纹理特征抽取和纹理识别的神经网络系统

本文提出一个纹理特征抽取和纹理识别的神经网络系统,它含有一基于纹理回归模型的特征抽取网络和一个纹理识别的多层神经网络,尤其是前者是一个能求解回归系数的,神经网络,不仅解决了纹理特征抽取问题,而且解决了一大类采用最小二乘估计的应用问题,因而具有一定通用性.     

磨粒图像的纹理分析及识别

以磨粒显微图像分析为应用背景，引入方向测度对磨粒图像表面纹理特征进行描述．该方法对磨粒图像各方向的灰度变化规律进行统计分析，提取了8个纹理特征．然后以提取的纹理特征为输入矢量，利用径向基函数神经网络对磨粒纹理进行分类识别．应用实例表明，方向测度综合反映了磨粒纹理的方向性和粗糙性，可用于磨粒纹理特征的描述；所建立的基于神经网络的磨粒纹理分类模型学习速度快，识别率较高．     

基于纹理特征融合的煤矸石分选技术研究

提出了一种新的基于纹理特征融合的煤矸石分选方法.设计了一种纹理特征提取算法.选取多个纹理特征作为分类器的输入特征,并对选择出的分类特征进行融合,最后采用神经网络分类器实现煤矸石的分选.实验结果表明,本文所提出的分选方法达到了较高的识别正确率,且能够满足实时要求.     

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.     

基于纹理分析的笔迹识别系统

把手写笔迹作为一种纹理来看待,利用图象纹理处理技术和数学方法对笔迹的纹理信息进行鉴别,将笔迹识别问题转化为纹理识别．使用19个人的不同笔迹进行实验,采用游程长度分析法来提取这些笔迹的纹理特征,用欧氏距离分类器完成识别工作．取得了较好的效果．     

洞庭湖湿地中鸟的图像色彩与纹理特征融合识别算法研究

为实现鸟类物种识别和自动化观测,针对鸟的图像的自动提取和识别过程中的问题,开展了一系列的研究工作.首先对鸟的彩色图像进行二值化,接着采用Log算法对鸟的轮廓进行提取,然后对鸟进行初步颜色特征提取,对特征颜色较明显的鸟进行粗分类,再接着对特征色不太明显的鸟类进行基于灰度共生矩阵算法的纹理特征提取,最后对提取的纹理特征进行BP神经网络分类,最终达到对鸟的识别.实验结果表明,平均识别正确率达到70%以上.     

用神经网络算法进行纹理分割

本文使用神经网络多层感知机模型，利用误差逆传播学习算法，结合纹理分析的基本手段，通过对计算机模拟神经网络进行训练，使它掌握了多种纹理的纹理特征，有效地实现了对包含多种自然景物纹理及多种人工图案纹理的图象的分割。     

基于Tamura纹理和广义判别分析的岩屑图像识别算法

自动、快速、客观地对岩屑进行分类是录井过程中一个非常重要的问题.以往在现场主要是靠人工经验的方式对各类岩屑的百分含量进行估测.但该方法受人为因素的影响较大.本文针对这个问题,提出基于Tamura纹理和广义判别分析的岩屑图像识别算法.算法采用Tamura纹理特征对不同岩性的岩屑图像进行纹理提取,然后将提取的Tamura纹理特征带入GDA(Generalized Discriminant Aanalysis)分类器进行岩屑的识别.通过对四川某地气田4口井的现场随钻的实验结果表明本文算法识别算法具有较高的识别率,为快速自动岩屑分类提供了一个有效的方法.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

基于不完全树结构小波变换及FKCN 的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取，提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法，它由(1)特征提取：使用不完全树结构小没变换抽取纹理特征；(2)基于模糊Kohonen聚类网络的特征粗分类：使用缩减的特征向量对网络进行训练，得到粗分割结果；(3)粗分割结果的细化等几部分构成。实验结果证明了本方法的有效性。     

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。     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

基于多任务学习及Faster R-CNN的SAR目标图像识别分类

针对合成孔径雷达(SAR)目标图像识别分类中分类特征利用率低、精度差及图像特征提取时运算复杂、效率差的问题,利用非下采样剪切波变换(NSST)方向敏感性和平移不变性提取SAR目标图像的光谱纹理特征,构建基于Faster R-CNN(region-based convolutional neural network)的可同时完成目标图像识别、鉴别及分类的多任务网络模型。实验结果表明,该方法在有限的SAR图像数据支持下仍有较好的识别率,且算法优于传统的神经网络(NN)、支持向量机(SVM)及基于稀疏表示(Sc SPM)等分类方法。在MSTAR公开数据库上,平均识别率达到98.13%。     

基于数学形态学与PNN的螺杆泵井故障诊断

针对螺杆泵井泵功图图形信息一直没有得到充分利用,在一定程度上影响诊断技术的推广和利用的问题,研究直接提取泵功图状态参数形状特征信息的方法,提出基于数学形态学的泵功图图形特征提取方法。采用开闭组合的数学形态学算子实现泵功图边缘纹理特征提取,对提取的特征数字化后,使用PNN(概率神经网络)进行故障识别。实际应用证明,识别准确率达到90%以上。     

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。     

融合方向测度和灰度共生矩阵的纹理特征提取算法研究

为了解决提取图像纹理特征时所遇到的纹理方向抑制问题,提出一种融合方向测度和灰度共生矩阵的纹理特征提取算法。该算法通过灰度共生矩阵,提取图像的Haralick特征,其中包括对比度、相关性、能量、逆差矩等,然后利用方向测度引入权值因子,并将其与所提取的Haralick特征相融合,最后对融合后的各个分量进行高斯归一化处理,获取最终的纹理特征集。实验结果表明,与采用灰度共生矩阵方法相比,该算法可以有效的避免图像纹理方向的抑制,所提取的纹理特征具有更强的图像识别能力,对Brodatz标准纹理库分类的正确率也有一定的提高。     

基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

基于大尺度区域分割的理念,提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息,利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势,对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取,选取过程中以图像的纹理为主要特征信息,同时以J-M距离、转换分类度为依据选取最优特征空间,采用因子分析变换降维对特征空间进行压缩,实现特征信息最优化;然后对已知样本进行训练,建立分类模型,评价模型精度;最后利用模型对研究区进行岩性划分,并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好,为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。