基于小波不变矩的多类目标特征选择算法

特征选择是目标识别中的重要问题。对于有着3个参数(m,n,q)的小波矩来说更是如此。基于2类模式的特征选择思想,提出多类模式下绝对可分的特征选择算法,给出图像数值化处理中参数(m,n,q)的合理取值范围。实验结果表明:无论是对差别比较大、差别比较小还是混合型的多类目标,经过此特征提取出来的小波矩都有着较好的识别效果。

基于扇区投影-小波描述子的图像轮廓识别

针对传统轮廓描述子不能识别相似样本或者确定图像方向复杂等一系列缺陷,本文提出了基于主轴归一化方法的轮廓扇区投影-小波描述子。该方法根据图像识别中的畸变不变性原理,采用先位置、大小、方向归一化,后扇区投影和小波分析的方法。该描述子不仅能消除掉主轴归一化方法的不精确性对轮廓描述的影响,而且还能够解决傅里叶描述子和环投影方法不能解决的一些特殊轮廓样本的分类问题。实验结果表明,无论是差别比较大的轮廓样本还是差别细微的轮廓样本,扇区投影-小波描述子都有着很好识别效果。

MET1证据理论在不变矩目标识别中的应用研究

分析了简化的证据理论识别方法,并将其用于目标识别中傅里叶-梅林矩和小波矩的特征融合。在证据理论的具体应用中,运用相关系数法和相对距离度量法构造出了两种新的基本支持函数并证明了其合理性。实验结果表明,证据理论的识别方法既可以提取图像全局信息,也可以很好地提取局部信息,比单独使用的傅里叶-梅林矩或小波矩识别效果更好。

基于正交多项式不变矩的图像描述

通过对大图像、小图像、噪声图像的重建,比较了泽尼克矩、正交的傅里叶-梅林矩,畸变的雅可比-傅里叶矩的图像描述能力,最后得出:畸变的雅可比-傅里叶矩有着最强的图像描述能力。在实验中还发现:在噪声图像的重建中,随着重建阶数的提高,图像的重建误差并不是一直减少,而是和有噪声图像一样,是一个先降后升的过程,并对此现象作了解释:在离散空间中连续正交多项式矩并不是完全意义上的正交,是这种正交误差造成了此现象。