利用SVM和灰度基元共生矩阵进行图像数据库检索

提出了一种新的基于内容的图像检索方法，其关键技术是：(i)提出一种检索图像内容纹理统计特征的新方法，定义若干规范灰度像素模式基元；计算这些基元沿不同方向和不同跨距成对出现的概率，可以组成灰度一基元共生矩阵；该矩阵可用来描述图像纹理方面的特征。(ii)通过构建分类矩阵进行二叉树判别，扩展了SVM的多类分类功能。实验测试表明该法可行，且具有较好检索性能。     

基于DCT特征与SVM分类的人脸检测

一般的人脸检测在运行时间及检测率上都不能得到很好的保证.本文提出了基于离散余弦变换的支持向量机的人脸检测方法,利用离散余弦变化后的系数作为支持向量机的输入特征,实验表明该方法具有更好的检测效果.实验还表明,在采用离散余弦变换系数作为检测特征值时,检测准确率并不是随着所选取特征值个数的增加而提高.     

基于SVM的图像分类研究

支持向量机（SVM）是一种优秀的分类方法,灰度共生矩阵（GLCM）是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法。实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高。     

基于SVM的图像分类研究

支持向量机(SVM)是一种优秀的分类方法,灰度共生矩阵(GLCM)是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法.实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高.     

基于模式识别与灰度共生矩阵的神经元图像分类

为了实现自动高效且结果准确的生物神经元识别,提出一种基于模式识别与图像灰度共生矩阵特征的神经元自动分类方法。该方法通过对生物神经元图像预处理,计算图像的灰度共生矩阵,统计各图像灰度共生矩阵属性值的平均值和标准差,构建生物神经元类别的特征空间,利用模式识别中的人工神经网络方法建立特征空间与神经元类别之间的映射关系。采用收集的160幅生物神经元图像对该方法进行实验分析,测试集的识别正确率达93.8%。研究结果表明,结合模式识别与图像灰度共生矩阵特征的生物神经元图像自动分类方法具有较高的准确性与可靠性。     

基于类别共生矩阵的纹理疵点检测方法

根据有规则纹理的特点,提出了基于类别的共生矩阵来描述纹理特征,从而很好地将正常纹理与疵点区分开.分析了传统的灰度共生矩阵在计算纹理特征时计算量大,且分辨能力差的缺点.为了克服灰度共生矩阵在计算量和分辨能力上的缺点,定义了类别共生矩阵.在类别共生矩阵的算法中,首先学习纹理的一些基本特征以确定类别共生矩阵的一些关键参数,如纹理的概率密度分布、纹理的主方向和周期,以及分类准则等重要参数,然后计算类别共生矩阵并提取白疵点增强、黑疵点增强和一致度等三个特征,最后采用异常点检测的方法即可很好地区分正常纹理和疵点.实验证明,该方法比已有的灰度共生矩阵计算量小,并具有更突出的分辨纹理和疵点的能力.     

基于最小二乘孪生支持向量机的图像拼接检测

图像篡改最基础的手段便是拼接,为了恢复人们对数字图像的信任,图像拼接检测变得非常重要.论文提出一种基于最小二乘孪生支持向量机的图像拼接检测算法,算法对待测图像进行对偶数复小波变换以获取不同的子带图像,对子带图像提取其马尔科夫状态转移概率矩阵,将该概率矩阵作为拼接特征向量送入最小二乘孪生支持向量机训练以获取预测模型,最后根据该模型来判断待测图像是否经过拼接.在哥伦比亚大学无压缩图像拼接检测评估库和哥伦比亚大学图像拼接检测评估库上分别进行实验,与传统算法做对比,实验结果充分证明论文所提算法具有更高的拼接检测准确率.     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

基于灰度共生矩阵的模糊神经网络FuCMAC在图像分割中的应用

文中提出了一种改进的CMAC神经网络（FuCMAC），与经典的FCMAC相比，其逼近精度得到提高，解决了CMAC系列神经网络逼近精度不高的弱点．在颅脑磁共振图像分割仿真实验中，把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量，将该特征向量作为神经网络的输入，结果表明其具有较高的分割准确性．     

基于DCT和DWT域的数字水印算法

数字水印技术近年来得到了广泛的研究．新的水印算法不断提出,根据DCT域和DWT域图像水印技术原理,提出一种利用DCT域和DWT域相结合的图像水印技术算法,在嵌入强度的选取上做了新的测试．实验证明,用该算法嵌入水印的图像质量没有明显下降,并且嵌入的水印信息具有良好的鲁棒性．     

高光谱遥感图像特征提取及分类研究——基于离散余弦变换(DCT)及支撑向量机技术

高光谱遥感图像具有波谱连续,维数高的特点．当样本较少时,在原始特征空间采用传统的统计识别方法分类达不到理想的效果．经研究发现有两种方法可以解决小样本高维的非线性分类问题．一是将原始空间通过离散余弦变换（DCT）压缩到低维空间,再用统计识别方法分类;二是利用支撑向量机的内积函数,将原始空间映射到高维空间,使其在新的特征空间线性分类．实验表明,这两种方法比利用马氏距离判别法直接对原始图像分类有更好的分类效果．     

基于灰度共生矩阵的高效积分图像计算(英文)

基于局部特征描述符的主要方法正在被用于纹理分类、目标检测和识别.灰度共生矩阵(GLCM)是一个体现纹理图像的很流行的方法,也被证明是一个非常强大的纹理分析工具.灰度共生矩阵所带来的子图像重叠非常严重,要花大量的时间去计算.本文提出一种高效灰度共生矩阵的计算方法,并通过实验结果来显示其效率.     

基于灰度共生矩阵和梯度相位互信息的医学图像检索

结合灰度共生矩阵特征和梯度相位互信息,提出了一种面向临床实际应用的两步匹配医学图像检索算法.该算法在提供良好分类性能的灰度共生矩阵特征的基础上,通过精化检索进一步提高了检索精度,以及检索算法的整体鲁棒性.使用该算法对包含有6种不同解剖部位的CT图像库进行检索实验.实验结果表明该算法在达到良好的检索准确性的同时,具有接近实时的查询响应速度.对该算法进行适当扩展,能容易地推广到实际医学检索应用中.     

基于变换域的显著性提取

为增强图像显著特征的可靠性和鲁棒性, 增加图像描述的准确度, 提出了一种利用离散余弦变换(DCT: Discrete Cosine Transform)和 Renyi 熵提取自然图像显著性的方法。 该方法充分利用了图像的频域信息, 通过MSRA1000 图像数据库进行性能测试。 实验结果表明, 该方法优于 5 种经典算法, 提高了显著性检测的有效性。     

基于DCT的图像压缩及Matlab实现

本文介绍了基于DCT的图像压缩编码技术,并给出了具体的实现方法和步骤,既保证具有较高的压缩比,又保证了较好的图像质量。     

基于灰度共生矩阵和BP神经网络集成的纹理图像分类

通过对灰度共生矩阵的分析,提取图像的纹理特征参数,并用BP神经网络集成的方法对Brodatz纹理库图像进行分类,仿真结果显示,其分类效果优于单一的BP神经网络,可有效提高分类识别率。     

一种DCT域实现图像分数倍尺度变换的方法

分析了块和其子块离散余弦变换(DCT)系数之间的变换关系，在此基础上提出一种直接在DCT域实现图像尺度分数倍变换的快速有效的算法．该算法不仅解决了先前算法无法在压缩域实现任意分数倍变换的问题，而且具有较好的效果和较小的运算量，该方法可广泛应用在MPEG、JPEG等基于DCT的压缩图像尺度变换中．     

基于多层小波和共生矩阵的纹理表面缺损检测

提出一种利用多层小波和共生矩阵进行纹理表面缺损检测的有效方法.该方法首先将缺损图像在不同水平上进行小波分解,得到一系列低频子图像和高频细节子图像;然后计算和分析各水平上高频细节子图像的共生矩阵特征;最后选择低频子图像进行小波合成得到无纹理图像进行检测.实验证明,该方法能够快速准确地进行纹理缺损检测.     

基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换 (FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识 别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time Fourier Transform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支 持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间 期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

基于经验与灰度共生矩阵的花蛤辨识方法

为提高花蛤挑拣的效率,加快水产产业自动化生产步伐,提出一种基于经验和灰度共生矩阵的花蛤筛选方法。本方法属于无接触式辨识,在对工业相机采集到的图像进行预处理的基础上,截取并旋转单个目标图像,规范图像性质,采用统计学和灰度共生矩阵方法,提取花蛤或石头的纹理和形状等相关特征,运用支持向量机进行分类训练和测试。实验结果表明,本文所提出的方法可实现位置精准确定,选取的特征能较好地表示花蛤或石头,分类器算法高效简单,最终花蛤筛选识别率可达99%,可满足工业需求。