基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.

一种基于模糊小波基函数神经网络的图像分类器

针对图像分类的特点 ,提出了一种基于模糊小波基函数神经网络的图像分类器。该分类器采用小波基函数作为模糊隶属函数 ,将模糊技术与神经网络相结合 ,利用神经网络实现模糊推理 ,并可对隶属函数的形状进行实时调整 ,从而使分类器具备了更强的学习和自适应能力。实验结果表明 ,这种基于模糊小波基函数神经网络的分类器经过训练后 ,可应用于图像的分类 。

模糊B样条基函数神经网络的遥感图像分类器

本文针对遥感图像分类的特点 ,提出了一种基于模糊B样条基函数神经网络的遥感图像分类器。该分类器采用B样条函数作为模糊隶属函数 ,将模糊技术与神经网络相结合 ,利用神经网络实现模糊推理 ,从而使系统具备了自适应的特性。实验结果表明 ,这种基于模糊B样条基函数神经网络的分类器经过训练后 ,可应用于遥感图像的分类 。

基于图像处理与DSP的复杂图像分类器的设计与实现

复杂图像分类需要处理海量数据,缩小数据量是必经之路。根据这种情况,设计基于图像处理与DSP的复杂图像分类器,采取DSP辅助图像处理进行分类主从结构,通过图像处理器ARM870T接入复杂图像模拟数据并去噪,由数字编码器将图像模拟数据转换成数字数据,通过DSP进行像素点估计,聚合像素点估计值得到复杂图像分类结果。设计了分类器接口、控制和计算的结构与资源,描述了图像处理在DSP上的实现方法。实验结果显示,所设计的复杂图像分类器具备鲁棒性强的特点。

基于加权复杂网络聚类的医学图像分类器研究

为了建立高效的肿瘤自动诊断系统,克服因医学MIR图像的复杂性带来的直接从图像中看出肿瘤及良、恶性质的困难,结合复杂网络社团划分的部分理论成果和K-mean聚类算法的思想,提出了基于加权复杂网络聚类的医学图像分类器。该分类器对医学图像进行预处理,建立图片特征库,构建图片加权复杂网络,在此基础上根据网络节点的加权网络特征值和连接度选取初始聚类中心进行聚类,有效地克服了传统K-mean聚类算法对初始化选值敏感性的问题,从而大大提高了分类精度。实验通过对某医院PACS系统中的部分MIR脑部图片进行分类,表明了该方法的分类精度比传统的K-mean聚类算法平均提高了8%左右。

基于矢量图形特征提取的遥感图像分类器

研究一种新型遥感图像分类器。它采用了一种称为ES(ExtractingShape)的新算法,即从遥感图像直接提取景物的矢量图形,由此获得图形元素和数学特征,并通过在波谱空间和形状特征空间的两次聚类给出景物的分类结果。通过引入知识库和捕捉用户调整事件获得新知识,使该分类器具有学习能力。分类精度高于国际知名的GIS软件IDRISI40%以上,在普通配置的台式个人电脑上,对彩色遥感图像的分类时间比IDRISI少23%。

基于内容的条件类熵约束软竞争学习图像分类器

本文提出了一种新型的、以纹理粗糙度二阶矩度量作为图像特征的、以在最优条件类熵基础上的软竞争自组织特征映射为分类器的图像自动分类方法。实验结果表明,该种分类器能很好地实现对纹理粗糙程度模式的无监督分类,其分类性能要明显好于传统的K 均值分类器。

基于残差网络结构的对抗图像分类模型

[目的]对抗样本的出现,导致深度神经网络以高置信度输出错误结果,为了提高深度神经网络的安全性,需对对抗样本进行区分.[方法]基于残差网络结构提出一种用于正确分类对抗攻击样本的分类模型,命名为RC-Net.RC-Net分类模型包含残差网络特征提取模块和分类模块.使用对抗训练方式对RC-Net分类模型进行迭代训练,改进当前流行的三种对抗攻击方法,对Mini-ImageNet数据集进行对抗处理,生成相应对抗样本.随后,用处理过的样本攻击EfficientNet分类模型和RC-Net分类模型,并对攻击效果进行对比.[结果]从攻击结果上可以得知,本文所提出的RC-Net分类模型在Mini-ImageNet对抗样本上具有较高的分类准确率.[结论]对深度神经网络进行对抗训练,可有效增强深度神经网络模型的鲁棒性.

基于图像块分类器和条件随机场的显微图像分割

针对花粉显微图像处理提出了一种自动分割方法,将有助于花粉识别系统的开发。使用归一化颜色分量训练图像块分类器,并且结合条件随机场和图割进行建模和优化,利用最大化后验概率(MAP)的方法实现花粉显微图像中花粉区域的分割。对于实验中的133幅图像,自动分割同人工分割的结果相比较,统计得到距离误差均值为7.3像素,准确率的平均值为87%。实验结果表明,使用图像块分类器和条件随机场模型可以用于花粉图像的分割。

基于深度学习的实时监控图像中考生异常行为自动识别算法

基于图像处理技术,提出了一种自动、准确地识别出考试中异常行为的算法,旨在维护考试的公平性和提高监考的效率,并进一步规范考场纪律。首先,采用Mosaic技术增强视频帧图像,从而对含小目标的图像集进行扩展。接着,利用改进的YOLOv5s目标检测算法对考生考试行为状态进行人体检测框的定位,快速并准确地识别出考生的人体位置。然后,采用SimplePose对考生人体的关键点进行定位,进一步精确地描述人体的姿态并更准确地识别出异常行为;另外,SimplePose具有轻量级的特点,可以快速处理图像并提取关键点信息,确保实时性。最后,利用ConvNeXt图像分类器对人体关键点图像进行分类,增强了模型的鲁棒性和稳定性。实验结果表明,所提出的实时检测方法对考试环境中考生作弊行为识别具有快速的检测性能,并且识别准确率达到92.1%,提高了考场监考的效率并维护了考试公平。

特征选择和聚类分析的图像分类模型

针对当前图像分类模型无法满足实际应用要求的难题,为了得到更优的图像分类效果,提出特征选择和聚类分析相融合的图像分类模型。首先提取图像的原始特征,采用主成分分析对图像特征进行选择,然后采用聚类分析算法对图像样本进行处理,选择与待分类图像相关的样本,减少训练样本的规模,最后采用支持向量机建立图像分类器,对标准图像库中的图像进行分类实验。实验结果表明,该模型减少了图像分类的特征和图像分类的训练样本,加快了图像分类建模的速度,同时图像分类正确率明显高于其他图像分类模型。

基于云计算的图像分类算法

针对单节点的图像分类算法效率低,实时性差的难题,提出基于云计算的图像分类算法。首先提取图像数据库中的图像分类特征;然后将待分类图像通过云计算模式与图像库中的特征进行匹配,并根据匹配结果将其划分到相应的类别中;最后采用UPenn和Caltech-101数据库测试算法的可行性。结果表明,该算法降低了图像分类的时间复杂度,取得了不错的图像分类结果,且分类效率要明显优于对比算法,具有良好的实际应用价值。

地质声呐记录的图像处理与地层识别技术研究

对我国长江口和东海海区的典型声学地层剖面图所显示的图像特征的物理本质作了分析，归纳出９个方面的主要图像特征，并指出可以分别根据其中４个特征对９类可能存在的地层的地质属性进行分类和识别．在此基础上本文讨论了应用基于概率计算的Ｂａｙｅｓ图像分类器对声学地层剖面图进行地质解释的问题．

极端天气条件下低质图像增强算法研究

针对雾霾、雨雪、沙尘等极端天气下获得的图像严重退化的问题,提出一种自适应的单幅图像增强算法。首先设计一种图像分类器,判断图像是否为降质图像,若是则根据色度分量值对图像分别处理。其次对于雾霾图像,在暗原色先验算法基础上,通过分割图像的明亮区域求取透射率,改善了原算法复原的图像易产生光晕的现象,并将该算法扩展应用于雨雪图像;为了处理沙尘图像,采用限制对比度自适应直方图均衡化算法,为了校正该算法处理图像时对比度和亮度失衡的问题,采用伽马校正。与其他算法对比实验表明该算法有效提高了图像的清晰度,同时避免了光晕的产生,解决了沙尘图像处理中对比度和亮度失衡的问题。

基于图像中心加权特征的图像检索

本文讨论了基于内容的图像检索系统中特征提取的技术,并提出了一种基于图像中心加权特征提取算法,即对图像不同位置提取的特征采用不同的加权系数,越靠近图像中心加权系数越大。最后使用支持向量机技术作为图像分类器进行图像的检索。实验表明该系统能有效地检索大规模的图像数据库,并取得了比较好的效果。

基于数据挖掘的水下激光图像识别技术

为了提高水下激光图像识别精度,提出一种基于数据挖掘的水下激光图像识别方法。首先收集水下激光图像,提取其Gabor特征,并采用主成分分析法对特征进行选择,消除冗余特征,然后根据特征对训练样本进行处理,并输入到相关向量机进行学习,建立水下激光图像识别分类器,最后采用具体水下激光图像进行仿真对比测试。测试结果表明,本文方法可以提高水下激光图像的识别率,而且获得较快的水下激光图像识别速度,具有较高的实际应用价值。

基于云计算平台的遥感图像特征选择与优化研究

遥感图像分类一直是人们关注的焦点,针对当前遥感图像分类方法中的特征选择和优化问题,为了提高遥感图像分类效率,提出基于云计算平台的遥感图像特征选择与优化方法。首先对当前遥感图像特征选择与优化的研究进展进行分析,找到不同方法存在的局限性,然后采集遥感图像集,通过云计算平台对遥感图像集进行细分,并采用并行方式进行遥感图像特征选择与优化操作,最后建立遥感图像特征分类器,并与当前经典遥感图像特征选择与优化方法进行了对比实验,结果表明,这种方法加快了遥感图像特征选择与优化速度,并可以提升遥感图像分类效率,具有一定的实际应用价值。

基于机器学习的图像敏感信息识别方法

针对传统图像敏感信息识别方法精度不高的问题,提出一种基于机器学习的图像敏感信息识别方法。对识别图像进行去噪和细节锐化预处理操作,从颜色、形状和纹理三个角度提取预处理后的图像特征。结合所提取的图像进行图像敏感信息检索,通过图像特征提取图像敏感信息。根据机器学习中的支持向量机(SVM)原理,设计一种图像分类器实现对图像敏感信息的分类和识别。与传统的两种图像识别方法相比,该方法具有较高的识别精度,可在较短的识别时间完成图像敏感信息识别。

Colorfulness Enhancement Using Image Classifier Based on Chroma-histogram

纸第一基于浓度 histogram.This ap水煮用图象分类器建议图片的图象的丰富多彩改进图象和他们的 types.With 的丰富多彩的估计力量如此的坚定的信息，算法自动地为更好自然的图象 look.With 调整图象丰富多彩肤色和象素浓度的另外的察觉的帮助处理的适应本地人，算法生产更自然的图象 look.The