融合LBP和GLCM的纹理特征提取方法

为提取有效的特征用于纹理描述和分类,提出一种融合局部二进制模式(LBP)和灰度共生矩阵(GLCM)的纹理特征提取方法。利用旋转不变的LBP算子处理纹理图像,得到LBP图像及其GLCM,采用对比度、相关性、能量和逆差矩描述图像的纹理特征。实验结果表明,与其他方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,平均分类正确率达到93%。

基于GLCM特征的改进FCM的SAR图像分割方法

为了克服了较大窗口提取图像边缘处特征值的不足,提出一种基于GLCM特征矩阵的动态滑动窗口算法。针对模糊C均值算法中,聚类中心不容易确定,聚类容易陷入局部最优解的问题,将粒子群优化算法(PSO)引入到聚类算法中,实现全局搜索。应用改进的模糊C均值算法完成了基于SAR纹理特征的图像分割,克服了传统聚类算法仅依赖灰度值进行分割的局限性,也一定程度上克服了斑噪声对SAR图像分割的影响。实验结果表明,该方法应用于SAR图像分割时,取得了很好的分割效果。

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。

基于T-GLCM和Tamura融合特征的纹理材质分类

虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高,纹理因素复杂且无规律,单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM(灰度共生矩阵)和Tamura融合特征的纹理材质分类算法.此外,本文对传统灰度共生矩阵GLCM进行优化,提出了改进的GLCM(T-GLCM)算子,提升了GLCM的旋转不变性并减少了大量的冗余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLCM的纹理特征,通过支持向量机(SVM)对纹理材质进行分类.实验结果表明,相比传统纹理特征提取算法,本文算法具有更高的分类精度且鲁棒性更好.

基于改进的GLCM甲状腺纹理特征提取与分析

为了提高病变和正常的甲状腺核磁共振图像(MR)的分类准确率,提出了改进的窗口自适应灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)纹理特征提取算法。采用基于统计的纹理特征GLCM算法提取感兴趣区域(ROIs)的纹理特征,由HOG特征启示,研究基于梯度信息的GLCM窗口自适应算法,考虑了梯度信息对GLCM中滑动窗口大小设置的影响,克服了传统方法的固定窗口对图像细节保留的影响,同时为了消除各向异性,取四个方向的共生矩阵的均值作为最终的共生矩阵,最后计算GLCM的相关、能量、对比、逆差矩和熵的均值和方差。对94幅甲状腺图像采用逻辑回归模型分析来预测分类准确度,结果显示,该方法优于其他的方法,对甲状腺图像诊断性能更好,预分类准确率达到96.8%,灵敏度97.90%,特异度95.7%,ROC曲线下面积(Area Under the Curve, AUC)为0.968。实验结果表明改进的GLCM能够有效辅助医生对甲状腺MR图像做出正确诊断。

基于LBP和GLCM的肠道肿瘤图像特征提取方法

针对肠道肿瘤图像样本有限导致肿瘤识别率低和收敛速度慢的问题,提出一种基于局部二值模式(LBP)和灰度共生矩阵(GLCM)的肠道肿瘤图像特征提取方法.首先,利用最大类间方差法自动计算图像灰度阈值,进行感兴趣区域的提取;然后,采用LBP+GLCM对肠道肿瘤部分图像进行特征提取,并利用支持向量机识别.对1500张肠道肿瘤图像进行实验的结果表明,该方法可达到94.84%的识别准确率,能有效辅助医学诊疗.

基于SFA和GLCM的影像特征提取方法

针对遥感影像中同类样本差异性较大的缺点,提出一种基于SFA和灰度共生矩阵(GLCM)的遥感影像特征提取方法。对原始图像进行SFA变换,利用SFA的生物视觉特性消除图像中的同类差异性,对变换得到的图像进行GLCM计算,获得基于SFA和GLCM的新型特征。实验结果证明,SFA预处理能降低遥感影像的同类差异性,提高特征的可区分性,其效果优于传统的GLCM特征提取方法。

复合不变矩和GLCM特征加权融合的人脸识别研究

为了提高人脸识别率,提出一种基于复合不变矩和灰度共生矩阵的特征提取方法 CHu-GLCM。首先将人脸图像分割成许多大小相等的子块,提取所有子块的不变矩特征,并按照一定的权重系数把所有子块的不变矩特征组合起来作为整幅人脸图像的复合不变矩特征,再提取人脸图像的灰度共生矩阵;然后利用支持向量机在决策层把人脸图像的复合不变矩特征和灰度共生矩阵进行加权融合;最后分别在ORL和YALE人脸库中进行实验检测。研究结果表明:在训练样本个数为5时,与传统的特征提取方法相比,给出的方法可以使人脸识别率至少提高4个百分点。

基于RULBP与GLCM的已加工工件表面纹理特征表征

不同磨损状况的刀具在工件表面切削后形成的纹理特征也各不相同,工件表面纹理蕴含着大量表征刀具状况的信息。为有效、高效地提取反映刀具状况的工件表面纹理特征,提出1种结合旋转不变均匀算子的局部二值模式(rotation-invariant uniform local binary pattern,RULBP)与灰度共生矩阵(gray-level co-occurrence matrix,GLCM)的纹理特征提取方法。该方法利用RULBP与GLCM的计算原理分别提取工件表面纹理的微结构特征和宏结构特征,达到全面提取纹理“微宏观”特征的目的。实验结果表明,同常用的工件表面纹理特征提取方法相比,所提方法能显著提高纹理特征的表征度。

灰度共生矩阵提取纹理特征的实验结果分析

为使灰度共生矩阵(GLCM)提取的特征值较好地表达纹理信息,对Brodatz纹理库图片进行了大量实验。首先测试了各构造参数对关键特征统计量的影响,给出了特征值随参数变化的规律,确立了构造参数的合理取值;然后测试了图像旋转和大小变化对所提取特征值的影响。实验结果对优化灰度共生矩阵的构造、实现基于纹理的图像检索有参考意义。

基于多光谱图像的不同品种绿茶的纹理识别

为了提高茶叶加工的智能化水平,提出一种基于多光谱图像纹理分析的快速识别不同品种绿茶的方法.通过3CCD成像仪同时获得绿茶样本的红光、绿光和近红外三个通道的图像,采用灰度共生矩阵和纹理滤波相结合来提取图像纹理特征,分析了不同品种绿茶的各个通道图像的纹理特征.非监督聚类分析表明,基于组合方法提取的纹理特征优于仅依靠灰度共生矩阵得到的纹理特征.优化和筛选后得到10个特征参数作为支持向量机模型的输入,建立模式识别模型.结果表明,对于126个建模样本的识别正确率达到94.4%,对于未知64个预测样本的识别正确率达到93.8%,说明提出的组合纹理特征提取和模式识别方法能够较好地识别不同品种的绿茶.

结合图像纹理特征的森林郁闭度遥感估测

在光谱等传统特征的基础上,结合遥感图像的纹理特征估测郁闭度:首先基于面向地块的方法计算图像的灰度共生矩阵纹理特征,然后用主成分方法分析相关性并降维,最后将图像纹理特征和光谱地形等特征一起作为自变量引入到郁闭度估测的逐步回归模型中。结果表明:结合图像纹理特征的方法比传统的只基于光谱或地形特征的方法在估测精度上有较大提高,判别系数R珔2从0.737提高到0.805,估测精度从81.03%提高到84.32%。

基于灰度共生矩阵的图像纹理特征地物分类应用

针对传统遥感影像分类方法的分类精度不高,在分析图像的光谱信息的基础上,对基于灰度共生矩阵的纹理特征在地物分类中的应用进行了研究。本研究利用原始图像进行主成分分析后的前两个主成分,经过编程运算,提取了基于灰度共生矩阵方法的不同测度的纹理特征,将提取的纹理特征作为新的波段,与原始波段进行组合,再对组合图像进行监督分类,探索了利用纹理特征进行地物分类的可行性,并将分类结果与最大似然法分类结果进行定性和定量比较分析。结果表明,综合了纹理特征和光谱特征的地物分类方法,能够有效地提高地物分类精度,证明了基于纹理特征的遥感影像分类的有效性。

灰度共生矩阵的快速实现和优化方法研究

灰度共生矩阵计算具有计算量大、计算延时长等缺点,严重影响计算的实时性。针对此问题在充分分析灰度共生矩阵计算并行性的基础上,提出了快速计算灰度共生矩阵的并行算法和并行体系结构,利用图像中像素之间计算的可并行性,设计多个Processing Elements(PEs)对多个像素进行并行计算,可有效地实现灰度共生矩阵的快速计算。由于嵌入式可重配置硬件平台资源有限,对灰度共生矩阵计算性能进行优化的同时还对资源消耗进行优化。通过对计算延时(latency)和资源消耗(area)的分析,建立新的优化目标函数,实现了性能和资源折衷的优化设计。

基于灰度共生矩阵的肝脏CT图纹理特征分析

提出了一种改进的灰度共生矩阵肝脏CT图纹理特征分析方法,即首先确定图像ROI区域,接着构造一个新的能综合反映共生矩阵各角度信息的灰度共生矩阵,然后提取基于该矩阵的纹理特征参数。通过实验验证,上述方法是分析肝脏CT图的一种快速有效的纹理特征分析方法,对其他特定类别图像的纹理特征分析有参考意义。

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。

一种基于混合纹理特征的木板材表面缺陷检测方法

利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。

基于纹理特征的高分辨率SAR影像居民区提取

利用灰度共生矩阵计算高分辨率SAR图像的纹理特征,通过统计分析选取合适的特征矢量,并基于非监督聚类分析提取居民区。对提取的居民区以一定的面积阈值剔除噪声(细小区域),并利用形态学算子对提取边界进行适当的归整,得到最终结果。在对应的光学图像上人工提取居民区范围,以此作为实验结果的评价标准。实验结果表明本方法可以得到较好的效果。

基于空间灰度共生矩阵的木材纹理特征提取

讨论了生成步长、生成方向、图像灰度级对灰度共生矩阵特征参数的影响,在对国内50个树种计算分析的基础上,得出适于描述木材纹理的灰度共生矩阵构造方法。结合了灰度共生矩阵特征参数间的相关性及木材纹理自身的特征提取出了一套表征木材纹理的特征参数。

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。