优化参数,尽量减少滤波输出数据中的冗余信息,使用一组不同频率响应和角度特性的Gabor滤波器获取图像块纹理信息,并用主分量分析(principal components analysis, PCA)对得到的高维特征向量进行降维.对提取的纹理特征进行k-均值聚类,实验结果验证了该方法的有效性.
     

基于Gabor滤波器的图像去噪研究

Gabor滤波器具有良好的尺度特征和方向特征,与人类视觉系统的特性相吻合.实验结果表明Gabor滤波器能够对图像进行去噪,并能很好地保护图像的细节,具有更好的视觉效果.     

一种眼睛特征抽取的新方法

眼睛特征对诸如人脸识别、表情识别及三维人脸重建等应用领域而言都是非常有效的信息．本文综合利用彩色信息、Gabor小波特征信息以及各特征之间的相互位置关系抽取眼睛特征．首先，在HSV彩色空间的H通道中检测瞳孔的中心位置并对眼球的半径加以估计；然后，在Gabor特征空间中构造了眼角滤波器用以检测眼角位置；最后，在前面两步检测的基础上，用样条函数拟合眼睛的轮廓．在SJTU库上的大量仿真实验验证了该方法的准确性与稳健性．     

人脸识别中一种新的Gabor特征提取方法

为了有效利用Gabor特征进行人脸识别，提出一种新的Gabor特征提取方法．首先利用类别可分离性判据评价Gabor展开系数的分类能力，选择最有利于识别的Gabor展开系数构造新的Gabor特征、然后对人脸不同局部位置处采样点的分类能力进行评价，选择分类能力最强的位置提取特征点、最后就新的Gabor特征对光照和表情变化的适应性进行测试．实验结果表明，新的特征提取方法能够在小样本条件下有效提高识别率，减少特征数量，并对环境变化具有一定的适应能力．     

基于结构的指纹特征抽取方法

为了弥补传统的提取细节特征点的方法在小面积指纹图像识别上的不足，针对指纹脊线纹理结构进行了详细研究，分析了Gabor滤波器应用在纹理上的原理，建立了用于指纹识别的Gabor滤波器的物理模型，在此基础上设计了基于Gabor滤波器获取指纹特征的算法.首先提出了一种快速和简便的自动定位指纹图像中心点方法，以中心点为参考点在其周围确定特征提取区，根据Gabor滤波器的性质对其进行8方向滤波提取特征.通过在标准指纹数据库上的对比实验，显示了该方法的有效性.     

一种新的Gabor滤波器在笔迹鉴别中的应用

针对Gabor滤波器在进行笔迹特征提取时,局部特征不显著和速度慢的问题,提出利用一种新的Gabor滤波器提取笔迹图像的特征,另外,考虑到滤波器参数的设置的重要性,详细分析了各参数对滤波后笔迹图像的影响,最后利用笔迹库进行实验取得满意的识别率。     

快速Gabor滤波器在指纹纹理分析中的应用

为了提高指纹识别速度,在分析了Gabor滤波器实部特征的基础上简化了求二维卷积的运算,从而改进了Gabor滤波器算法,实验表明该改进算法使运算的复杂度由O(n2)降至O(n).     

快速Gabor滤波器在指纹纹理分析中的应用

为了提高指纹识别速度，在分析了Gabor滤波器实部特征的基础上简化了求二维卷积的运算，从而改进了Gabor滤波器算法，实验表明该改进算法使运算的复杂度由O（n^2）降至0（n）。     

基于Gabor卷积神经网络的图像分类算法研究

为了研究Gabor滤波器在卷积神经网络中的性能和特征提取能力,提出了模拟视觉神经元特性的Gabor卷积神经网络计算模型。利用符合视觉神经元感知特性的Gabor滤波器作为建议神经网络的卷积核,将Gabor滤波器与CNN相结合,从而构建Gabor卷积神经网络。实验采用3个公共图像数据集进行图像分类任务,验证GaborConv网络的各项性能,并与经典的VGG16进行对比分析。实验结果表明,Gabor卷积神经网络的图像分类精度相对CNN有所提高,其收敛速度也明显加快,同时大量减少网络训练参数数量,释放计算机的内存。     

一种用于掌纹识别的Gabor滤波器方向选取方法

根据掌纹图像的频谱特征,提出了一种自动选取Gabor滤波器方向的方法.该方法将掌纹图像的Fourier谱映射到极坐标域,分析并计算Fourier谱在角度轴上的投影峰值,从而设置Gabor滤波器的方向.实验结果表明:该方法提高了掌纹图像的识别率,且算法实现简单.     

基于Gabor滤波器的图像纹理特征提取

结合纹理的能量特性、粗糙性、结构性等特点,根据人类视觉特性,提出了Gabor小波变换滤波器的图像纹理特征提取方法。实验结果表明,虽然图像的Gabor纹理计算量很大,但是方法是有效的。     

基于Gabor小波的特征提取技术应用

介绍人脸识别和小波技术,分析其工作原理,给出Gabor小波技术的基本特征和特征提取方法,提出了把Gabor小波技术应用于人脸识别技术中的实验步骤。     

基于Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.     

Gabor小波和变形模板的目标跟踪方法

在特征空间中利用Gabor小波和可变形模板实现了航拍图像中目标的跟踪.从图像中提取出一组具有特定参数的Gabor小波,并求出其权重作为目标特征,构成了Gabor小波特征模板.在跟踪过程中,随着目标的旋转、尺度等仿射变化,小波特征模板随之变形,优化了目标的仿射运动参数,实现了对目标的稳定跟踪.由于采用了基于Gabor小波的方法来搜寻最佳点的位置,使得搜寻结果更加精确有效.     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。     

基于模糊聚类分析和多特征融合的人脸识别方法

提出一种使用模糊聚类融合线性子空间特征和Gabor小波特征的人脸识别方法. 通过分析样本在子空间的聚类情况, 对处于不同聚类边界的样本采用Gabor特征进行二次识别. 实验结果表明, 该方法能在保证识别率的前提下, 有效减少平均识别时间.     

基于Gabor滤波器组和特征分组神经网络目标识别

就模式识别中特征提取和分类决策两个阶段进行了研究．在特征提取方面，提供了一种用于提取图像不同中心频率和方位特征的Gabor滤波器组的设计方法；在分类决策算法方面，提出了一种基于图像的Gabor滤波特征的特征分组神经网络分类算法，该算法将一个复杂的模式识别问题分解为几个简单问题来处理，降低了问题的复杂度，同时还取得了一定的抗有限带宽噪声的效果．