基于可分离Gabor滤波的纹理分析方法

提出一种基于可分离Gabor滤波的纹理分析新方法,该方法把传统的Gabor滤波器分解成为两个相互正交的低通和带通滤波器,以降低滤波运算量;并指出在正交分解条件不满足的情况下,通过旋转样本图像,解决Gabor滤波器在任意角度的正交分解问题。实验表明,新方法与传统方法相比,效率提高30%以上,并且准确率更高。

基于Gabor滤波器的事件流特征增强及事件相机对象识别

基于Gabor滤波器的事件驱动卷积是仿生分层脉冲神经网络中常用的事件相机对象特征提取方法。为提高该类网络事件相机对象特征提取能力,提出基于Gabor滤波器的事件流特征增强算法,并应用于奖励调节STDP规则的脉冲神经网络事件相机对象识别系统。算法首先将事件流按时间窗口划分为事件流片段,然后提取各时间窗口内的事件流片段特征,同时增强事件数量较多的时间窗口内特征。并基于奖励调节STDP规则帮助网络学习诊断性特征。采用增强算法的网络在MNIST-DVS数据集上的分类精度优于未采用增强算法的网络,并且对于较短的事件流输入也有很好的分类能力。该事件流特征增强算法能够提高基于Gabor滤波器的事件驱动卷积对事件相机对象的特征提取能力。

基于参数估计和Kalman滤波的单通道盲源分离算法

针对存在频谱混叠通信信号的单通道盲源分离(single channel blind source separation,SCBSS)问题,提出一种基于参数估计和Kalman滤波的SCBSS算法。首先,针对根多重信号分类(root multiple signal classification,Root-MUSIC)算法在相近载频估计方面的局限性,提出一种自适应的Root-MUSIC算法,对接收到的盲混合信号的源信号数目和载频进行估计;其次,将Kalman滤波的思想引入到SCBSS算法中,根据估计得到的源信号参数构造信号模型,将其作为Kalman滤波系统的观测向量,执行“时间更新”和“测量更新”两个过程,得到源信号的最佳估计,实现单通道盲源分离。仿真结果表明,所提算法能够有效地从存在频谱混叠的单路接收信号中准确地分离出多路源信号,比传统的算法分离精度高,运算速度快。

基于多参数Gabor滤波器融合和高斯差分的生丝疵点分割

针对生丝疵点图像背景与疵点差别极小的特点,提出一种基于多方向、多频率Gabor滤波器融合和高斯差分滤波的疵点分割算法。根据疵点纹理特性,首先采用极大值的方法对特定频率多方向疵点Gabor滤波图像进行融合,并基于均值法对不同频率Gabor滤波器图像进行融合,然后使用高斯差分滤波进一步凸显疵点,最后采用全局阈值将疵点与背景分割开来。测试结果表明:该研究算法召回率达到了93.2%,能够准确分割出生丝疵点。

基于多级中值滤波的电力扰动数据分离建模

电力数据中存在着大量噪声,导致正常数据与扰动数据难以分离,因此提出了基于多级中值滤波的电力扰动数据分离建模方法。选定多级中值滤波窗口,利用该窗口对电力数据进行滤波处理,保留电力数据的细节特征,实现噪声抑制。分析扰动源数据激发的问题,结合干扰源的延迟时间编码搭建电力扰动数据感知模型。根据电力扰动数据感知结果以及稀疏约束范数项,构建电力扰动数据分离模型,实现正常数据和扰动数据的分离。由实验结果可知,该方法的电力扰动数据分离效果好,且最大信噪比为41 dB,达到了研究预期。

基于滤波处理的地震散射波分离方法研究综述

在地震勘探中,由于地下结构错综复杂,多尺度非均匀的地质体常会形成包含反射波、散射波等在内的复杂的地震波场。传统的成像方法一般只考虑反射波场,忽略了散射波场,这使得细小结构无法准确成像,从而影响对复杂构造的识别。为了对小尺度构造进行准确的地震成像,要将散射波从地震波场中分离出来。在众多波场分离算法中,基于滤波的波场分离方法可以准确提取散射波,提高成像分辨率。本文调研和归纳多种基于滤波处理的地震散射波分离方法,围绕国内外学者在滤波处理波场分离方面的研究成果,总结各种方法的研究进展,并对比和分析各方法的分离效果,最后结合人工智能深度学习的研究趋势,对未来滤波处理散射波分离的发展方向进行展望。

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z⁃score标准化,随后对标准化后的纹理特征向量进行K⁃means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自动化采收奠定了基础。

基于Gabor滤波的软包电池表面缺陷检测

针对当前锂锰软包电池表面在生产过程中容易出现凸点、凹点等缺陷的问题,提出了一种基于光度立体法与频域Gabor滤波相结合的电池表面缺陷检测方法。首先,采用3个光源采集图片,然后进行图像融合,生成电池样本的反照率图片,可以使缺陷更加明显;然后对反照率图片进行快速傅里叶变换,在频域状态下使用Gabor滤波器进行处理,处理的结果再用逆傅里叶变换转换到时域,对于去除拍摄反光引起的图片噪声,采用中值滤波去除,将缺陷部分根据灰度值的大小用一个矩形掩膜进行增强;然后采用全局自适应阈值分割提取缺陷区域;最后利用形态学操作细化缺陷,凹坑准确率在98%,凸点准确率在96.7%,能够达到实际工业应用要求。

基于改进Gabor算法的遮挡人脸智能识别方法

为提高有遮挡人脸的识别精度,提出基于改进Gabor算法的遮挡人脸智能识别方法。首先,对人脸图像动态范围压缩,并选择反锐化掩模滤波算法展开图像增强处理;其次,利用Gabor滤波器对信息保留较完整、亮度较高的半边脸进行特征提取;最后将提取到的Gabor特征输入到极限学习机中完成遮挡人脸的智能识别。实验结果表明,所提方法对处理遮挡人脸图像具有良好的效果,且其对人脸图像识别具有精准度高、识别时间短等优点。

联合Gabor滤波器和核池化特征学习的单样本人脸识别与验证

针对深度网络模型的结构复杂问题,受构建Gabor滤波器无需任何学习过程且与训练数据无关,以及径向基(radial basis function, RBF)核池化能够提取非线性二阶特征的启发,提出一种联合Gabor滤波器和RBF核池化的轻量卷积网络方法。首先对人脸图像进行Gabor卷积得到特征图;然后采用双曲正切函数tanh激励特征图以提高特征的表达能力;最后利用多尺度金字塔策略将特征图划分为多个区域,在每个区域上做RBF核池化,所有区域的核池化特征串联得到人脸特征表示。探讨了多个参数对识别性能的影响,对比了协方差池化和核池化的区别和性能。在三个单样本人脸识别和一个视频人脸验证数据集上进行大量实验,结果表明本文方法学习的人脸特征具有优秀的判别能力,对光照、遮挡、年龄等因素具有强鲁棒性。

基于Gabor滤波和Scharr算法的手掌静脉图像增强方法

目的为了改善采集到的手掌静脉图像质量,提高静脉识别的准确性,提出一种基于Gabor滤波和Scharr边缘检测算子的手掌静脉图像增强方法。方法首先对原始手掌静脉图像截取感兴趣区域(region of interest,ROI)后进行滤波去噪,其次通过自适应直方图均衡化提高图像对比度,然后采用6个方向的Gabor滤波器提取手掌静脉纹路,并通过Scharr算子实现静脉纹路增强。采用全参考和无参考相结合的图像定量质量评价指标峰值信噪比(peak signal to noise ratio,PSNR)、均方误差(mean squared error,MSE)、灰度标准差、图像清晰度(no reference structural sharpness,NRSS)进行评估。结果本文方法PSNR为29.460,MSN为73.619,图像灰度标准差87.715、NRSS为0.341,结果表明图像失真程度最小,静脉纹路得到有效增强。结论本文方法能够有效增强手掌静脉纹路的对比度,改善图像质量。

基于Gabor滤波和显著性检测的红外与可见光图像融合

红外和可见光图像的融合既要突出红外图像中重要的亮度特征,又要使融合图像保留清晰的视觉效果。因此,提出了基于Gabor滤波和显著性检测的融合方法。首先,采用显著性检测得到红外和可见光图像的显著层,再使用Frankle-McCann Retinex增强算法对可见光图像进行增强,之后用Gabor滤波器将红外图像和增强后的可见光图像分解为细节层和基础层。然后,采用“最大绝对”的融合策略对显著层与细节层进行融合,最后进行图像重构。实验结果表明,得到的结果与其他八种经典算法比较中表现优异,尤其是AG、EI、IE、SF等指标方面尤为突出。

基于Gabor滤波的并行网络无参考图像质量评价

为解决在基于深度学习的无参考图像质量评价(no-reference image quality assessment,NR-IQA)领域内图片失真可能导致的图片边缘模糊问题,提出一种基于Gabor滤波的并行网络无参考图像质量评价算法。考虑到图片失真的非均匀性,利用可提取空间局部频域特征的Gabor滤波器来获取边缘图片;将灰度图片和边缘图片共同输入并行网络,融合并行网络所提取到的图像质量特征,并通过全连接层所组成的回归网络将其映射到质量分数。该算法采用128×128的图片块,既能达到增加数据集的作用,又不过多损失图片的整体信息。本文在LIVE和TID2013共2个图像数据集上进行了实验,并与其他性能良好的无参考图像质量评价算法进行了对比。实验结果表明,所提出的算法与人的视觉系统(human visual system,HVS)具有较高的一致性。

一种结合Gabor滤波器与GLCM的盲道检测方法

基于颜色的盲道检测模型对城市中存在的与背景对比度低的盲道分割效果不太理想,针对这个问题,从盲道上特有的纹理着手,设计了一种基于盲道纹理特征的盲道检测算法。该算法通过经典的纹理特征提取方法Gabor滤波器组与灰度共生矩阵相结合对摄像头采集到的盲道图像进行处理,实现盲道本身存在的纹理特征的提取,然后经过模糊C均值聚类算法实现图像中盲道区域的分割。在城市中背景与盲道区域颜色相近环境中,与一些经典的基于颜色分割的盲道检测算法进行比较,提出的基于纹理的盲道检测算法能够有效实现对盲道区域的分割,分割结果较为准确,可以在经过改善后将其应用在视觉辅助导盲设备中,帮助盲人方便、快速地寻找更好的行进方向,极大地保证出行安全。

基于粒子群优化Gabor滤波器的钢板表面缺陷检测

为了解决钢板表面缺陷形态差别大、对比度低,无法准确检测的问题,提出一种基于粒子群优化(PSO)-Gabor滤波器的钢板表面缺陷检测方法。为了消除图像噪声,突显缺陷目标,首先,对缺陷图像进行自适应中值滤波和对数变换;然后,通过PSO算法对二维Gabor滤波器的频率、方向、尺度和滤波窗口进行参数寻优;并基于最优Gabor滤波器对图像进行滤波,获得缺陷能量图;最后,根据所得能量图进行缺陷分割,从而完成缺陷检测。实验结果表明:基于PSO-Gabor滤波器的缺陷检测方法对钢板表面4种缺陷检测准确率达93.75%,检测耗时为0.05 s,可实现对低对比度钢板表面缺陷图像快速、准确地检测,为钢板表面缺陷实时在线检测提供理论依据和技术支持。

固有成分滤波器的旋转机械故障诊断方法

针对噪声环境下旋转机械微弱复合故障诊断问题,提出了一种强噪声干扰下基于固有成分滤波器(intrinsic component filtering,简称ICF)的旋转机械故障检测和分离方法。ICF通过最小化样本间特征的L1/2范数和样本内特征的L3/2范数来实现样本之间特征的一致性和样本内部特征的稀疏性,并训练出最优滤波器组,是一种无监督多维盲解卷积算法。首先,构建输入信号的Hankel训练矩阵,通过权值矩阵与Hankel矩阵的乘积模拟卷积过程,再利用固有属性滤波器实现特征学习;其次,通过峭度信息选择最优滤波器;最后,根据滤波后的时域波形和包络谱实现故障诊断。仿真和试验信号验证了提出方法的故障诊断性能,研究结果表明,提出的方法无需任何先验经验,可以实现强噪声环境下的微弱故障的分离,同时具备很好的鲁棒性。

利用最优Gabor滤波器织物疵点检测算法

针对织物疵点自动检测计算量大和准确度低的问题,文中提出一种快速有效的纺织品疵点检测算法,首先通过遗传算法调整Gabor滤波器,使其与无疵点织物图像的纹理信息相匹配,得到最匹配的Gabor滤波器参数;其次采用调整后的最佳Gabor滤波器对待检测织物图像进行疵点检测;最后对卷积图像进行自适应二值化处理,检测织物是否存在疵点。结果表明,利用遗传算法建立最优的Gabor滤波器,具有较高检测率且运算速度较快,正检率较同类算法提高了2.8%,达到了98.5%。

基于分数阶空谱联合Gabor特征的高光谱遥感图像分类

为充分考虑高光谱遥感图像的空谱结构特征,降低数据冗余,获取更具识别性的特征,提高分类精度。提出一种基于分数阶Gabor的高光谱图像分类方法,在分数域实现对局部信号的多分辨分析,以增强对高光谱图像的表征能力。首先,通过设置多阶正弦波构建多组分数阶Gabor滤波器,获得有效的特征表达。其次,对Gabor相位特征进行象限位编码,并通过汉明距离计算码距,降低计算复杂度。最后,融合不同阶的Gabor相位特征从而得到互补的纹理信息,以获取更高的分类性能。基于Trento真实数据集,选择3个分类样本进行训练,总体分类精度达到87.15%,Kappa系数为0.83,实验结果验证了该方法在小样本训练情况下的有效性,对比其他算法,提高了分类精度。

翼型流动分离的EnKF非稳态数据同化

为了改善RANS模型对流动分离现象的预测性能,针对NACA0012翼型绕流,采用基于非稳态计算的集合Kalman滤波(ensemble Kalman filter,EnKF)数据同化方法,结合粒子图像测速(particle image velocimetry,PIV)数据对SST湍流模型的模型常数进行了修正,对比分析了不同模型常数扰动幅度、不同集合样本数目下稳态数据同化和非稳态数据同化的预测结果差异。研究结果表明,相对于稳态计算,非稳态计算能够增强数值模拟的稳健性,从而可以在较大的扰动幅度下,改善RANS模型的初始预测分布。稳态数据同化在模型常数扰动幅度较大或者样本数目较少时存在明显缺陷,非稳态的数据同化具有更好的鲁棒性,能够在更大扰动幅度和更少样本数下得到最优的湍流模型常数,对流场的预测更加准确。

基于特征分离的无人机多目标跟踪方法

无人机运动时往往会导致跟踪轨迹中断和外观特征混淆。提出一种基于特征分离的无人机多目标跟踪方法。针对运动轨迹中断问题,提出了一种自适应卡尔曼滤波算法,基于图像配准算法计算连续两帧图像的仿射变换矩阵,在卡尔曼滤波的预测阶段之前及时修正状态变量,使得轨迹更新过程更加平滑。针对外观特征混淆问题,设计了一种高效的多分类目标特征编码器,通过多尺度卷积流和通道门控机制学习每个目标的辨别性特征。加权运动代价和外观代价,利用匈牙利算法求解轨迹与检测目标的全局匹配关系。在广泛使用的无人机多目标跟踪数据集VisDrone2019-MOT上进行实验验证,结果表明,该方法在多目标跟踪准确度(multiple object tracking accuracy,MOTA)和轨迹识别F1分数(identification F1-Score,IDF1)指标上比目前最优方法UAVMOT分别提高8.1%和11.2%,验证了该方法的有效性。