基于振动加速度信息的触觉纹理分类方法研究

当手持刚性工具在材料表面滑动时,用户可以通过工具的振动来感受材料表面的纹理特征。这些振动加速度数据包含了丰富的纹理类别信息,为纹理的分类提供了基础。利用触觉进行纹理分类对于力触觉人机交互、机器人精细化操作等应用具有重要的意义。目前,手工设计与纹理相关的特征以及借助卷积神经网络进行简单的特征提取等方法已经被应用于触觉纹理分类。然而,这些方法未能关注时间尺度的选择和触觉序列数据间的时间依赖性,还存在触觉数据特征提取不充分和分类精度不佳等问题。为了解决上述问题,本文提出一种由多尺度卷积网络和双向长短时记忆网络相结合的融合模型,以便同时捕获触觉信号多尺度的几何局部空间特征和时间依赖特征。所提出的模型从公开的触觉数据集中学习材料表面纹理的触觉特征,并在公开的纹理振动加速度数据库上进行训练。实验结果表明,本文提出的模型可以稳健且高效地实现最高92.1%的纹理分类精度。

基于BoF和迹变换多特征融合的图像纹理分类研究

针对BoF模型缺少几何特征、结构特征的表达,对纹理图像特征描述不充分等问题,提出一种基于BoF和迹变换多特征融合的图像纹理分类方法。首先通过关键点检测的方法获取纹理图像的碎片化图像,然后提取碎片化图像的迹变换特征和SIFT特征,通过特征交叉编码的方式和动态鉴别能量的方法,获取迹变换特征和SIFT特征的融合特征并进行特征单词优选,再以BoF模型进行特征编码,最后输入到支持向量机(SVM)中进行训练、预测和分类。实验在OutexTC10/TC12000和KTHTIPS纹理数据集上分别取得了100%、99.87%和97.6%的识别精度,结果表明该设计方法对具有几何特征、结构特征的纹理图像可以获得较好的分类效果,有效地提高了纹理分类的识别性能。

图像纹理分类方法研究进展和展望

纹理分类是计算机视觉和模式识别领域的一个重要的基本问题,也是图像分割、物体识别、场景理解等其他视觉任务的基础.本文从纹理分类问题的基本定义出发,首先,对纹理分类研究中存在的困难与挑战进行阐述;接下来,对纹理分类方面的典型数据库进行全面梳理和总结;然后,对近期的纹理特征提取方法的发展和现状进行归类总结,并对主流纹理特征提取方法进行了详细的阐述和评述;最后,对纹理分类发展方向进行思考和讨论.

基于小波与曲波遗传融合的木材纹理分类

针对木材表面存在的直纹、抛物纹与乱纹3类纹理,提出一种快速、准确的分类方法。分别提取小波变换的15个特征与曲波变换的16个特征,通过设计纹理类型的遗传网络分类器,遗传优选出14个主要特征;最后,运用BP网络构建基于优选特征量的纹理分类器。对3类300个样本进行了仿真实验,基于小波变换、曲波变换和遗传融合方法的平均分类准确率分别为86.5%、89.3%和90.9%,平均分类时间分别为0.025、0.563和0.216 s。实验结果表明:小波变换对直纹分类具有较好的分类效果,但缺少方向性,对复杂纹理分类精度低;曲波变换可用于表达复杂的木材纹理特征,但特征计算时间较长;基于遗传融合的特征提取方法,融合了小波分类速度快与曲波分类精度高的特点,实现了小波与曲波的特征有效选择,提高了纹理分类的速度与分类精度。

方向无关遥感影像的纹理分类算法

首先根据遥感影像空间分辨率较低 ,局部区域内图像纹理变化不大的特点 ,对遥感影像进行合理的分块 ,使得各分块具有单一的主纹理特征 ;然后利用Gabor小波变换提取各图像块的纹理特征向量 ,并通过简单的循环移位算法 ,方便的形成方向无关的纹理特征向量 ;进而引入改进的棋盘距离来描述图像块间的相似度 ,最后使用无监督聚类算法对影像块进行分类 。

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法。双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和“维数灾”问题,其最优分类超平面的思想能够提高分类准确度。该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类。将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。

基于卷积神经网络的纹理分类方法研究

深度卷积神经网络(convolutional neural network,CNN)在许多计算机视觉应用中都取得了突破性进展,但其在纹理分类应用中的性能还未得到深入研究。为此,就CNN模型在图像纹理分类中的应用进行了较为系统的研究。具体而言,将CNN用于提取图像的初步特征,此特征经过PCA(principal component analysis)降维后可得到最终的纹理特征,将其输入到SVM(support vector machine)分类器中便可获得分类标签。在4个常用的纹理数据集上进行了性能测试与分析,结果表明CNN模型在大多纹理数据集上均能取得很好的性能,是一种优秀的纹理特征表示模型,但其对包含旋转和噪声的纹理图像数据集仍不能取得理想结果,需要进一步提升CNN的抗旋转能力和抗噪声能力。另外,有必要构建具有足够多样性的大规模纹理数据集来保征CNN性能的发挥。

V-系统与Radon变换相结合的纹理分类算法

为了对尺度和旋转变换下的纹理图像进行正确的分类,将Radon变换和V-系统相结合,提出一种纹理分类的算法.首先利用Radon变换将图像的旋转化为平移,再对Radon变换后的图像进行V-变换;利用V-系统的多小波特性,经过一系列的降采样分解过程得到图像在V-系统下的各层次能量表达,并将这些能量作为纹理图像的特征描述.由于V-系统的多小波特性以及Radon变换对旋转的消除,使得文中的特征描述在图像的放缩和旋转变换下有较强的鲁棒性.在通用纹理数据库中的纹理分类实验结果表明了该算法的优越性能.

基于Naive Bayes Classifiers的航空影像纹理分类

在Naive Bayes Classifiers模型中,要求父节点下的子节点(特征变量)之间相对独立,然而在现实世界中,特征与特征之间是非独立的、相关的。提出一种预处理方法,实验结果表明,该方法明显地提高了分类精度。

基于图元旋转不变性和相位统计信息的LBP算法在纹理分类中的研究

传统的LBP算法缺少对图元的相位分析,因此不能较好地区分由图元旋转形成的同类纹理图像.文中提出了一种融合图元旋转不变性和相位统计信息的纹理分析算法.新算法利用图元旋转不变性的等价类约简纹理特征,减小纹理旋转带来的分类误差,然后利用图元的统计相位特征进一步划分纹理图像分类集,进而解决由旋转不变性带来的欠分类问题.该算法选用均值漂移作为纹理分类工具,并采用Brodatz纹理库作测试.与传统的WTGGD、LBP等算法相比,分类效果有显著的改善.

基于支持向量机和距离度量的纹理分类

针对图象纹理分类问题 ,提出了一种将支持向量机和距离度量相结合 ,以构成两级组合分类器的分类方法 .用该方法分类时 ,先采用距离度量进行前级分类 ,然后根据图象的纹理统计特征 ,采用欧氏距离来度量图象之间的相似性 ,若符合条件 ,则给出分类结果 ,否则拒识 ,并转入后级分类器 ;而后级分类器则采用一种新的模式分类方法——支持向量机进行分类 .该组合分类方法不仅充分利用了支持向量机识别率高和距离度量速度快的优点 ,并且还利用距离度量的结果去指导支持向量机的训练和测试 .由纹理图象分类的实验表明 ,该算法具有较高的效率和识别精度 。

结合Gabor滤波器和ICA技术的纹理分类方法

提取有效的特征用于纹理描述和分类一直是纹理分析的难点.本文提出一种结合Gabor滤波器和ICA技术的纹理特征提取方法,即纹理图像首先经过Gabor滤波器组滤波,然后由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析PCA进行降维,最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于纹理分类.通过与经典Gabor滤波器和ICA方法的对比实验,验证和评价了本文方法的性能.

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛。常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类。然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建立特征空间不具对比性。对此,提出一种多特征组合的方法,通过比较单个算法特征与组合特征的分类效果探究各算法特征在对纹理图像的分类上是否存在信息互补。实验结果表明单个算法特征在纹理分类上的确存在优势互补,实验中所得最佳组合特征将给定图像纹理的平均分类精度提高到96.9%。

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上 ,将SVM用于航空影像纹理分类 ,有效地解决了特征选择难和高维数问题。试验表明 。

基于频域最小距离的SPOT(Pan)图像纹理分类算法

为了将频谱对纹理特性的表征能力应用于遥感图像分类提出了基于频域最小距离遥感图像纹理分类算法。将模板图像和适当窗口大小的待判别图像分别进行傅立叶变换,计算两者的频域距离,距离最小者即判别窗口中心像元为该类别的地物。运用该方法对SPOT(Pan)图像进行纹理分类试验,结果表明窗口大小为3×3时分类效果最好,总体分类精度达到80.4%。

基于Tree Augmented Naive Bayes Classifier的影像纹理分类

提出了一种松弛方法,允许类别节点下的相邻子节点之间存在相关关系(有向边),这种方法称为树增强型简单贝叶斯分类器(tree augmented naive Bayes classifier,TAN)。实验结果表明,TAN比简单贝叶斯分类器(naive Bayes classifier,NBC)可以获得更高的分类精度。

基于二维EMD的纹理分类方法

在纹理图像的二维经验模式分解的筛分过程中,使用Delaunay三角形网格和三次多项式插值来构造筛分过程的包络,然后提取样本的每个内蕴模函数中过零点数目以及极值处振幅的均值作为特征向量来进行训练,根据训练得到的样本特征数据库对纹理图像进行分类。实验证明,使用所选取的特征对纹理图像进行分类的方法是可行的。

具有更佳分辨率小波分解的遥感影像纹理分类

首先提出了具有更佳分辨率的小波分解，然后研究了基于该小波分解特征的影像纹理分类，并对２５类地貌遥感影像在两种不同分解方式、两种不同滤波器长度及三种不同分辨率下进行了分类试验，取得了较高的分类正确率。

基于小波包变换和蚁群算法的纹理分类

提出了一种小波包变换和蚁群算法相结合的纹理分类新方法。首先采用小波包变换提取纹理图像的纹理特征向量,然后用蚁群算法进行训练和分类。实验表明小波包变换和蚁群算法应用到纹理分类领域,是一次有效的尝试。

基于复小波和支持向量机的纹理分类法

针对图像纹理分类问题,提出了一种将二元树复小波变换与支持向量机相结合的分类方法,通过二元树复小波变换对纹理图像进行四层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用支持向量机作为分类器实现纹理图像分类。对20类Brodatz纹理图像的分类实验表明,提出的方法具有较高的分类精度,在有限训练样本的情况下比传统的分类算法平均正确率有10%左右的提高,体现了该方法的有效性和良好的泛化能力。