基于统计纹理特征的打印文档认证

为了解决计算机打印文档的自动鉴别,提出了一种基于中文汉字显微放大图像灰度共生矩阵统计纹理特征的打印文档鉴别算法.首先,从理论模型上分析了激光打印机传动系统对打印字符潜影的影响;接着对字符图像的22维灰度共生矩阵统计纹理特征进行计算,并利用ReliefF特征选择算法进行特征选择;最后提取显微字符图像激光扫描方向和纸张行进方向的灰度共生矩阵纹理特征并进行融合,利用最近邻和支持向量机2种分类器进行分类鉴别.在两种样本集上的实验结果表明:特征融合后的鉴别性能有所提高;支持向量机的分类鉴别性能优于最近邻分类器,在相同字无重复样本集上的分类准确率和平均召回率分别为96.5%和96.64%,在相同字有重复样本集上分类准确率和平均召回率分别为98%和98.18%;激光打印机品牌分类准确率为98%.上述的实验结果显示该方法具有良好的打印文档分类鉴别性能.

融合模糊统计纹理特征的多线索粒子滤波跟踪

针对粒子滤波跟踪算法使用单一特征鲁棒性差,以及粒子重采样策略易导致粒子退化、贫化等问题,提出了一种基于多特征、多线索的改进粒子滤波跟踪方法。使用引入邻域关系的Histon直方图描述目标的颜色特征,并建立了一种稳健的模糊统计纹理特征(FSTF)表达空间纹理信息,然后将其自适应地与区域颜色特征融合构建多线索的观测模型。在粒子滤波跟踪过程中,使用基于K-means的粒子权重聚类进行更为准确的后验分布估计。在重要性重采样阶段,保留高权重粒子的同时基于当前目标状态的先验分布产生新粒子,避免了粒子退化并保证了粒子的多样性。在标准测试集上的实验结果表明:相比其他基于粒子滤波框架的跟踪算法,本文方法能够得到更高的跟踪精度和成功率。与其他效果突出的流行跟踪算法相比,本文方法能在光照变化、目标形变和背景扰动场景下取得更好的跟踪效果。

采用UTPLBP的纹理图像分割

局部二元模式(LBP)是一种有效的图像局部纹理描述算子,由于其具有良好的旋转不变性而被广泛应用于图像处理、计算机视觉等领域。本文着重分析LBP纹理特征的相关特性,并在其基础上进行适当改进,提出均匀三模块局部二元模式(UTPLBP)及其二次统计量纹理特征,探索其在图像分割应用中的可行性。实验结果表明,针对Brodatz纹理合成图像,利用UTPLBP算子提取待分割图像的纹理特征,在SVM分类器下进行图像分割,UTPLBP纹理算子能够很好的描述图像的纹理信息,其二次统计量纹理特征鲁棒性强并能对不同纹理图像进行正确区分。相比传统法,本文方法正确率均在93%以上。

基于环形对称Gabor多通道纹理加权的人脸识别

为了充分利用环形对称Gabor变换(CSGT)冗余度小,旋转不变性等优点,提高人脸识别技术在实际应用中的有效性和可行性,提出了一种基于CSGT的人脸特征提取改进算法——CSGT多通道纹理加权算法。该算法首先将人脸图像进行CSGT多尺度分析,然后分块提取纹理统计特征,并将多通道特征自适应加权融合,最后使用PCA加权进行降维得到最具鉴别能力的人脸特征。在ORL、Yale和FERET人脸库上进行实验,与传统算法以及CSGT进行对比,实验结果表明:此算法识别率高,数据量小可行性高,对光照、姿态、表情等干扰具有很好的鲁棒性,且灵活适应于不同的人脸库。

基于局部纹理统计特征的超声图像体绘制传输函数设计

在直接体绘制的过程中,传输函数的设计是一个关键的步骤,其对最终的绘制质量有着决定性的影响。超声图像有分辨率低、对比度低、充满乘性的斑点噪声等特点,因此很多适用于CT图像的传输函数设计方法并不适用于超声图像。本文通过对超声图像的特点进行研究,给出了一种基于局部纹理统计特征的传输函数设计方法。对超声图像序列在三维空间中提取出每个点的局部纹理统计特征,对这些特征进行聚类分析后,根据每个点所属的类和其到相应聚类中心的距离对其分配包括RGB值和透明度在内的光学属性。由于采用了统计特征作为分类特征,相较于使用梯度特征的传输函数设计方法,我们的方法能够更好地适应超声图像的特性,得到较好的绘制结果。

利用人工神经网络的偏光下热解炭织构类型识别

针对现有炭/炭复合材料热解炭织构类型的识别方法受人为因素影响较大和操作过程比较复杂等问题,提出了基于热解炭偏光形貌和人工神经网络的热解炭织构类型识别方法.识别时,从炭/炭复合材料的偏光显微图像中分割出热解炭区域,分别用线邻域灰度共生矩阵法和面邻域灰度共生矩阵法提取热解炭的纹理特征,并运用人工神经网络对提取出来的纹理特征进行自动识别,识别率都很高,表明这2类统计纹理特征可以对热解炭织构进行较好的描述.

条格织物组织识别中的图像分割方法

针对条格组织的特点 ,运用K 均值算法对从织物图像中提取的纹理谱统计特征进行分类 ,提取出条格组织中不同织物组织结构块 ,从而将这类组织的织物图像分割成一系列简单图像 。

面向卫星云图云分类的自适应模糊支持向量机

云类识别是实现卫星云图自动分析的基础,针对卫星云图易受噪声干扰且不同云系往往相互交叠的特点,构造一种面向云类识别的自适应模糊支持向量机。该方法不仅改进了隶属度函数的表现形式,而且通过定义控制临界隶属度和隶属度衰减趋势的参数,使隶属度能根据不同云系样本的具体分布特性自适应调整,解决了传统模糊支持向量机的隶属度函数难以反映样本分布的问题。在MTSAT卫星云图上的实验结果表明,通过提取云图可见光通道的反照率、红外通道的亮温及三种亮温差作为云图的光谱特征,并结合统计纹理特征,所构造的自适应模糊支持向量机分类器能有效区分晴空区、低云、中云、高云及直展云;云类识别准确率优于标准支持向量机和传统模糊支持向量机,且具有更强的稳定性和自适应性。