扩展Ｈough变换在图像识别中的应用

指出了在二进制边缘图像中，Ｈough变换是一种利用曲线上的点二象性和非解析曲线的参数来检测曲线的方法，Ｈough变换技术也可扩展到检测具有灰色层图象中的任意非解析形状，讨论了物体形状检测方法的改进以及在一些人工图像中的测试和在实现区域图像中的运用。     

Hough变换在人头识别中的应用

Hough变换能识别各种形状的目标,而且有对不完整边缘具有鲁棒性的优点.本文详细论述了Hough变换识别圆形目标的原理,并将其应用于人头识别.首先对原图像利用Canny算子进行边缘提取,然后利用Hough变换找人头的中心,大量实践证明了Hough变换识别人头的良好效果.     

Hough变换在航迹起始中的应用

为了在重杂波区内检测出运动的目标 ,提出了一种改进的 Hough变换算法用于初始航迹的建立。通过检测在变换后参量空间的积累程度 ,可以识别处于匀速运动的目标。同传统的 Hough变换算法相比 ,设计中选取了更为合适的变换参量 ,改进了原算法中性能随距离变化的缺点。解决了跨相邻图元造成积累丢失 ,推算并验证了航迹起始的检测概率及虚警概率。该算法充分利用了目标在采样时间段内的累积信息 ,具有简化的检测手段 ,和良好的检测性能     

Hough变换在槽形检测中的应用

在图像处理和计算机视觉中,Hough变换作为一种检测方法,应用非常广泛.本文利用了Hough变换对圆和直线的检测的改进算法,提出了一种非常实用的槽形检测技术和算法.利用Hough变换对噪音的不敏感性,完成了对槽形点群的分割,从而精确地计算出了槽形的参数.     

Hough变换在槽形检测中的应用

在图像处理和计算机视觉中，Hough变换作为一种检测方法，应用非常广泛．本文利用了Hough变换对圆和直线的检测的改进算法，提出了一种非常实用的槽形检测技术和算法．利用Hough变换对噪音的不敏感性，完成了对槽形点群的分割，从而精确地计算出了槽形的参数．     

线性回归与Hough变换在计算图像倾斜角度中的应用

对矩形图像识别之前,通常需要对其进行倾斜角度的矫正,本文给出了矫正的两种方法:线性回归法和Hough变换法,并详细介绍了这两种方法的原理、算法步骤、实现过程、仿真结果及各自的优缺点,并将其用于工程实践中,取得了很好的效果.     

线性回归与Hough变换在计算图像倾斜角度中的应用

对矩形图像识别之前，通常需要对其进行倾斜角度的矫正，本文给出了矫正的两种方法：线性回归法和Hough变换法，并详细介绍了这两种方法的原理、算法步骤、实现过程、仿真结果及各自的优缺点，并将其用于工程实践中，取得了很好的效果．     

基于Hough变换的视觉识别方法在仪表自动检测中的应用研究

利用图像形态骨架细化方法和Hough变换对指针式仪表表头读数的识别进行研究。将仪表表头图像预处理后,进行形态骨架细化,然后用Hough变换检测表头图像的所有刻度线和指针。在此基础上提出一个识别表头读数值的算法。实验表明该方法的有效性,在指针式仪表的自动检测中有一定的实用意义。     

模糊数学在图像识别中的应用

共晶碳化物分布的不均匀性是反映工具钢质量的重要指标之一。如何定量描述碳化物的不均性，如何客观地评定其级别，这是一个亟待解决的问题。本文应用模糊集理论，构造了三种评定碳化物不均匀性的数学模型，并编制了自动识别的计算机软件。通过实例对它们的优劣进行了比较。结果表明：模型I准确最高，为83％，模型Ⅱ次之，为65％，而模型Ⅲ仅为43％。     

Hough变换的分布式并行计算

针对标准Hough变换存储空间需求高、计算量大的缺陷，提出了一种用分布式并行计算实现Hough变换的方法，对分布式算法的分析与设计、Java远程方法调用、多线程同步、负载均衡等关键问题进行了讨论．实验表明，在拥有k台提供资源计算机的分布式系统中，分布式并行计算的时空开销可降低到标准Hough变换的大约1／k．     

基于Hough变换直线检测中的峰值提取

通过Hough变换，图像空间中较为困难的全局检测问题就转化为参数空间中相对容易解决的局部峰值检测问题。本文针对参数空间峰值簇拥情况，给出了一种通过比较积累单元样本方差大小，在备选积累矩阵提取实际估计参数的峰值提取方法，并通过仿真证实了此方法的有效性。     

模糊随机Hough变换算法

提出一种新颖的将模糊理论与随机Hough变换相结合实现参数曲线自动检测的方法，即模糊随机Hough变换．与其他随机Hough变换方法相比，该方法可以处理背景噪声较强、曲线有一定交叠和缺损的图像，检测出的曲线精确度更高，能够有效地避免检出错误曲线的情况．为了叙述的简便，仅以直线和圆为实例，但可以推广到任意曲线的检测．     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

人工神经网络在目标图像识别中的应用

运用高阶神经网络的理论和模型，借助相似三角形的特征提取方法和高分辨率图像的粗编码方法，研究了目标的平面二值边缘图像的ＴＳＲＩ模式识别问题。     

一个新的Hough变换峰值检测方法

针对Hough变换累积矩阵存在的峰值扩散现象,提出了一个新的峰值检测方法。在对累加器参数空间进行分析的基础上,在局部最大值周围区域,选用每列有效累积单元个数进行函数拟合,从而得到最佳的峰值参数。实验结果验证了方法的有效性,与选用单元累积值的方法相比,对图像噪声具有更好的鲁棒性。     

Hough变换边缘参数提取算法

研究了一种目标物体边缘参数的提取算法，霍夫变换是图像处理和计算机视觉过程中常用的一种方法，用来在图像中提取目标边缘，文中提出一种新的算法以提高霍夫变换的边缘参数的检测能力，并用迭代中值滤波来完成直线边缘的定位，计算机仿真结果显示这种算法的有效性。     

LBAM神经网络及其在图像识别中的应用

本文提出了一种用于图像识别的神经网络。它由映射网络ＭＮ和ＬＢＡＭ网络组成。ＭＮ中使用了不变性换法，降低了图像样本的维数肯保持分类距离不变。在设计ＬＢＡＭ网络时，通过全局考虑，使得网络的吸引点和吸引区域满足实际全局最优之需要。ＬＢＡＭ具有网络结构简单和收敛速度快的优点，计算机模拟证实，此网络具有对缺损和噪声图像进行正确识别的能力。     

图像识别在吻合器漏针检测中的应用

提出了一种基于图像处理和模式识别技术的计算机吻合器漏针自动检测方法.该检测系统通过微机控制CMOS摄像机拍下吻合器图像,采用二值化、特征提取和模糊聚类等一系列计算机视觉技术检测漏针.实践表明,该方法准确率高、速度快,比传统检测方法有着更高的可靠性和效率.     

图像识别技术在无损检测中的应用

图像识别技术在无损检测中的应用越来越广泛，要想更好的利用无损检测，必须了解无损检测的原理和图像学的基本知识，即图像识别和图像处理。本文在指出无损检测的基本原理的基础上，讨论了数字化、预处理、图像识别技术。     

基于Hough变换的虹膜定位算法

针对利用Hough变换实现虹膜定位时遇到的一些问题提出了相应的解决方案。为减少Hough变换的计算量,本算法采用了“先采样后变换”、“由粗到精”的方法;为提高可靠性、减小噪声影响,算法利用了虹膜内外边界之间的耦合关系以缩小在边界参数空间内的搜索范围。在MAT—LAB软件环境下的试验表明,算法取得了良好的效果。