基于特征关联融合的图像检索方法

鉴于单一特征检索效果的不足,提出基于颜色和纹理特征相互关联融合的图像检索新方法。利用非等间隔量化HSV颜色空间,提取图像的颜色特征,利用Gabor小波提取图像的纹理特征;对内容分布简单的检索图像,采用图像底层特征串行关联(FSC)方法,对内容分布复杂的检索图像,采用基于典型相关分析(CCA)的图像底层特征并行关联(FPC)的方法,融合颜色特征和纹理特征进而检索图像。     

一种基于多特征融合的图像检索方法

基于单特征的图像检索系统一般性能较低.提出了一种基于多特征融合的图像检索方法.通过对HSV颜色空间的非等间隔量化,提取一维颜色特征向量及其累加直方图.基于灰度共生矩阵(GLCM)进行纹理特征的提取.将两类特征结合,设计了一种基于多特征融合的图像检索方法.利用相似性度量方法分别对颜色特征和纹理特征以及融合后的特征进行了图像检索实验.结果表明,基于颜色和纹理特征相融合的多特征融合方法具有更好的图像检索性能.     

一种图像检索中语义标注的算法

在图像颜色、纹理、形状特征提取的基础上，利用改进的串行与并行特征融合方法，提出了M融合特征，并且提出了一种基于M特征的改进组合优化的核函数并将之应用于高层语义提取算法中，从而把图像提取由单一特征转换到多融合特征提取，大大提高了图像语义理解的精准度，有助于更加全面地理解图像的语义，本文的方法对图像语义标注，提高图像检索精准度有一定的理论和实用意义.     

基于区域过划分和再融合的全幅视觉图像分割

研究对移动机器人采集的视觉图像进行全局精确分割问题. 针对全幅道路图像分割问题提出:首先利用区域生长算法对视觉图像在HSV颜色空间下进行基于颜色特征的全局过分割,再利用傅里叶变换提取周向谱纹理特征,根据空间位置的相邻性和周向谱的分布特性,对过分割的全幅视觉图像进行基于纹理特征的再融合. 实验结果表明,该算法能够准确实现全幅图像的分割,比单纯利用颜色或纹理特征进行全幅图像分割具有更高的精度和可靠性.     

基于随机森林和多特征融合的青苹果图像分割

针对自然环境下青苹果图像中目标与背景颜色差异小和分割难度大的问题,提出一种基于多特征融合的随机森林(Random Forest,RF)分割方法.首先,基于灰度共生矩阵提取青苹果图像的能量、熵、对比度、相关性、熵标准差和对比度标准差6个纹理特征;然后,针对同幅青苹果图像提取RGB空间中的G+0.5R-B分量和HSI空间中的S+I分量作为组合颜色特征,以规避天空和高光区域对分割结果的影响;接着,以像素为单位对提取的纹理特征和颜色特征进行融合;最后,在融合特征的基础上采用随机森林对青苹果图像进行分割,并与传统仅利用单一特征的分割算法进行对比.实验结果表明,基于多特征融合的随机森林算法比传统仅利用纹理特征的算法正确分割率要高22.18%.     

基于多尺度LBP和复合核的高光谱图像分类方法

为了更好地利用高光谱图像的纹理特征信息,提出了一个基于多尺度LBP和复合核的高光谱图像分类方法.利用LBP的两个最佳尺度来提取高光谱图像的纹理特征,将得到的空间纹理信息输入高斯核函数中,得到两个空间核,与直接提取光谱信息得到的光谱核结合在一起组成一个复合核,将这个复合核输入支持向量机(Support Vector Machine,SVM)进行分类得到分类结果.结果表明,在Indian Pines和Pavia University这两个真实的数据集上分类精度分别达到0.994 8和0.991 8,明显优于其他同类杰出的高光谱图像分类方法.     

基于多特征融合的混凝土结构表面病害图像分类算法

为提升混凝土表面开裂、露筋锈蚀和损伤3类病害图像分类效率与准确性,减少人工成本,提出了基于多特征融合的混凝土结构表面病害图像分类算法。该算法通过提取混凝土表面病害图像的纹理特征、灰度直方图特征、颜色特征,以支持向量机(SVM)为分类器,分别训练3类特征的病害图像分类模型,采用特征权重算法估计各个特征的权重系数,借助分类模型与权重系数估计病害图像类别划分的可信度值,根据最小误差原则将病害图像判定为可信度值最大的类别。设计了7组覆盖上述图像特征的特征融合方案,以2 400张病害图片为样本,训练了3种单一特征和4种多特征病害图像分类模型,并测试算法的准确性。结果表明:总体上,多特征融合分类模型对于混凝土表面病害图像分类准确率高于单一特征分类模型;基于多项式核函数,灰度+颜色+纹理特征融合分类模型分类效果最佳,平均分类准确率达到84%,较单一特征分类模型提升了7%;依赖于混凝土病害图像多特征的综合信息,灰度+颜色+纹理特征融合分类模型可将混凝土表面锈蚀和缺损的分类准确率提升至88%,多特征融合分类模型对于病害的分类判别稳定性显著优于单一特征分类模型。该研究可为混凝土表面病害图像分类提供有效方法,提升病害分类效率与准确性。     

基于全局和角点特征的图像检索

图像的颜色、纹理和形状等视觉特征是图像信息描述的重要内容,而这些特征是从图像的全局提取还是从局部提取,对图像的可区分性描述是不同的。为了更全面地描述图像信息以提高图像检索精度,从整幅图像中提取HSV直方图特征和LBP特征,然后提取图像角点的Hu矩形状特征和基于GLCM的纹理特征,融合这两类特征,选用相对曼哈顿距离进行相似性度量完成图像检索。实验结果表明,该图像检索方法的查准率有了一定的提高。     

无人驾驶车野外环境水体障碍物检测

野外环境下水体障碍物会对陷入其中的无人驾驶车造成损害。针对静态水面特征呈现出的较高亮度、较低饱和度以及平滑的纹理特征,提出将饱和度亮度比值颜色特征和从灰度共生矩阵中提取的纹理特征融合的野外水体障碍物检测方法。对图像进行HSV颜色空间转换提取颜色特征,计算灰度共生矩阵提取纹理特征,构成特征矩阵并训练SVM分类器用于实际检测。仿真和试验结果表明该水体障碍物检测方法有效,并能够有效地减弱光照变化对单纯基于颜色特征检测水体的负影响。     

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.     

一种新的多特征融合图像检索方法

为解决图像检索中单一特征检索性能不佳、多特征融合耗时的问题,提出了一种新的融合颜色特征和形状特征的图像检索方法。检索过程分为两个阶段:首先对图像进行圆环分块,提取图像整体和各圆环子块颜色特征向量,以特征向量间距离大小为准则对图像库分类;然后在类内提取图像的ART形状描述符作为形状特征进行相似性度量以实现检索。形状特征提取只在某一类内进行,减小了运算量,同时弥补了颜色特征对图像空间信息丢失的不足,提高了检索准确率。仿真实验取得了较好的检索效果。     

基于核Fisher判别的复杂储层岩性识别研究

复杂储层中多种岩性均可作为储层,不同岩性的物性特征差异较大,分岩性解释复杂储层物性是求准物性较为有效的一种方法,但是不同岩性的测井特征相近,常规线性分类方法识别效果不理想,因为复杂储层的岩石识别中非线性分类特征占较大比例。针对这一问题,本文将Fisher判别分析(FDA)做核推广,形成核Fisher判别分析(KFDA),进一步利用Fisher判别中未提取的非线性信息,通过升维获得更多的非线性分类特征,然后再通过降维来提取利于岩性分类的特征。文章通过实验对核Fisher在数据预处理、关键参数的选取等方面进行了详细介绍,并将核Fisher方法与其它分类方法进行比较,验证了核Fisher方法的岩性识别能力,而对于不同岩性间的差异相似关系,造成岩性识别精度低的情况,提出了分级核Fisher判别分析的思路,研究证明利用分级核Fisher判别分析的思路可进一步提高岩性的识别精度。     

采用互补特征的核相关滤波目标跟踪算法

为了改善跟踪算法的性能,提出一种自适应加权的融合颜色特征和方向梯度直方图(HOG)特征的多核多通道的相关滤波跟踪算法.针对核相关滤波算法特征单一的问题,采用互补特征核空间描述目标,并根据互补特征响应值的大小,自适应为互补特征核空间分配权重、更新模型,提高算法的鲁棒性.实验结果表明:所提出的算法不仅能在一定程度上处理目标外观变化问题,而且完全满足跟踪场景的实时需求.     

基于锐度感知最小化与多色域双级融合的视网膜图片质量分级

针对视网膜图片质量差异性大,质量分级模型泛化性能不足的问题,本文提出一种基于锐度感知最小化(Sharpness Aware Minimization,SAM)的多色域双级融合分级方法,用于视网膜图片质量评估。该方法首先采用RGB、HSV和LAB三种色域空间作为模型的特征提取空间,并利用ResNeSt作为特征提取网络,提取不同色域的空间特征。然后利用模型的特征级与预测级进行双级融合,再利用SAM优化方法提高视网膜图片质量分级模型的泛化性能。最后在EyeQ数据集上进行实验仿真,其准确率为87.35%、精确度为85.87%、敏感度为85.07%、F值为85.44%,所提方法的整体分级性能优于其他方法。     

基于特征金字塔网络的自然场景图像文本检测

针对深度学习中对任意形状文本检测准确率不高的问题,提出了一种结合特征金字塔网络(feature pyramid network,FPN)和内核尺度扩展算法的文本检测网络模型.特征金字塔网络能够提取卷积层中更加鲁棒的特征,融合后生成不同尺度的特征内核;内核尺度扩展算法将生成的最小特征内核逐渐扩展为包围完整文本实例的特征图...     

基于无字典模型的红外与可见光图像融合分类

针对传统图像分类识别方法采用单一传感器获得图像存在的局限和不足,提出了一种基于红外和可见光融合的分类算法。首先分别对红外图像和可见光图像提取密集型尺度不变特征变换（D-SIFT）,然后采用无字典模型（CLM）变换,并利用空间金字塔匹配（SPM）进行精细划分,最后用混合核支持向量机（SVM-CK）方式将红外和可见光在特征级融合并分类。在VAIS和RGB-NIR两个数据库上对该方法进行验证,融合后分类精度分别比单一图像源均有较大提高;与BoVW方法比较,精度分别提高了4.7%和12.1%。证明多数据源融合的方法综合了红外和可见光各自成像的优势,使获得的特征信息更完善,分类效果显著高于单一数据源的分类结果。     

基于唐卡图像的线条画提取方法研究

唐卡以线条为骨架造型,是色彩和线条有机组合。唐卡图像的线条画提取旨在提取一组连贯、光滑、及具风格的线条,有效地捕获和传达唐卡的轮廓信息。以有限的信息量展现唐卡的内容,赋予唐卡另外一种艺术展现形式。本文针对唐卡图像特点提出其线条画提取方法。首先,根据唐卡色彩鲜明的特点,提取RGB颜色空间三个通道梯度向量并进行融合;然后,用边缘切向流方法构造一个光滑的方向场,保留了突出的图像特征。最后,通过基于流的高斯差分滤波方法提取连贯一致的线条,同时有效地抑制噪声干扰。实验证明该方法简单,容易实现,能有效提取唐卡图像线条。     

基于核主成分分析和支持向量机的飞机舱音信号识别

为了提高飞机事故原因的调查准确性与实时性,提出了一种基于核主成分分析和支持向量机的舱音背景声识别方法.首先提取和分析了飞机驾驶舱话音记录器中所记录背景声信号的特征参数,然后分别以多项式核函数、sigmoid核函数和高斯核函数3种核函数作为内积,对3种核函数的降维特性进行了对比分析,最后将核方法与支持向量机结合,实现对舱音背景声的分类识别.实验结果表明:通过基于不同核函数的主成分分析方法与支持向量机的结合比较,确定以高斯核函数为内积的SVM分类方法具有较好的分类效果.     

自适配权重特征融合的持续身份认证

针对现有智能手机用户身份认证方法的不足，提出了一种自适配权重特征融合的持续身份认证方法。设计了一种卷积神经网络，对手机内置传感器(加速度计、陀螺仪、磁力计)获取的用户行为信息数据进行深度特征提取及融合。通过网络中3个子网络流分别提取3种传感器特征，在特征融合层加权融合，各特征的权值会在网络学习过程中根据不同特征的贡献度实现自适应分配。融合特征经过特征选择之后，使用单分类支持向量机进行用户分类认证。实验结果表明：该方法对不同用户身份认证获得的等错误率为1.20%,与现有其他认证方法相比具有更好的认证准确性。     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.