基于颜色、形状的情感图像检索

图像所含的内容丰富多彩,是用物理特征无法完整表达的.目前常用的图像检索技术是基于内容的图像检索,检索出的图像在某些程度上无法满足用户的需求.提出了一种基于颜色和形状的情感图像检索方法,讨论了图像的物理特征--颜色和形状的提取与表达.分析不同颜色、特征所激起人的不同情感的反应,建立情感库,用模糊神经网络建立底层物理特征到高层语义特征的联系,实现基于情感语义的图像检索,实现真正的以人为主导的信息检索,提高人机交互的和谐性和检索效率.     

基于内容的图像检索技术研究

基于内容的图像检索技术在数字图书馆、医疗图像、网络信息安全、遥感等领域有着广泛的应用,是目前图像检索技术中比较前沿的研究热点。文章研究了基于内容图像检索系统的基本组成以及基于颜色、纹理、形状、语义等图像检索技术的主要方法。分析和比较了现有的各种图像检索技术的优劣。     

基于内容的图像检索技术

综合视觉特性,基于内容的图像检索图像特征提取的关键是图像低层视觉特征的提取技术,内容主要包括图像的颜色特征、形状特征以及颜色的空间分布特征,采用线性组合以及加权颜色空间分布熵四种方法来提高图像信息熵和空间分布熵进行图像检索的性能。     

基于CS-BP神经网络的舌诊图像颜色校正算法

针对开放环境下舌诊图像采集过程中存在颜色偏差问题,文章提出基于CS(布谷鸟搜索)-BP的舌象颜色校正算法,利用布谷鸟的巢寄生性以及levy飞行机制优化BP神经网络。为了与其他颜色校正算法作对比,文章选择了多项式回归。为了研究不同拍摄环境对颜色校正结果的影响,分别在不同时刻下的室内、室外、白炽灯拍摄环境下,采集带有24色色卡的舌象并应用三种算法对其颜色校正得出结果进行对比分析,采用CIElab色差值指标对这三种算法进行评价,实验结果表明,与多项式回归和BP神经网络算法相比,CS-BP算法的校正效果得到明显提高。     

基于颜色纹理和形状特征相结合的图像检索系统

灰度共生矩阵是一种有效的纹理图像分析方法,为了更有效地进行图像检索,定义了一种新型的灰度共生矩阵描述子,该矩阵描述子能够有效结合颜色、纹理和形状特征,通过描述像素的空间相关性来进行基于内容的图像检索. 利用该矩阵描述子进行图像检索时,先在RGB颜色空间中计算彩色梯度,然后利用灰度共生矩阵来描述图像特征. 实验结果表明其检索性能优于传统的普通灰度共生矩阵.     

基于压缩卷积神经网络的交通标志分类算法

针对车载计算系统很难满足大型卷积神经网络对计算资源和存储空间需求的问题,提出了一种基于压缩卷积神经网络的交通标志分类算法.首先挑选原始VGG-16和AlexNet在GTSRB数据集上进行分类训练;然后对网络模型进行基于泰勒展开的通道剪枝删除冗余的特征图通道;接着使用三值量化方法对剪枝后的网络模型进行参数量化;最后进行了通道剪枝、参数量化和组合压缩的实验.结果表明:本算法有效地压缩了网络模型,减少了运算次数.最终组合压缩的VGG-16网络模型的存储空间减少一半,参数数量为原始模型的9%,每秒浮点运算次数减少为原始模型的1/5,模型加载速度提升了5倍,测试速度提升了2倍,精度为原始模型的97%.     

基于BP神经网络的风景图像分类

通过建立一个多输出的BP神经网络,提取图像的底层特征作为网络的输入,用语义期望值作为网络的输出.训练完成后,该网络能够对风景图像进行多种语义分类检索,从而建立起了从底层特征到语义特征之间的映射.提出的一种颜色提取方法不仅降低了颜色特征向量的维数,减少了计算量,节省了时间,而且在描述风景图像的颜色内容上更加准确.如何选取图像的语义阈值是一个重点也是一个难点,通过实验发现,当阈值的选取范围在[0.55,0.65]时,检索的查全率和准确率能达到一个比较好的平衡效果.实验证明,此方法在风景图像的分类上取得了较好的检索查全率和准确率.     

基于神经网络的交通标志识别方法

由于交通标志包含重要的交通信息,利用这些信息可以为车辆自动驾驶、安全驾驶提供计算机辅助决策,从而提高交通安全性和运输效率。目前,对交通标志的自动识别是广大学者研究的热门课题之一。采用基于神经网络学习的方法,采用3个多层神经网络和一个控制单元构造一个人工视网膜的方法,对采集到的图像进行粗分类,确定属于哪类交通标志,进而细分类,识别具体含义。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

一种基于GPU加速的图像颜色传递算法

针对图像颜色传递典型算法Reinhard算法需对图像中的所有像素进行遍历搜索处理,计算量大、运算速度较慢这一问题,提出了一种基于GPU加速的图像颜色传递算法;利用可编程图形处理单元GPU并行计算和高速浮点计算特性,将Reinhard运算过程转化为GPU中的纹理图像渲染过程,使得Reinhard算法在GPU中加速执行.颜色传递效果对比结果表明,在取得较好的颜色传递效果的同时,该算法计算速度大大提高,且对大尺寸图像提速性能更好.     

基于颜色特征的改进图像检索算法

本文提出一种综合图像的颜色、灰度和空间信息提取特征向量的改进算法将图像从RGB空间转换成HSV空间,将彩色图像转换成黑白图像,并分别进行直方图量化后,进行相似度比较;改进颜色相关图的算法,提高颜色空间特征的检索效率.     

基于舌图像多特征融合与机器学习的裂纹舌识别算法

舌裂纹是中医舌诊辨证施治的重要信息源,能够客观、准确地反映某些典型疾病和中医证候的变化。针对传统的裂纹舌诊断易受医生经验、环境变化等因素的影响,提出了基于舌图像多特征融合与机器学习的裂纹舌识别算法。首先,采用Grabcut方法对原始舌图像进行舌体分割;然后,提取图像基于灰度共生矩阵的纹理特征,基于低阶颜色矩的颜色特征,以及基于方向梯度直方图的形状特征;最后,将三类特征及其不同的组合形式分别输入四个经典的机器学习模型,完成裂纹舌识别。实验结果表明：多特征融合往往有助于提高机器学习模型的识别能力,尤其是融合三类特征的自适应提升树(AdaBoost)取得了几乎能与深度学习模型相媲美的识别效果：AUC为0.97,准确率为0.91,精确率为0.91。可见,提出的裂纹舌识别算法有助于传统中医舌诊的客观化、定量化和标准化。     

基于综合特征的图像检索

 基于内容的图像检索在多媒体数据库管理中得到越来越多的重视,介绍分别基于颜色、形状、纹理特征3种图像检索的方法.在利用单一特征检索的基础上,进行了组合特征的检索比较,提出了1种特征匹配算法的动态分配.对真实图像数据库的检索实验表明,这种方法的检索效果很好.     

基于数学形态学的交通标志自动识别

本文提出了基于数学形态学理论的交通标志自动识别方法,并研制了一个实验系统．运用数学形态学方法对交通标志的内核形状进行形态处理并提取其形态骨架函数,根据内核形状的形态骨架特征对交通标志进行分类,以达到识别交通标志的目的．实验结果表明形态骨架函数能有效地表达交通标志的内核形状特征,以形态骨架函数作为物体的形状特征进行模式匹配,能较好地识别交通标志．新的形态骨架匹配算法具有位移不变性质,使得识别具有良好的稳健性     

基于轻量级网络的防伪标签检测算法

近年来,伪造盗版产品带来的经济损失逐年增大,伪造技术不断提升,防伪检测问题受到了广泛关注.为了解决现有防伪检测方法的计算量大、资源占用高、检测耗时较长等问题,提出了一种基于轻量级网络的防伪标签识别检测模型,该模型采用更为轻量的卷积神经网络(convolutional neural network,CNN)来进行形状和纹理的识别.在形状识别任务中,降低池化层大小以增强模型学习能力;在纹理分类任务中,使用协调注意力(coordinate attention,CA)模块来增强模型对单一特征图的信息获取.通过设计损失函数增强模型对真伪样本识别能力,并通过特征向量最大值得到预测结果.实验结果表明,该方法整体识别检测的准确率可达95.67%,检测时间相较于传统方法有显著减少.     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

基于FPGA的Bayer图像彩色恢复快速算法研究及实现

分析了一种基于Bayer滤色矩阵的图像彩色恢复快速算法,该算法采用考虑相关性的边缘定向线性插值法,运算速度快,恢复图像边缘清晰,并使用FPGA实现上述算法,充分发挥FPGA的并行处理能力,大大提高了运算速度。     

基于机器视觉的交通标志识别系统设计

以MATLAB的Simulink和计算机视觉工具箱为基础,分析了其在交通标志识别中的应用。交通标志识别系统采用Simulink模块进行搭建。系统由视频输入、检测识别和视频显示模块构成。视频输入模块对采集视频中的视频帧进行颜色空间转换,检测识别模块通过函数编写来实现当前图像与模板库标志对比来识别交通标志。为验证系统的有效性,通过对行车记录仪视频进行实验,实验结果表明,系统可以对交通标志进行有效识别,实时性和鲁棒性较好。     

基于Hu不变矩扩展的交通标志识别

交通标志的识别是智能交通系统(ITS)的组成部分之一，具有十分重要的意义，对Hu提出的区域不变矩和Chen提出的区域不变矩快速算法进行了扩展，得到一组新的描述形状特征的参数，这些参数具有平移、缩放和旋转不变性，并且具有较低的计算复杂性，具有Hu和Chen方法的综合优点．     

基于轻量级网络的防伪标签检测算法

近年来, 伪造盗版产品带来的经济损失逐年增大, 伪造技术不断提升, 防伪检测问题受到了广泛关注. 为了解决现有防伪检测方法的计算量大、资源占用高、检测耗时较长等问题, 提出了一种基于轻量级网络的防伪标签识别检测模型, 该模型采用更为轻量的卷积神经网络(convolutional neural network, CNN)来进行形状和纹理的识别. 在形状识别任务中, 降低池化层大小以增强模型学习能力; 在纹理分类任务中, 使用协调注意力(coordinate attention, CA)模块来增强模型对单一特征图的信息获取. 通过设计损失函数增强模型对真伪样本识别能力, 并通过特征向量最大值得到预测结果. 实验结果表明, 该方法整体识别检测的准确率可达 95.67%, 检测时间相较于传统方法有显著减少.