基于图像处理的CT图像肝癌诊断技术研究

该文对基于图像处理的CT图像肝癌检测技术进行了研究。根据放射科医生临床诊断经验及肝癌CT图像的特点,提出了一个包括图像预处理、图像分割、特征提取和分类识别的肝癌检测方法,实现了对肝癌的有效识别。通过图像分割、轮廓提取和轮廓校正,得到了较为精确的病灶区边缘;提取了图像的纹理特征和形状特征;采取BP神经网络方法设计了两个分类器进行肝癌识别,第一个分类器依据纹理特征将目标区域区分为正常肝组织和非正常肝组织,第二个分类器利用形状特征将非正常肝组织区分为肝癌、囊肿和血管瘤。实验结果表明:正常肝的识别率为90.00%,非正常肝的识别率为85.00%,区分肝癌、囊肿和血管瘤的识别率分别为83.33%、72.73%和50.00%,肝癌的识别效果良好。     

基于双目立体视觉和SVM算法行人检测方法

提出了一种基于双目立体视觉和SVM算法的行人检测方法.采用行人样本的头肩HOG特征训练分类器,通过双目视觉系统获取待检测目标左右图像,经过摄像机标定和立体匹配之后,计算图像共轭点的视差生成深度图,以基于距离的阈值分割确定运动目标所在的ROIs,有效去除背景信息;提取分割图像的HOG特征,投入SVM分类器训练得到检测子;加载分类器在前景图像中做多尺度检测,标记检测出来的运动目标.实验表明:该方法能对复杂场景下不同尺度和姿态的行人进行有效检测,具有较高的鲁棒性和检测率,且具有很好的实时性.     

基于多级SVM的回转窑烧结状态识别方法

提出了一种新的基于多级SVM分类器的设计方法,并将该方法应用于回转窑的正常烧结、过烧结和欠烧结3种烧结状态的识别.即首先利用改进的双快速行进法从烧结图像中分割出物料区、黑把子区、火焰区、充分燃烧区等关心区域(ROIs),然后从ROIs中提取颜色、形状与纹理等特征,基于One-Versus-Another方法建立烧结状态预处理分类器模型,进行烧结状态的多类别分类;其次研究预处理分类器出错样本点的分布,将容易混淆的样本点作为一类;最后基于多级SVM方法重新建立分类器模型,进行烧结状态的分类.实验证明该方法快速、准确、推广性强.     

基于自编码神经网络与AdaBoost的快速行人检测算法

针对传统基于HOG特征与Ada Boost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出了一种基于自编码神经网络与Ada Boost的快速行人检测算法.该算法首先利用基于ACF模型的目标检测算法对图像进行预处理,获得疑似目标区域;然后对获取的子区域进行尺度归一化,提取HOG特征,并输入到自编码神经网络中进行降维;最后利用Ada Boost分类器对分类检测,输出检测到的行人区域.实验结果表明:文中所提算法的行人检测性能超过现有的检测算法,其检测速度也超过大多数算法.     

航空发动机孔探损伤识别方法

针对目前航空发动机孔探检测不能对损伤类型自动识别现状，将支持向量机与孔探检测技术相结合，提出基于支持向量机（SVM）的损伤图像识别方法。该方法将损伤图像进行二值化分割，利用链码跟踪及灰度共生矩阵分别提取损伤区域的形状特征和纹理特征，组成多维特征向量，输入支持向量机进行分类识别。分类器设计阶段，组建性能优越的二叉树支持向量机以减少训练样本，提高分类效率。CFM56发动机实验结果表明：该方法的识别性能明显优于传统SVM多分类器和BP神经网络方法。     

基于小波变换的红外目标图像多尺度边缘提取

数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础.传统的空域微分算子等方法在对背景相对复杂的红外图像不能有效的提取目标边沿.针对红外目标-景间对比度小,边缘模糊的特点,提出了基于小波变换的多尺度边缘提取方法.实验结果验证了,该算法具有良好的检测效果.     

基于小波变换和RBF神经网络的交通标志识别

提出一种基于小波变换特征提取及采用两级神经网络分类器的交通标志识别方法.使用小波变换对图像进行处理,消除图像像素间的相关性,提取图像的整体特征作为神经网络分类器的输入向量.因交通标志类型较多,采用两级神经网络结构进行识别,图像特征先送入第一级分类器得到图像的粗分类型,再送入相应的二级子分类器进行细分.实验结果表明,这种方法具有良好的效果.     

海面背景红外目标的识别算法

为了实现多角度状态的舰船目标识别,针对低信噪比下海面背景的目标红外图像,提出了一种基于分段拟合的稳定提取海天线信息的算法。在此基础上对经过目标分割后得到的感兴趣区域统计提取舰船目标的形状特征、位置特征等,考虑海面的干扰目标,设计综合分类器,通过对提取的各目标特征进行概率融合的方法实现目标判断。进行了仿真平台软件的试验测试。结果表明,使用该算法可以实现在不同环境和未知海天线的情况下对海面舰船目标多角度状态的可靠识别。     

一种改进的梯度直方图远红外行人检测方法

在远红外行人检测领域,实时性以及鲁棒性如何提高,这一问题一直得不到有效的解决.笔者以感兴趣区域ROIs为切入点,在图像预处理阶段充分应用像素梯度相关知识,总结出有效的垂直投影方法.该方法原理为:搜集图像梯度信息,采用初定位方法对垂直方向上的条状区域展开处理并获取包括行人在内的图像,采取局部双阈值图像分割算法获得相对较为可靠性ROIs,避免对整幅输入图像进行搜索.检测过程中,充分发挥全局信息作用,采用以金字塔熵加权的梯度直方图方法,针对远红外行人进行描述.本方法引入了支持向量机算法的识别技术.文章最后针对该方法进行了实验检验.实验结果显示,该方法大大缩短了ROIs提取过程的搜索耗时,而且可以对一些以背景目标为主的候选区域进行抑制.     

基于改进的SIFT算法交通标志牌的检测与识别

提出了一种针对自然场景下的标志牌的检测和识别算法,首先对获取的视频进行帧提取,采用图像增强算法对图像进行预处理,进而转换到HSV颜色空间,利用其颜色和形状特征进行检测定位,再根据感兴趣区域的面积特征排除多余目标,最后根据改进的SIFT特征匹配算法,利用最近邻分类器算法进行识别,样本库选用的是自然场景下的道路交通中的数据,通过对比实验发现,该算法在保证检测率的同时大大提高了算法的实时性。     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

改进型遗传神经网络在模式分类中的应用

为研究图像和语音的模式分类,提出一种采用可变长度串遗传算法(VGA)的进化神经网络.该算法可以全局搜索优化神经网络的结构,找到神经网络接近最优的连接权,再通过反向传播算法(BP),在该优化结构中找到最优连接权.对语音数据和SPOT图像数据的验证结果表明,在模式分类中,采用该算法的分类器(VGA-BP)的分类性能较贝叶斯(Bayes)分类器、最近邻规则(k-NN)分类器具有更高的分类精度.     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

The Application of Neural Network in Recognition of Fabric Weave Parameters

IntroductionFabricweaveparametersaretheimportantcharactersoffabricweave.Todistinguishastructureoffabricweave,threeproblemshavetobesolved.Oneistofindthepositionofinterlacingpoint,anotheristodeterminethepropertyofinterlacingpoint,andthethirdistodistinguishthenameofinterlacingpoint.Inthisstudy,themethodofidentifyingfabricweaveparametersisbasedonthefollowingthreeassumptions:1)Thepositionofweftinfabricisdeterminedbypeakandvalebrightnessprojectioncurveinthedirectionofwarp;2)Thechangeinweftsbrightne…     

基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

基于游程长度和边缘统计的图像拼接检测

阐述了一种利用图像内在统计特性进行图像拼接检测的方法。图像拼接检测是一个基于拼接图像特征的模式识别问题。本文通过对游程长度和图像边缘的统计特性进行分析,说明了拼接操作所引起的图像像素不相关性和不连续性。为进行拼接检测,从图像游程长度和图像边缘统计特性中提取特征量,以此特征量去训练神经网络作为最后的分类器。结果表明,由此特征量作为图像拼接检测的标准,检测结果的精确度良好。     

一种改进的BP神经网络在遥感图像分类中的应用

反向传播神经网络能解决传统分类方法的不足,现已逐渐用于遥感图像的分类中,研究用种新的改进ＢＰ算法进行遥感图像分类。