基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

基于机器学习的煤岩显微组分灰度及纹理特征提取实验

煤岩显微组分的鉴别需综合显微组分的反射率、颜色、突起、形态、大小、细胞结构等特征。基于图像分析的煤岩显微组分自动识别方法能够降低人工的劳动强度并提高测试速度与可重复性,因而其为煤岩显微组分分析的未来发展趋势。煤岩显微组分种类较多且不同显微组分的结构特征差异较大,目前对其光学性质的定性描述很难体现许多显微组分独特的形貌及结构特征,因而识别准确度较低,急需对煤岩显微组分的形态特征和纹理特征进行深入研究和表征。针对煤岩显微组分的识别特征,分析油浸反射光下煤岩显微组分的灰度、形态及纹理特征等图像学特征,对15种有机显微组分及3种无机显微组分选取1 693幅能够表征显微组分特征的代表性图像,构建烟煤显微组分特征数据集,利用灰度共生矩阵对灰度均值、灰度方差、灰度歪斜度、灰度峰态、灰度能量、灰度熵等6种灰度特征参数以及纹理对比度、纹理相关性、纹理角二阶矩和纹理同质性等4种纹理特征进行提取,利用K最近邻(KNN)和支持向量机(SVM)2种机器学习分类算法进行分类。结果发现,显微组分的灰度特征及纹理特征差异较大,支持向量机分类算法对显微组分的识别效果优于K最近邻,基于灰度+纹理特征的支持向量机算法可以对煤中18种显微组分实现大于60%的识别精度。

基于KNN的特征自适应加权自然图像分类研究

针对自然图像类型广泛、结构复杂、分类精度不高的实际问题,提出了一种为自然图像不同特征自动加权值的K-近邻(K-nearest neighbors,KNN)分类方法。通过分析自然图像的不同特征对于分类结果的影响,采用基因遗传算法求得一组最优分类权值向量解,利用该最优权值对自然图像纹理和颜色两个特征分别进行加权,最后用自适应加权K-近邻算法实现对自然图像的分类。实验结果表明,在用户给定分类精度需求和低时间复杂度的约束下,算法能快速、高精度地进行自然图像分类。提出的自适应加权K-近邻分类方法对于门类繁多的自然图像具有普遍适用性,可以有效地提高自然图像的分类性能。

一种基于SURF的图像特征点快速匹配算法

针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜索算法(best bin first,BBF)进行特征点匹配;最后根据实际需要选取相似度最高的前n对匹配点进行对比实验.实验结果表明:该算法鲁棒性强,速度快,匹配准确性高,具有较大的应用价值.

基于改进基本图像特征直方图的纹理分类算法

提出了一种改进的基本图像特征(basic image feature,BIF)直方图纹理分类算法。首先在4个尺度上分别确定图像中每个像素点对应的BIF,然后在每个尺度上分别提取6维直方图特征及3维高阶统计特征共36维特征,最后使用支持向量机(support vector machine,SVM)作分类器对实验图像进行训练和分类。实验表明,所提方法降低了算法的计算复杂度和运行时间,对噪声有较好的鲁棒性。

基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准(Double-match image registration,DMIR)算法。首先在对待匹配图像提取尺度不变特征转换(Scale-invariant feature transform,SIFT)特征之后,通过K-近邻(K-nearest neighbor,KNN)算法进行特征匹配,分别得到同一张图片的自匹配点对和不同图像间的初始互匹配点对;然后对初始互匹配点对进行相关性计算得到最正确的匹配点对,并根据最正确的匹配点对与自匹配点对的位置关系确定更多的正确匹配点对,最后计算仿射矩阵对图像进行拼接。实验结果显示经过DMIR算法获得的正确匹配点对更均匀、更准确,且拼接图像效果更好。

基于隐含狄利克雷分配模型的图像分类算法

概率隐含语义分析模型不适用于大规模图像数据集,为此,提出一种基于隐含狄利克雷分配模型(LDA)的图像分类算法。以BOF特征作为图像内容的初始描述,利用Gibbs抽样算法近似估算LDA模型参数,得到图像的隐含主题分布特征,并采用k近邻算法对图像进行分类。实验结果表明,与基于概率隐含语义分析模型的分类算法相比,该算法的分类性能较优。

基于SIFT和SURF的医学图像特征匹配研究

本文采用基于特征点的匹配算法完成对实验医学图像的匹配,从特征点数量、特征提取时间和匹配准确性等方面比较尺度不变特征变换(SIFT)和快速鲁棒特征(SURF)算法,然后采用K最近邻算法(KNN)去除误匹配,统计分析不同阈值的随机抽样一致算法(RANSAC)和最小中值方差估计算法(LMEDS)与配准结果的相关性。本研究建立了基于特征点的医学图像配准算法程序实验平台,实现了多算法融合的医学图像特征匹配,对进一步探讨和改进医学图像配准提供了研究基础。

基于SIFT算法的室内全景图拼接

室内全景图像拼接采用SIFT特征点进行图像匹配与融合。由于相机镜头视野范围有限,需要多张具有重合区域不同角度图像进行拼接,以获得完整的全景图像。首先对多张原图像进行图像增强和噪声滤波的预处理,以减少特征点提取时的干扰因素;再将多张图像压入堆栈,采用SIFT算法提取每张图像的特征点;使用FLANN快速最近邻搜索包进行最近邻特征点匹配,最后进行图像融合。试验结果表明该方法能够很好地实现室内全景图像的拼接。

遥感影像检索中高维特征的快速匹配

提高特征点匹配效率是将高维局部特征运用于遥感影像检索的关键,该文提出一种新的压缩优先过滤(CPF)索引算法。该算法通过量化特征向量构建近似向量空间上的高维索引结构,利用优先队列过滤得到近似近邻候选集,精确计算候选实际特征向量得到最终近邻。在CPF算法基础上提出了基于快速鲁棒性特征(SURF)的遥感影像快速检索算法。实验及分析表明,与经典的最佳桶优先(BBF)算法相比较,CPF降低了磁盘读写(I/O)和浮点运算次数,特征点数目较大时,查询效率和总体查询精度均有显著提高,基于SURF特征的遥感影像快速检索算法能快速返回正确目标与相似目标影像。

基于最大似然估计准则的特征匹配点提纯算法

图像特征匹配的准确度直接影响着图像分析与处理的效率与性能,所以要对图像的特征匹配点进行提纯和过滤。首先使用SIFT算法从图像中提取显著特征,建立粗略的匹配关系,利用最近邻比策略初始化特征匹配点的匹配概率,然后基于混合模型的最大似然估计采用EM算法建立匹配点之间的空间转换模型。EM迭代收敛之后,通过其对应关系过滤掉错误的匹配点。实验数据表明,本方法提纯的平均精度可以达到96. 8%,平均召回率为81. 6%,平均时间消耗为3. 1 s。采用该方法提取到的正确匹配点数高于其他算法,同时对包括大视角差、光线变化和仿射变换等大多数变换具有鲁棒性。

基于特征匹配与运动补偿的视频稳像算法

针对在复杂背景下航拍视频的抖动情况,为了实时输出稳定的视频,提出了一种改进的特征匹配算法与全局运动补偿相结合的视频稳像算法。首先,利用尺度不变的SURF算法提取特征点并计算描述符,再结合快速近似最邻近匹配算法得到匹配点对,并通过双向匹配以及K近邻算法筛选优秀匹配点,从而提高匹配正确率;其次,提出了一种局部区域匹配法,提高了算法处理速度,并避免场景内运动目标对稳像效果的影响。通过建立仿射变换模型,求解相邻帧图像的变换参数,进而对图像进行全局运动补偿。结果表明,该算法速度快、匹配精度高,有良好的视频稳像效果。

基于SIFT特征和近似最近邻算法的医学CT图像检索

针对医学X线计算机断层(Computed Tomography,CT)图像,提出了一种基于尺度不变特征变换(Scale InvariantFeature Transform,SIFT)特征和近似最近邻算法的检索方法。首先通过SIFT算法得到图像的特征点和相应的特征向量,再采用近似最近邻算法进行SIFT特征向量的匹配搜索,得到数据库中与参考图像最相似的图像序列。实验结果表明,该法能检索到与目标图像细节相符的结果,大大提高了检索速度。与传统的基于纹理的检索方法相比,查准率和检索结果与目标图像的相似程度方面更佳,符合医学CT图像检索的要求。