基于纹理特征的深度学习云和云阴影检测

针对云和云阴影检测过程中存在边界不准确以及易与地表混淆等问题,构建一种融合纹理特征模块的卷积神经网络模型对Landsat 8遥感图像进行云和云阴影检测。引入基于统计特性的纹理特征模块进行纹理特征的提取和学习,在训练过程采用焦点损失函数削弱样本不均衡带来的影响。实验结果表明,该模型细化了云和云阴影的边界等纹理细节,减少了云和云阴影的误检和漏检现象,提高了云和云阴影的检测精度。

结合纹理特征的深度学习混凝土裂缝识别方法

混凝土的结构裂缝对结构安全性会产生重要影响,因而对混凝土裂缝进行检测监测是非常必要的。针对深度学习方法需要大量的训练样本,深度学习模型训练过程需要耗费大量时间的特性,提出一种将纹理特征与混凝土裂缝数据融合的深度学习目标检测框架。将纹理特征与预处理混凝土数据进行多数据融合,增加训练样本的特征通道数,减少模型对训练样本需求,提高模型训练速度;并在此基础上实现样本数量有限情况下的混凝土裂缝检测。通过在自制钢纤维混凝土裂缝数据集上进行试验,将该目标检测框架与未进行纹理特征融合以及与未进行预处理混凝土数据的目标检测方法进行对比。试验结果表明:本研究提出的裂缝检测方法,不仅可以大大减少训练模型所需时间,在模型训练样本较少时亦可获得较好的检测效果,检测精度也得到一定的改善。

基于深度纹理特征的伪装目标边缘细化检测

为解决传统伪装目标检测(COD)出现的空间信息不完整和目标边界模糊的问题,提出一种基于深度纹理特征的伪装目标边缘细化检测算法。该算法针对目标的纹理差异和边缘细节设计上下文纹理差异放大模块(CTDAM)、特征边界搜寻模块(FBSM)和边界推理模块(BIM)。CTDAM利用全局感受野覆盖和并行多分支混合卷积方式突出被遮挡的伪装目标的纹理差异;在注意力特征融合模块(AFFM)中引入局部注意力和位置通道感知并行注意力指导特征跨层融合,达到平衡局部信息和增强全局上下文语义信息的效果;FBSM利用自注意力机制将低层与高层特征相结合,处理不同边界像素点之间的依赖关系;BIM利用FBSM所提供的边界指导因子,指导融合后的特征推断出真实目标并细化边缘细节。在CAMO、CHAMELEON和COD 10K数据集上利用4个客观评估指标进行定量和定性实验,结果表明,该算法的检测性能优于对比的8种先进算法,在COD 10K数据集上,其平均绝对误差(MAE)达到了0.034。

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

及时获取大田作物根区土壤含水率(Soil moisture content,SMC)对于实现精准灌溉至关重要。本研究采用无人机多光谱技术,通过连续2年(2021—2022年)田间试验,采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像,建立了与作物参数具有较强相关性的植被指数及冠层纹理特征。通过分析植被指数和纹理特征与各深度土层SMC的相关性,分别筛选出与各深度土层SMC相关系数达显著相关(P<0.05)的参数作为模型的输入变量(组合1:植被指数;组合2:纹理特征;组合3:植被指数结合纹理特征),分别利用支持向量机(Support vector machine,SVM)、梯度提升模型(Extreme gradient boosting,XGBoost)和梯度提升决策树(Gradient boosting decision tree,GDBT)对各深度土层SMC进行建模。结果表明,与20~40 cm和40~60 cm土层深度相比,植被指数和纹理特征在0~20 cm土层深度中与SMC表现出更高的相关性。XGBoost模型为SMC估算的最佳建模方法,特别是对于0~20 cm土层深度。该深度估计模型验证集决定系数为0.881,均方根误差为0.7%,平均相对误差为3.758%。本研究结果为大豆根区SMC无人机多光谱监测提供了基础,为水分胁迫条件下作物生长的快速评估提供了参考。

基于多视角图像形态颜色纹理特征融合的生物量获取

可见光成像以其快速、经济和非破坏性等优势,正成为高通量植物表型和遗传研究的有效工具,但仍有待解决基于可见光图像评估肉眼不可见的产量表型特性。本文针对植物叶片遮挡重叠及变量尺度单一导致图像数据精度受限的问题,提出了一种利用多视角图像融合多类别特征评估高粱地上生物量的技术方法。对15个种质基因的300株高粱进行了双因素(水分和养分)双水平(高和低)试验。基于旋转平台,利用可见光相机对每株高粱等角度间隔自动采集10幅侧视图像和1幅俯视图像,通过植物掩膜图像提取每株高粱形态特征(俯视、侧视投影面积)、颜色特征(RGB像素值)与纹理特征(均值、协方差、同质性等),将多个视角下的信息平均化处理,并基于图像R、G、B像素值构建16个颜色植被指数。结果表明,相对于考虑单一类型变量和单视角下的图像信息,基于多视角平均化图像信息融合形态、纹理、颜色特征能显著增加对高粱地上生物量表型的获取能力。利用SVR、RF、BPNN算法融合21组优化图像数据变量构建高粱地上生物量回归模型,精度最高的RF算法模型测试集决定系数R2为0.881,均方根误差(RMSE)为60.714 g/m^(2),平均绝对误差(MAE)为42.364 g/m^(2)。为进一步优化RF算法模型的参数,选取GA、GS、SSA对RF算法模型进行超参数寻优。结果表明,SSA-RF优化模型测试集R2提升至0.902,RMSE为48.706 g/m^(2),MAE为39.877 g/m^(2)。基于多视角图像形态-颜色-纹理特征融合能从有限的信息中衍生得到更多有效信息用于估测高粱地上生物量,从而为高粱生长监控、胁迫检测、水肥精确施用和良种快速筛选提供理论依据和技术支持。

CT纹理分析对胃癌组织病理特征的术前评估价值

目的探究CT纹理分析对胃癌组织病理特征的术前评估价值。方法回顾性分析本院2021年3月~2023年3月本院收治的103例胃癌患者资料,患者在手术治疗前均接受CT检查,并采用纹理分析软件获取患者动脉以及静脉期CT纹理参数,并比较不同TNM分期患者纹理参数差异,采用受试者工作特征(ROC)曲线评估纹理参数对胃癌分期的诊断效能。结果动脉期以及门脉期T_(1-2)组与T_(3-4)组平均值比较差异无统计学意义(P>0.05),但T_(3-4)组峰度值、熵值均显著高于T_(1-2)组,偏度值低于T_(1-2)组(P<0.05)。动脉期以及门脉期N0组与N_(1-3)组平均值、偏度值比较差异无统计学意义(P>0.05),但N_(1-3)组峰度值、熵值显著高于N0组(P<0.05)。动脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.755、0.955及0.747(P<0.05),门脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.959、0.871及0.872(P<0.05)。动脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.899、0.702(P<0.05),门脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.924、0.758(P<0.05)。结论CT纹理分析对胃癌TNM分析诊断评估效果良好,可用于临床指导胃癌患者治疗。

慢性阻塞性肺疾病患者CT分段纹理特征及与肺功能指标的关系分析

目的:分析慢性阻塞性肺疾病(COPD)患者CT分段纹理特征及与肺功能指标的关系。方法:选取2022年3月至2023年3月期间80例COPD患者为研究对象(纳入研究组),同时期于本院接受体检的60例健康人员(纳入对照组),均行高分辨率CT扫描、CT分段纹理特征及肺功能测试,比较两组肺功能指标[第1s用力呼气容积占预计值百分比(FEV1%)、用力肺活量(FVC)、FEV1/FVC]及全肺区域及肺外带区域纹理特征,分析CT纹理特征与肺功能指标的相关性。结果:两组年龄、性别比较差异均无统计学意义(P>0.05),研究组FEV1%、FVC、FEV1/FVC均小于对照组,差异均有统计学意义(P<0.05);研究组全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值均高于对照组,差异均有统计学意义(P<0.05);Pearson相关性分析显示,全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值与FEV1%、FVC、FEV1/FVC均呈负相关性,差异均有统计学意义(P<0.05);多元回归分析结果显示,全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值对COPD患者FEV1%、FVC和FEV1/FVC均具有显著影响(P<0.05),R2值分别为0.682、0.657、0.715,提示模型拟合优度较高。结论:CT分段纹理特征与COPD患者的肺功能指标密切相关,其中全肺和肺外带区域的GLCM对比度、GLCM熵、GLSZM区域大小非均匀性及LBP特征值可作为COPD影像学评估和早期诊断的重要参考指标。

考虑多尺度纹理特征的红外传感图像频域增强

红外传感图像质量容易受探测器和传输距离影响,导致图像亮度和对比度较低、轮廓细节模糊等问题。为此,提出了考虑多尺度纹理特征的红外传感图像频域增强方法。引入残差学习策略,基于多尺度纹理特征搭建多尺度卷积神经网络模型,进行图像去噪。对去噪后图像进行傅里叶变换,获取红外传感图像的低频图像和高频图像。针对低频图像部分,调节图像灰度和对比度以增强低频分量。针对高频图像部分,利用Log算子和Laplace算子增强图像细节及边缘。加权融合两者处理结果,选取Gamma校正调节对比度,增强高频分量。融合两种增强后图像,实现红外传感图像频域增强。实验结果表明,该方法峰值信噪比高于43,信息熵大于8,边缘强度超过82,对比度熵大于8.1,平均梯度大于8。

基于整体与局部纹理特征加权融合的港机装备钢丝绳断丝缺陷检测研究

钢丝绳是港机装备的重要部件,由于作业工况环境恶劣,钢丝绳表面极易引起断丝等缺陷,影响港机装备作业安全。针对港机装备钢丝绳表面油泥严重、光照亮度不均,以及港机装备钢丝绳断丝缺陷能够在钢丝绳股顶钢丝椭圆形区域内有效体现的特点,提出了一种基于钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征加权融合的钢丝绳断丝缺陷检测方法。首先采用图像降噪、增强、校正技术对钢丝绳原始图像进行预处理。然后采用图像平滑、阈值分割及边缘特征提取技术对股顶钢丝椭圆形区域边缘轮廓进行提取。接着采用局部二值模式(LBP)算子分别提取钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征,并对钢丝绳整体纹理及边缘轮廓纹理特征进行特征加权融合。最后对加权融合后的特征向量进行主成分分析(PCA)法降维,并应用支持向量机(SVM)技术对钢丝绳断丝缺陷进行检测。研究结果表明:本文提出的方法对实际工况下重油泥、光照不均等钢丝绳断丝缺陷具有较好的检测效果,具有一定的工程应用价值。

基于几何矩特征与纹理度量的图像匹配算法

为提高多种几何内容变化下的特征点匹配准确度,引入双边滤波器,设计了几何矩特征耦合纹理度量的图像匹配算法。引入双边滤波器,对图像进行预处理,以去除图像中噪声,接着利用Hessian算子,准确检测图像特征。利用图像灰度信息,计算图像特征圆域内的几何矩,以形成鲁棒性较强的特征向量。通过平均梯度模型,对特征点邻域的纹理特征进行度量,并将其联合欧氏测量结果,对图像特征实施匹配。借助互相关模型,对匹配特征的相关程度进行测量,以检测特征点的匹配正确性,优化特征匹配结果。实验数据表明:较当前特征匹配方法而言,在多种几何内容变化下,所提技术具有更高的匹配准确度与鲁棒性。

IDH1突变型胶质母细胞瘤磁共振纹理特征的研究

目的探讨异柠檬酸脱氢酶1(isocitrate dehydrogenase 1,IDH1)突变型胶质母细胞瘤(Glioblastoma,GBM)的磁共振纹理特征。方法共纳入118例GBM患者。通过横断位T1WI增强图像,采用3D slicer软件选取的31种磁共振纹理特征进行分析。通过SPSS 26.0软件,研究IDH1突变型GBM与其磁共振纹理特征的联系,采用了χ^(2)检验、独立样本T检验以及Mann–Whitney U检验分析方法;生存分析采用的Kaplan-Meier单因素方法。结果IDH1突变型GBM与IDH1野生型GBM相比,磁共振纹理特征共有18种有明显差异,包括运行百分比、表面:体积比、能量、熵、一致性、自相关、集群突出、聚类趋势、差值熵、能量:灰度共生矩阵、熵:灰度共生矩阵、同质性1、平均总和、熵和、方差和、方差、GLN、群集阴影。结论3D slicer中有18种磁共振纹理特征可以IDH1突变型GBM关系密切。

癌变组织偏振多参数识别与纹理特征分析

偏振成像技术中穆勒矩阵元素含义模糊、单一衍生参数信息解读受限,为了增强原有数据分析范式的可解释性和强关联性,提出一种癌变组织偏振多参数特征识别方法,并通过纹理分析来定量描述癌症组织的偏振差异。基于双波片旋转法穆勒矩阵测量方案升级搭建背向散射偏振成像系统,采集未染色肺癌与基底细胞癌切片。引入旋转不变量获取高维偏振参数集,生成偏振多参数特征曲线,实现病理区域多维特征提取与可视化,解决直接使用穆勒矩阵受方向影响的问题。计算了灰度共生矩阵和Tamura纹理属性,结果表明,当固定纹理维度时,不同偏振参数的癌变识别能力不同,单个纹理属性可成为多个偏振图像的共同量化指标;当固定偏振维度时,不同纹理属性有望成为单一偏振维度的多个辅助定量指标。该方法快速高效,可为辅助病理检测提供新思路,在临床上展现出良好的应用前景。

弱纹理飞机蒙皮曲面图像特征匹配及拼接

为了解决弱纹理飞机蒙皮特征点分布不均匀、正确匹配的特征点对较少的问题,提出了一种改进的LoFTR算法对飞机蒙皮图像进行拼接。根据相机位姿利用柱面反投影对蒙皮图像进行曲面校正;通过图像之间的重叠区域确定特征提取区域,从而减少错误匹配点对的生成;使用LoFTR算法进行特征提取,并且使用RANSAC算法对特征点进行筛选;根据图像分块的思想对重叠区域进行网格划分来对特征点进一步筛选,使得特征点分布更加均匀,得到更加准确的变换矩阵进行图像配准。实验在自研无人车采集的飞机蒙皮图像上进行了测试和验证,改进的方法与SIFT、SURF、ORB、BRISK以及AKAZE进行了特征匹配率比较实验,SIFT、SURF、ORB、BRISK和AKAZE匹配率分别为4.84%,0.47%、2.9%、0.86%、5.08%,提出的算法特征匹配率达到55.21%,SSIM平均值提高了44.38%~88.46%。该方法适用于对飞机蒙皮图像的拼接任务,且不存在因弱纹理而导致漏拼的问题。

面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法(RANSAC)剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。

融合光谱和纹理特征的玉米产量预测研究

本研究采集夏玉米拔节、抽雄、灌浆和成熟4个时期的无人机可见光和多光谱影像,提取和筛选植被指数与纹理特征参数,构建植被指数与纹理特征融合变量,采用反向传播神经网络、随机森林和支持向量机3种机器学习方法构建玉米产量预测模型。结果表明:相较于单一类型参数,融合植被指数和纹理特征进行产量预测模型精度更高;3种机器学习方法中以随机森林构建的玉米产量预测模型效果最好,且最佳预测时期为灌浆期(籽粒水泡期);综合评价建模和验证结果,基于多光谱影像植被指数与纹理特征融合变量和随机森林方法构建的模型玉米产量预测效果最佳。遥感信息的多特征融合与机器学习方法的搭配能够挖掘和利用更多信息并提高玉米产量预测的精度和鲁棒性。

基于无人机多光谱与纹理特征的饲用大豆地上生物量估算研究

本研究利用无人机获取了饲用大豆[Glycine max(L.)Merr.]主要生育时期的多光谱遥感影像,并基于多光谱影像提取的40个纹理特征和光谱反射率构建的12个植被指数,通过多元线性回归(Multiple linear regression,MLR)、人工神经网络(Artificial neural networks,ANN)、随机森林(Random forest,RF)、支持向量机(Support vector regression,SVR)等算法,对饲用大豆营养体生长过程的地上生物量进行了估测。结果表明:450 nm,560 nm,650 nm和730 nm这4个波段的光谱反射率随饲用大豆生育进程而变化,具体表现为分枝前期下降、分枝后期上升至峰值、开花期下降的变化趋势。840 nm波段的光谱反射率表现为分枝期上升并在后期达到峰值、开花期下降的变化趋势。方差(Variance)、对比度(Contrast)、相异性(Dissimilarity)和信息熵(Entropy)等纹理特征在各波段下数值变化基本趋于一致,表现出红边波段最大,红光波段最小。综合来看,基于植被指数与纹理特征作为输入参数的ANN模型对于饲用大豆各生育时期地上部生物量的估测效果最好(R^(2)=0.71,RMSE=1.81 t·hm^(-2))。研究结果可为饲用大豆地上生物量快速精准估测以及高效栽培管理提供技术支撑。

基于彩色图像高频信息引导的深度图超分辨率重建算法研究

深度图像信息是三维场景信息的重要组成部分,然而,由于采集设备的局限性和成像环境的多样性,深度传感器获取的深度图像往往分辨率较低、高频信息较少,限制了其在各种计算机视觉任务中的进一步应用。深度图超分辨率试图提高深度图的分辨率,是一项实用而有价值的任务。同一场景下的RGB图像分辨率高,纹理信息丰富,部分深度图超分辨率算法通过引入来自同一场景下的RGB图像提供指导信息,实现了算法性能的显著提升。然而,由于RGB图像和深度图之间的模态不一致,如何充分、有效地利用RGB信息辅助深度图像进行图像超分辨率重建仍然极具挑战。为此,提出了一种基于彩色图像高频信息引导的深度图超分辨率重建算法。具体地,设计了一个高频特征提取模块来自适应地学习彩色图像中的高频信息,以指导深度图边缘的重建。另外,设计了一个特征自注意力模块来获取特征之间的全局依赖,同时提取更深层次的特征,以帮助深度图细节信息的恢复。经过跨模态融合,重组深度图像特征和彩色图像引导特征,并使用多尺度特征融合模块融合不同尺度特征之间的空间结构信息,获取包含多级感受野的重建信息。最后,通过深度重建模块,恢复相应的高分辨率深度图。公开数据集上的实验结果表明所提方法在定量和定性两方面均优于对比方法,验证了所提方法的有效性。

多模态磁共振成像纹理特征分析鉴别肝细胞癌与肝脏局灶性结节性增生

目的基于多模态磁共振成像纹理特征分析鉴别肝细胞癌(HCC)与肝脏局灶性结节性增生(FNH).方法回顾性分析解放军总医院海南医院2012-04至2022-06经病理确诊的38例肝细胞癌和14例肝脏局灶性结节性增生患者,分别对两组患者的横轴位磁共振T_(2)加权成像(T_(2)WI)及扩散加权成像(DWI)图像进行纹理特征分析,参数包括角二阶矩(ASM)、对比度(contrast)、自相关(correlation)、逆差距(IDM)、熵(entropy).采用Kolmogorov-Smirnov检验及Mann-Whitney检验比较两组间纹理特征参数差异,并应用多元回归分析法获得整体模型拟合中入选变量及其值,得到回归方程,最终选择受试者工作曲线分析评估HCC与FNH的诊断效能.结果基于DWI图像纹理特征参数证实FNH组ASM、correlation、IDM显著大于HCC组,而FNH组的contrast、entropy则显著小于HCC组.基于T_(2)WI图像纹理特征参数证实FNH组的ASM、correlation显著大于HCC组,而FNH组的contrast、IDM、entropy则显著小于HCC组.DWI组在整体模型拟合中入选变量是entropy、contrast和常量,得到回归方程Y=-1.621×entropy-0.031×contrast+12.410;T_(2)WI组、T_(2)WI联合DWI(T_(2)WI-DWI)组入选变量及其值均相同,入选变量为entropy和常量,得到回归方程Y=-2.595×entropy+16.419.DWI组受试者工作特征曲线下面积(0.945)最大.结论基于多模态磁共振成像的图像纹理特征分析可以有效鉴别HCC与FNH.

基于纹理特征的分布式视频压缩感知自适应重构方法

面对大规模视频数据带来的全新挑战,具备硬件友好特性的分布式视频压缩感知应运而生。由于传统基于分析模型的分布式视频压缩感知重构方法计算复杂度高,难以满足实时应用的要求,因此深度学习技术被逐渐引入。然而,现有基于深度学习的重构方法忽略了帧的纹理特征,限制了重构性能。由于同图像组中的视频帧具有较高的相似性,因此可以选择相邻视频帧作为当前视频帧纹理特征的参考。为了解决这个问题,提出一种基于纹理特征的分布式视频压缩感知自适应重构网络,命名为TF-DCVSNet。具体来说,TF-DCVSNet利用已重构的相邻帧纹理特征,激活当前重构帧的重构网络模块,进行自适应重构。大量实验验证了TF-DCVSNet的有效性。