基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换(SIFT)算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋(BOK)方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明:所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4 301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。

基于点袋理论的肝脏CT图像分析

当前医学CT图像的病理识别过多地依靠医生经验,为了将机器辅助诊断引入病理识别中,本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究。从100张CT图像中挑选出40张具有特征的CT图像,预处理后,先利用尺度不变特征变换(scale invariant feature,SIFT)描述CT图像特征点,再经过k均值(k-means)聚类,最后使用支持向量机(support vector machine,SVM)机器学习算法实现CT图像的识别和分类。实验结果表明,当采用Gaussian径向基(RBF)核运算时识别可取得85%的正确率。该研究说明点袋法有较好的分类效果和较好的发展空间。

聚类核值相似区特征点的医学影像分类

针对传统方法通常选取角点或极值点作为特征点,忽略了局部纹理变化从而影响医学影像分类性能的问题,提出一种新的特征点检测和描述方法,并应用Bag-of-Keypoints模型实现医学影像分类。首先改进自适应的Kmeans对影像进行像素级聚类,构建核值相似区并选取邻域内聚类分布变化急剧的像素点作为特征点;然后在极坐标系中定义特征点描述符并生成视觉词典,通过视觉词直方图描述影像;最后利用直方图交集方法度量影像间的相似度来扩展KNN(K-nearest neighbor)完成分类。遵循IRMA(image retrival in medical appication)的医学影像类别编码标准,严格选择实验数据,结果表明该算法较传统方法 F1值平均提高4.5%,对于不同类别影像效果更加稳定鲁棒,从而更好地满足临床应用需求。