基于局部二值模型的视频隐写分析

为了有效检测扩频信息的嵌入,提出一种基于局部二值模型(Local Binary Pattern,LBP)的视频隐写分析方法。利用视频序列的时空相关性建立三维正交模型,根据活动性分析剔除局部运动点,分别从XY、XT、YT三个平面提取其余点的LBP特征并进行直方图统计。与SPAM方法相比,文中提出的LBP模型不仅降低了局部运动的影响,更获得了较高的检测率。

局部二值统计模型在图像检索中的应用探析

互联网上的图像资源呈现海量增长的态势,网络图像检索技术的研究和应用更显重要。怎样实现基于特征的合理高效的图像检索是多媒体信息检索领域的热点课题,图像的常见特征有颜色、形状、纹理、空间关系等。该文在介绍关于图像纹理的基本检索原理和小波理论的基础上,重点讨论通过局部二值统计模型解决纹理图像旋转变化时出现检索率降低问题的方法及实验分析结果。

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。

结合全局约束函数的局部活动轮廓模型

局部二值拟合模型利用图像的局部平均灰度信息能够对强度非均匀的图像进行分割,但对于存在强噪声和对比度低的医学图像,仅用局部灰度均值不能得到正确的分割结果。针对该问题,提出一种改进的局部活动轮廓模型,在考虑图像局部均值信息的同时,加入图像的全局约束信息检测轮廓线外具有较大梯度幅值的像素点,采用水平集方法最小化能量泛函,使得演化曲线能够准确地停止在目标边界的位置上。实验结果表明,改进方法提高了对噪声的鲁棒性,且其分割精度较高。

基于全局LBF水平集模型的脑血管层次粗分割

考虑对脑血管进行三维分割具有一定难度,提出了一种基于全局LBF(Local Binary Fitting)水平集模型的脑血管层次化粗分割方法。首先,应用定向加权中值(DWM)滤波和各向异性扩散滤波去除脑图像噪声,同时保存血管边缘信息,在多尺度条件下局部梯度最大(LIGM)算法,应用灰度和梯度信息提取备选血管,基本实现脑灰质去除。然后,改进全局信息LBF水平集算法实现最大强度投影(MIP)图像分割,采用形态信息提取备选血管,剔除干扰组织。最后,融合两种方法实现脑血管粗提取。实验表明,层次化的分割方法可去除大部分不相关脑组织,包含直接双高斯统计模型中的所有分割血管信息。本项研究基于时飞磁共振血管造影(TOF_MRA)数据,相关研究结果可扩展到其它相似系统中。

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。

LBF活动轮廓模型的改进

LBF模型是一个著名的基于区域的活动轮廓模型。与PC(Piecewise Constant)模型不同,该模型引入了一个以高斯函数为核函数的局部二值拟合(Local Binary Fitting,LBF)能量。因为LBF能量能够获取图像的局部信息,所以LBF模型解决了PC模型不能处理灰度不均一图像的分割问题。提出了一个改进的LBF模型,它使用一个新的核函数代替高斯核函数。实验表明:与LBF模型比较,新模型减少分割时间约50%。

结合W4算法和LBP模型的运动目标检测方法

针对传统W4背景模型算法无法消除运动目标阴影的问题,提出了一种有效消除阴影的运动目标检测算法。首先,给定背景初始帧,用传统W4算法计算出每一个像素点的最小灰度值、最大灰度值以及最大相邻帧间差分值;其次,对每个像素点提取的最大灰度值和最小灰度值进行线性加权;之后结合能抵抗阴影影响的改进的LBP纹理特征,采用类似混合高斯背景模型原理的思想提取多个运动目标检测背景模型。精简提取得到的LBP纹理的种类,减少计算量,以达到实时性的要求。实验结果表明,该算法与同类算法相比更有效地去除阴影对运动目标检测的影响,也满足实时性的要求。

一种新的活动轮廓图像分割模型

基于区域的局部二值拟合模型在处理灰度不均匀图像方面有较大优势,但其只考虑原始图像灰度的平均统计信息,对于包含大量噪声的图像通常很难获得理想的效果。为克服上述缺陷,提出一种基于原始图像和差分图像统计信息的分割模型。该模型在原始图像灰度统计信息的基础上,加入差分图像信息,分别对原始图像和差分图像构造以高斯函数为核函数的能量方程,并运用梯度下降法求解,驱使活动轮廓向目标边缘演化。实验结果表明,与传统活动轮廓模型相比,该模型能正确提取含有噪声和信噪比低的图像,同时对初始轮廓曲线有更高的鲁棒性。

基于对偶方法和局部统计信息的快速图像分割

CV模型和局部二值拟合模型用于图像分割时往往只能得到局部最优解,且计算量大,分割速度慢。为此,引入一个变量,将其与已知变量组成对偶变量,并利用图像的局部统计信息,建立主动轮廓模型的对偶模型,实现图像的快速分割。针对合成图像、多目标物体图像和灰度不均匀的医学图像进行实验,结果表明,该模型能自动处理拓扑结构的变化,从而快速准确地分割图像。

基于LBF模型的斑点噪声图像分割

LBF模型的核函数的尺度函数是一个固定的任意值,不能实现在不同区域采用不同的尺度。不同点的灰度均匀性不同,因此仅用一个固定尺度的模型来计算不同区域的统计信息是不准确的。针对这一问题论文提出了自适应的高斯核函数,在图像的不同区域,采用不同的尺度参数,使图像的能量差更加明显。实验结果表明,论文提出的方法相较于传统LBF模型和CV模型,提高了斑点噪声图像的分割精度。

改进的几何活动轮廓模型图像分割算法

针对C-V模型不能有效地分割多灰度级图像以及抗噪性不强的问题,分别引入了一个以高斯函数为核函数的局部二值拟合能量项和一个边缘停止函数。利用局部窗函数内的加权均值取代C-V模型的全局均值,并加入了距离函数补偿项,避免了水平集函数的重新初始化,同时将图像的边缘信息融入到C-V模型中,克服了传统的C-V模型无法利用图像梯度信息的不足。实验证明,改进的模型和LBF模型在血管图的分割的效果明显好于C-V模型,在分割时间上,改进的模型也少于LBF模型和C-V模型;对于灰度分布不均匀以及含有噪声的图像,无论是在分割的速度还是分割的效果上,改进的模型均明显优于C-V模型和LBF模型。

结合改进LBP和SRC的高光谱图像分类研究

针对传统局部二值模型(local binary pattern,LBP)提取高光谱图像纹理特征信息量庞大的难题,提出一种基于对称旋转不变等价局部二值模型(symmetrical rotation invariant uniform LBP,SRIULBP)的高光谱图像特征提取方法,以缩减特征维度;针对稀疏表示分类(sparse representation classification,SRC)模型中稀疏字典冗余的缺陷,采用近邻思想,提出最近邻稀疏表示(nearest neighbor SRC,NNSRC)分类方法,实现高光谱图像的高效、高准确度分类。数据实验结合表明,SRIULBP能快速提取图像特征,提出的分类方法不仅在分类精度上优于其他稀疏表示分类算法,并且具有更强的时效性与泛化能力。

基于加权融合算法的森林火灾识别系统

为进一步提高森林火灾识别系统的识别效率,该文研究了加权融合算法和纹理特征的图像识别和分类方法。首先,通过融合RGB-YCbCr色彩空间对疑似森林火灾区域进行分割。其次,利用局部二值模型(LBP)算法提取10种纹理特征,并利用灰度共现矩阵(GLCM)模型提取了疑似火灾区域的4种纹理特征。结果表明,基于加权融合算法的森林火灾识别系统对森林火灾的识别率达到93.15%,并且在区分类火灾干扰方面具有很强的鲁棒性,且加权融合算法的延迟率为7.54帧/秒,其处理速度可以满足实时使用和准确率的要求。研究结果可为森林火灾识别提供一种更有效的方案。

微表情识别综述

微表情的微妙和微表情数据集的通病,对人脸微表情识别任务提出了巨大挑战,同时也使得该课题具有旺盛的生命力和极高的研究价值。文章阐述了人脸微表情识别的定义,介绍了主流的微表情数据集,并总结了微表情识别领域中基于三个正交平面局部二值模型的经典方法和基于深度学习的最新技术。

基于整体特征的鞋印匹配算法

根据鞋印图像自身的特点,提出了一种新的鞋印定位方法;在此基础上提出了将鞋印的外纹轮廓简化成四边形,然后用四边形原理的方法来提取鞋印的几何特征用于鞋印匹配;内部纹理特征的识别采用改进的局部二值模型(local binary patter,LBP),为了充分的利用鞋印上的特征;将这内外特征相结合形成一个整体特征用于鞋印的匹配。实验结果表明,整体特征在保持算法鲁棒性情况下,匹配用时短、识别率高。

LDBP和LBP特征融合的行人检测

提出一种基于局部差分二值模型(Local Difference Binary Pattern,LDBP)和局部二值模型(Local Binary Pattern,LBP)的特征融合方法,以解决行人检测中检测精确度和鲁棒性不足的问题。对输入图像进行二维离散Haar小波变换,得到不同频率的四个子图像(LL,LH,HL和HH);对低频部分子图像提取LDBP特征,以及对其他三个高频部分子图像提取LBP特征;采用主成分分析法(PCA)分别对得到的LDBP特征和LBP特征进行降维;融合降维后的LDBP特征和LBP特征进行行人检测。在INRIA数据集上采用支持向量机(SVM)进行测试,实验结果表明,该方法能有效地提高检测精确度,且具有较好的鲁棒性。

灰度不均的弱边界血管图像分割方法

针对灰度不均的弱边界现象通常发生在真实世界的图像中,可能会增加图像分割的难度,传统的局部二值拟合(LBF)模型分割方法需要建立复杂的数学模型,局部化属性也导致了该模型更容易陷入局部极值,且需要较多的算法迭代次数。为了克服上述缺陷,提出了一种新的图像分割处理方式,首先用形态学运算去除血管图像的背景,以达到增强图像的目标。然后对处理后的血管图像采用双边滤波器滤波,使用最大类间方差法(Otsu)进行分割,将最优阈值代入Canny算法中,进行再分割。实验结果表明,该方法不需建立复杂的数学模型和数值分析算法,可以用较少的迭代次数,对于灰度不均且弱边界的医学图像实现较好的分割。