患者肺部图像潜在病变区域纹理优化识别仿真

对患者肺部图像潜在病变区域纹理识别,能够有效提高图像诊断结果精度。对肺部潜在病变区域图像纹理进行优化识别,需要通过图像灰度全局信息初始化水平集,利用拟合函数定义局部能量函数,完成潜在病变区域图像纹理优化识别。传统方法对肺部潜在病变区域图像求解获得图像纹理裂纹长度,提取出纹理灰度等值线,但忽略了对纹理能量函数的定义,导致纹理识别精度偏低。提出基于水平集分割的患者肺部图像潜在病变区域纹理优化识别方法。对患者肺部潜在病变区域图像进行预处理,采用图像梯度方差加权信息熵算法自适应改变滤波器参数。采用图像灰度全局信息初始化水平集,局部能量函数由图像局部灰度拟合函数定义。融合多种纹理特征,将融合结果输入到神经网络的Softmax层进行潜在病变区域图像纹理识别。实验结果表明,所提方法具有准确和鲁棒性好的特点。

医学纹理图像的一种计算机自动识别法

本文提出一种以相关系数为判据的医学纹理图像的识别方法.以电镜下的膈腹膜超微结构纹理图像为例进行计算机自动识别,最高识别率达92%.同时验证了横板尺寸,阈值大小与识别率的关系,证实了训练法选择模板比人工选择模板具有更高的识别率.讨论了识别时间与识别率之间的关系.

基于深度卷积神经网络和迁移学习的纹理图像识别

针对传统的纹理图像识别方法设计过程复杂,而现有的基于深度学习的方法未能有效解决纹理图像样本数量偏少而导致识别精度不佳的问题,提出一种基于深度卷积神经网络和迁移学习的纹理图像识别方法.首先利用在大规模ImageNet图像数据集上预先训练的深度学习模型构造新的迁移学习模型;然后设置合理的模型超参数,并将训练损失、验证损失以及训练集和验证集深度特征距离的加权和作为训练的代价函数;最后通过逐层训练和验证确定最佳的迁移学习模型.实验结果表明,所提方法在CUReT,KTH-TIPS,UIUC,UMD和NewBarkTex纹理数据库上分别取得了99.76%,99.87%,99.80%,100.00%和94.01%的识别精度,具有良好的稳健性和识别能力.

基于Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CUReT和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.

基于深度学习的纹理图像语义识别

传统的纹理图像识别方法主要对底层的视觉特征进行检测,从而导致对高层语义特征的识别能力不足.为了解决上述问题,提出一种基于深度学习的纹理图像语义特征识别方法.该方法首先把在ImageNet数据集上预先训练的模型作为骨干网络构建模型,然后对输入的纹理图像进行数据增强和预处理,并输入模型进行训练和验证,最后利用训练获得的最佳模型对测试图像进行语义识别.在语义描述纹理库(Describable Texture Dataset,DTD)上进行仿真实验,结果表明该方法在纹理图像的语义识别方面具有良好的性能.

基于多尺度结构特征融合的纹理图像识别

传统的纹理图像识别方法主要关注纹理基元的局部形态特征,但不能有效捕获纹理基元的全局分布特征,导致这些方法的识别能力受到限制.为了解决上述问题,提出一种多尺度结构特征融合的纹理图像识别方法.该方法首先构造一个纹理图像的多尺度空间,然后在多尺度空间内利用完备的局部二值计数(Completed Local Binary Count,CLBC)方法提取纹理基元的局部形态特征,利用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)方法提取纹理基元的全局分布特征,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)实现多尺度GLCM特征和CLBC特征的融合并判定纹理图像的类别.在基准纹理数据库上的实验结果表明,该方法有效提高了纹理图像的识别精度.

快速和尺度稳健的纹理图像识别

传统的纹理图像识别方法很难同时获得较好的识别精度、实时性和尺度稳健性,不利于实际的工程应用.因此,提出一种快速和尺度稳健的纹理图像识别方法.该方法首先利用高斯滤波构造一个纹理图像的多尺度空间,然后利用完备的局部二值计数(Completed Local Binary Count,CLBC)算法对多尺度空间中的每个图像提取局部二值特征,并跨尺度提取局部二值特征的最大值,再将多个分辨率的特征相结合作为纹理图像的最终特征描述,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)判定纹理图像的类别.在基准纹理图像数据库上的实验表明,该方法在识别精度、实时性和尺度稳健性方面获得了很好的综合性能,有利于实际的工程应用.

基于图像表面形状指数的图像纹理特征提取

在图像纹理分类方面,近些年局部二值模式(Local Binary Patterns,LBP)以及其变体已经被证明有其独有的优势,但是它仍然存在两个明显缺陷:连续旋转不变性问题以及对噪声鲁棒性差的问题。针对这两个缺陷,提出了一种新的纹理描述符SI-LCCP进行改进。该方法结合了图像表面形状指数(shape index,SI)具有旋转不变的特性的特点,对原有LBP进行补充。同时,将该算法与噪声鲁棒性强的局部凹凸模式(local concave-convex pattern,LCCP)进行算法融合。实验证明提出的算法有效地改善了上述缺陷,在四个常用的纹理图像数据集上均取得了更高的识别效果。

基于树皮纹理特征识别的木材分类

为了利用树皮的纹理特征对木材的种类进行识别,分别提出了基于手工设计的方法和基于深度学习的方法.基于手工设计的方法分别提取树皮纹理图像的精细纹理特征和粗略颜色信息,并用最近子空间分类器(Nearest Subspace Classifier,NSC)对提取的特征进行分类;基于深度学习的方法利用VGG-16模型预先设定训练的参数,并利用现有的纹理图像样本对模型进行微调,从而获得最佳的树皮纹理图像识别模型.最后,在New-BarkTex树皮纹理库上进行仿真实验,实验结果表明这两种方法都取得了良好的识别效果,尤其是基于深度学习的方法具有更好的识别性能.