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．     

基于灰度共生矩阵的纹理特征景物识别

随着信息技术的发展,纹理分析是近年来图像分析领域的研究热点.纹理分析主要应用于纹理分类、纹理分割、纹理合成等方面,应用十分广泛.本文主要介绍用灰度共生矩阵提取纹理特征值,并根据特征值判断景物类别的方法.该方法既能描述图像的灰度分布信息,又能表达局部细节.     

基于灰度共生矩阵的纹理特征景物识别

随着信息技术的发展,纹理分析是近年来图像分析领域的研究热点．纹理分析主要应用于纹理分类、纹理分割、纹理合成等方面,应用十分广泛．本文主要介绍用灰度共生矩阵提取纹理特征值,并根据特征值判断景物类别的方法．该方法既能描述图像的灰度分布信息,又能表达局部细节．     

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.     

基于灰度纹理指纹的恶意代码分类

随着各种新技术的出现,传统的恶意代码的识别和分类技术存在着检测率瓶颈、实时监测效率不高的问题,为了提高准确率,提出了一种基于图像纹理指纹特征与深度学习神经网络结合的分类方法。该方法首先将数据集中恶意代码的二进制文件建模为灰度图,采用改进的灰度共生矩阵提取出恶意代码中的指纹特征图像,并选择不同步长扩展样本量,然后将该指纹特征图像作为输入数据集并采用卷积神经网络模型中进行分类训练。结果表明,该方法可以有效地分类恶意代码,准确率可达96.2%,并在泛化测试中取得了较好的效果。     

基于灰度共生矩阵和BP神经网络的道床板结识别

将神经网络处理非线性问题的优势和灰度共生矩阵描述纹理的经典算法应用于铁路道床板结的识别研究.本文通过改进Hough变换的方法来检测定位道床区域,然后采用灰度共生矩阵对正常的道床和板结的纹理图像进行特征提取,探索基于BP神经网络进行道床板结检测和识别的方法,实现了道床板结识别的算法.实验结果表明,有较好的效果.     

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.     

灰度共生矩阵纹理特征的运动目标跟踪方法

在研究纹理特征属性的基础上,提出采用灰度共生矩阵纹理特征进行目标跟踪的方法。基于OpenCV平台,通过对标准测试视频的仿真试验,对灰度共生矩阵纹理特征、局部二进制模式纹理特征和灰度颜色直方图特征在粒子滤波目标跟踪框架中的作用进行了测试与对比分析,灰度共生矩阵纹理特征在相似性颜色的遮拦与抗扰动、处理时间等方面表现出良好的属性特征,相关的试验数据和对比结果表明了这种纹理特征具备优良的跟踪特性,可以增强跟踪系统的整体性能。     

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。     

基于数学形态学和神经网络的纹理分类

本文提出一种基于数学形态学和神经网络的纹理分类方法．首先运用数学形态学的开、闭运算提取纹理图像的特征,然后用ＢＰ神经网络对纹理进行分类．实验证明这种方法是有效的     

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.     

基于颜色共生矩阵的纹理检索算法MCM

描述了一种基于颜色共生矩阵的纹理检索算法MCM,主要包括颜色共生矩阵纹理特征提取算法以及纹理特征的相似性度量函数,给出了利用MCM算法检索图像库的实例.通过MCM算法提取的特征除了反映图像的纹理关系外,还综合了其颜色构成特征,部分建立了与人的视觉感知之间的对应关系.实验表明,MCM算法优于一般的灰度共生矩阵纹理检索算法,并且具有较好的检索效果.     

基于图片DCT域共生矩阵的图像拼接盲检测

通过对图像拼接技术的分析,提出了一种基于灰度共生矩阵的拼接图像检测算法.该算法把离散余弦变换(DCT)与灰度共生矩阵结合,计算图片DCT域上的灰度共生矩阵,将共生矩阵作为特征向量,采用特征提取 分类方法,利用支持向量机（SVM）分类器进行分类预测.实验结果表明,该算法在哥伦比亚大学灰度图片库和中国科学院彩色图片库上达到了91.2%和98.5%的最高检测准确率.     

基于神经网络的纹理识别技术

作者通过一个实例叙述了图像识别技术中用神经网络进行纹理识别的基本思路，处理过程，以及具体实现，并对处理的结果进行分析，说明了运用神经网络作为分类器的准确性。     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析。结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法。