基于颜色纹理特征的医学图像智能分割算法

针对现有图像分割算法分割精确率低的问题,引入颜色纹理特征,开展对医学图像智能分割算法的设计研究。先基于LBP算子完成医学图像颜色纹理特征的提取,然后对医学特征像素点加权处理,最后自适应设计迭代带宽,结合均值漂移算法,实现对医学图像的智能分割。通过对比实验证明,新的分割算法对医学图像的分割精确率达到95%以上,优于对比方法,可为后续医学图像识别、处理等提供便利条件。

一种融合颜色和纹理特征的遥感图像检索方法

海量遥感图像的自动查询和选择 ,迫切需要有效的基于内容的图像检索方法。鉴于单一视觉特征不能很好地表达图像内容 ,为此提出一种基于五叉树分解的线性加权颜色和纹理特征距离的检索新方法。该方法首先采用五叉树分解法分解图像 ,然后在利用多通道 Gabor滤波器与图像做卷积得到滤波能量值的基础上 ,提取各子图像滤波能量纹理特征 ,最后通过计算子图像的颜色均值和均方差来对查询图像和与其大小相当的数据库子图像进行颜色和纹理特征线性加权距离相似性测度。将该方法用于高分辨率卫星和航空遥感图像数据库检索的实验结果证明 。

基于颜色和纹理特征的道路图像分割

针对移动机器人的视觉导航需求,研究彩色道路图像的精确分割问题.为解决图像中的干扰因素对道路分割精度所带来的负面影响,首先对道路图像进行了基于颜色特征的过分割,对颜色过分割结果再进行基于小波纹理特征的区域融合.通过考察区域空间位置的相邻性以及小波纹理特征的相似性,该算法将过分割区域进行了再融合,实现了复杂环境下对道路区域及环境区域的精确分割.实验结果表明,所提出的区域分割算法快速、有效、实时性好,并对复杂环境具有良好的鲁棒性,可以满足移动机器人实际运行的要求.

基于SVM与颜色/纹理组合特征的景物识别算法

受多种因素影响,室外场景变换复杂,因此利用单个特征(通常多使用颜色或纹理)完成室外场景的识别,不能达到满意的效果。首先基于RGB空间的颜色直方图进行颜色特征提取,然后基于Gabor滤波器进行纹理特征提取,最后将两种特征结合,提出了基于SVM与颜色/纹理组合特征的景物识别算法。基于美国加州理工学院的Pasadena Houses2000数据库建立了室外场景中天空、道路、房子、树木和草地等5类样本训练库,进一步完成了基于SVM的单一特征和颜色/纹理组合特征的景物识别。实验结果表明,该算法对仅用一种视觉特征无法区分景物的室外场景图像能取得较好的分类结果。

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。

应用于行人检测的HLBP与CHLBP纹理特征

根据CSLBP(center-symmetric local binary pattern)和Uniform LBP(local binary pattern)特征描述行人局部纹理互补性的特点,提出将二者级联的组合特征用于行人检测:基于灰度图像的纹理特征(hybrid local binary pattern,HLBP)和基于颜色空间的纹理特征(color based hybrid local binary pattern,CHLBP)。实验结果表明,当FPPW=10–4时,HLBP特征的检测率为93.96%,与Uniform LBP和CSLBP特征相比分别提高3.46%和9.68%,基于颜色空间L′C′C′与HIKSVM分类器结合时的检测率高达98.58%。与传统的纹理特征检测方法相比,该特征提高了行人检测精度,降低了误检率,检测性能得到较大幅度的提升。

一种新颖的低层视觉特征到高层语义的映射方法

通过在低层视觉特征上提取图像的局部颜色和纹理特征,再利用模糊神经网络建立低层视觉特征和高层语义特征之间的映射,实现了图像属性信息的有效传递和可靠检索。最后,为了提高检索效率,把相关反馈引进到图像检索系统中。实验证明,该方法取得了较好的检索查全率和准确率。

融合光谱和图像特征信息的羊肉TVB-N含量无损检测

为实现羊肉挥发性盐基氮(TVB-N)含量的快速、无损检测,利用可见-近红外光谱与机器视觉技术提取光谱特征信息和图像特征参数,将图谱特征信息融合后建立羊肉样品中TVB-N的最小二乘支持向量机(LSSVM)预测模型。采集贮藏1~15 d的73个羊肉样品在320~1100 nm波段范围的可见-近红外光谱和图像信息,参照国家标准方法测定样品中TVBN含量。采用竞争性自适应加权算法优选特征波长作为光谱特征信息,提取样品图像的颜色及纹理特征作为图像特征信息,通过特征层融合法将光谱信息与图像信息融合成总特征参数。分别基于3种特征信息建立羊肉TVB-N含量的LSSVM预测模型。结果表明:基于图谱融合信息建立的模型预测精度优于仅利用光谱信息或图像信息的建模结果,其验证集相关系数为0.930,标准分析误差为1.873 mg/100 g,相对分析误差为2.635。该结果证实基于融合图谱特征信息无损预测羊肉贮藏过程中TVB-N含量的可行性,为实现羊肉样品中TVB-N含量的定量、快速、无损、准确预测提供了参考方法。

基于多特征融合与SVM的苹果品种快速识别算法

为快速无接触地识别苹果品种,采用机器视觉方式,提出基于多特征融合与SVM的苹果品种快速识别算法。首先,基于HSV和La*b*颜色空间提取仅含色度信息的H,S,a*,b*分量,通过直方图变换得到苹果颜色特征,同时考虑苹果表皮局部与全局纹理特性,研究基于GLCM与LBP的苹果纹理特征描述子,并通过串接方式进行颜色与纹理特征融合,实现不同品种苹果表面特征的准确描述;然后,构建基于SVM的苹果品种识别模型,并根据样本特征量优选线性核函数,实现苹果品种的快速准确识别;最后,通过实验验证,该算法兼顾精度和实时性,在测试集上平均准确率达94.0%,且推理时间仅2 ms,具有较高的实用价值。

基于颜色和纹理特征的玉米旱情统计判别模型

利用颜色和纹理特征判定玉米植株干旱程度是玉米旱情监测识别的新途径,良好的统计判别模型构建方法对实现这一新途径意义重大。采集了玉米出苗-拔节、拔节-抽雄、抽雄-成熟3个生长发育阶段适宜、轻旱、中旱、重旱、特旱5个干旱程度的玉米植株图像,用MATLAB软件从图像中提取玉米植株的颜色和纹理特征数据,以SPSS软件对特征数据的训练集进行Fisher逐步判别分析,获得Fisher判别函数组,结合曼哈顿距离判别规则,建立了玉米出苗-拔节、拔节-抽雄、抽雄-成熟3个生长发育阶段的正视面、俯视面和侧视面共9个单视角统计判别模型,并将每个生长发育阶段的单视角统计判别模型联合构建为三维统计判别模型。玉米3个生长发育阶段的所有单视角判别模型在训练和测试时的平均判别准确率无显著差异,所有正视面和侧视面单视角统计判别模型训练和测试时的平均判别准确率均在90%以上,判别玉米不同干旱程度的准确率差异性小,所有俯视面单视角统计判别模型训练、测试时的平均判别准确率均低于85%,且判别玉米不同干旱程度的准确率差异性较大。玉米3个生长发育阶段的三维统计判别模型的训练和测试平均判别准确率在97%以上,且判别玉米不同干旱程度的差异性较小。玉米3个生长发育阶段的单视角统计判模型中,侧视面统计判别模型的判别效果最好,正视面统计判别模型次之,俯视面统计判别模型的判别效果相对较差,每个生长发育阶段的三维统计判别模型的判别效果均比单视角统计判模型好。

基于SVM的设施番茄早疫病在线识别方法研究

为解决设施环境下番茄病害在线探测问题,以温室大棚内采集的番茄叶部图像作为研究对象,以番茄早疫病为例提出了一种结合颜色纹理特征(color moments+color coherence vector+co-occurrence among adjacent LBPs,CCR)并基于支持向量机(SVM)的CCR-SVM叶部图像病斑识别方法。为实现小样本及复杂背景下的快速识别,首先采用滑动窗口将训练用番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像作为样本,从而增加样本数量和多样性。通过训练的CCR-SVM模型对早疫病病斑子图像正负样本分类识别。实验结果表明,本文方法离线识别准确率为96.97%,在线平均识别准确率达86.39%,平均单帧图像识别时间为0.073 s。表明CCR-SVM模型可准确识别并定位复杂背景下的早疫病病斑,且该方法计算量小、系统要求低,为复杂环境下番茄病害快速识别提供了新的思路。

基于颜色纹理和SVM的体育视频分类

针对现有体育视频分类方法中采用单个特征或简单组合无法提高分类精确度问题,提出一种颜色和纹理非线性融合的特征提取方法,并进一步设计基于SVM的分类器.主要工作包括:颜色空间转换、颜色索引矩阵定义、颜色共生矩阵定义、颜色纹理提取和多分类算法设计.实验结果表明非线性融合方法比单颜色、单纹理或颜色和纹理的简单融合在体育视频分类上具有更好的类别区分度,分类精确度平均分别提高了9.94%,8.66%,6.90%.

基于图像处理的果蔬溯源秤系统设计与开发

为了解决传统溯源秤不够智能、操作繁琐的问题,设计了一种新型果蔬图像溯源秤系统。系统采用C/S架构,包括溯源秤客户端和服务端两大部分,客户端基于图像处理技术可以通过摄像头采集果蔬图像来实现果蔬产品的自动售卖,服务端通过Wi-Fi远程管理客户端,整个系统都是利用QT框架开发。重点研究了基于颜色纹理特征的多类SVM果蔬图像识别算法、QT图形界面开发、基于Tcp协议的网络通信开发等。系统测试表明:果蔬图像识别速度快捷、识别率高,系统整体功能工作良好,可以满足实际使用需求。

基于CHGLDA的鱼类新鲜度无损检测方法

快速准确地评估鱼类的新鲜度,对鱼类品质智能监控和保证食用者安全具有重要意义。目前基于图像的鱼类新鲜度评估方法中,基于鱼鳃特征的分析需去除鳃盖、对鱼体具有侵入性,利用其他部位则评估准确率较低。针对上述问题,提出了一种基于颜色纹理特征融合线性判别分析(CHGLDA)的鱼类新鲜度无损检测方法。首先,对采集的鱼体图像进行标注、图像缩放、颜色空间转换等预处理操作;然后,融合鱼体头部图像中提取的颜色直方图特征和灰度共生矩阵(GLCM)特征,并通过LDA进行特征降维;最后,利用K最近邻(KNN)算法对鱼的新鲜度进行分类。提出的GHGLDA新鲜度检测方法解决了提取的鱼体图像特征质量低致使分类性能差的问题。在真实的鲫鱼数据集上进行实验,其精确率、召回率、F1分数和准确率均为1。与颜色直方图、颜色矩、GLCM等特征相比,该方法在KNN、随机森林(RF)、人工神经网络(ANN)及轻量级梯度提升机(LightGBM)分类器上各评价指标的性能均有提高,其中KNN的评估时间最优,为0.01 s。

基于核相互子空间法的番茄叶部病害快速识别模型

近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩(CM)、颜色聚合向量(CCV)和方向梯度直方图(HOG)等颜色纹理特征,引入核相互子空间法(KMSM),建立了番茄叶部病害快速识别模型(CCHK⁃MSM)。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。

基于颜色索引相关统计的彩色图像特征提取

提出了一种基于颜色索引相关统计的彩色图像特征提取(CILCS)方法。图像的像素颜色值被稀疏表示成类似直方图的索引形式,将相关计算应用到特征提取中,计算图像颜色分布规律在局部和整体的相关性,并结合数值统计最终得到具有一定旋转、尺度和平移不变特性的特征向量,能更有效地表示颜色纹理特征。经图像检索和图像分类的实验表明,本文方法能有效提高图像检索和图像分类的精确度。

基于小波变换的胶囊内镜图像检索

目的探索基于内容的胶囊内镜彩色疑似病例图像的检索效果。方法本文运用小波变换对胶囊内镜彩色图像纹理特征进行提取和相关改进,将图像分别在RGB空间和HSI空间下进行处理,对图像的各个颜色通道进行三层小波分解及提取出图像的各通道低频信息,并对各个分量进行分配权重。各个通道的低频信息融合了图像的颜色和纹理信息,将其作为区分胶囊内镜图像的特征向量,并由经典的欧式距离刻画待检图像与标准病例图像的相似度。结果经研究比较三种方法,本文方法检索胶囊内镜病例图片效果较好。结论针对胶囊内镜图像特点,本文所述方法能更好地反映了胶囊内镜图像颜色的空间分布信息且更加符合医生视觉。

监控视频中交通标线的强鲁棒性定位与重建(以双黄线为例)

针对监控视频中污损双黄线的分类检测存在精度低、漏检率高等问题,提出一种由粗到精的检出算法来解决此问题。首先基于混合高斯模型的方法去除视频前景运动目标获得背景图像,然后使用词袋模型并配合滑动窗口检出并确定感兴趣区域,接着使用颜色纹理特征对感兴趣区域内残留双黄线进行分割,最后提出一种基于最小二乘法的曲线拟合方法对双黄线进行重建。利用构建的江苏省交通监控视频集,在直线、弯曲两种条件下对算法的召回率与精确度进行了仿真计算。算法与现有其它方法相比较,在磨损、截断等污损情况下,对残留目标信息更加敏感,检出精度高,具有强鲁棒性。

基于彩色人脸图像的亲子关系验证研究

人脸亲子关系验证是近几年新兴的并具有较大挑战性的研究方向,其通过分析两幅人脸图像的面部特征判断是否具有亲子关系。针对现有亲子关系验证方法大都基于灰度人脸图像展开,而忽略彩色图像色度信息的问题,通过提取颜色纹理特征,研究了色度信息在亲子关系验证方面的影响,对比彩色空间与灰度空间实验结果,并分析了不同颜色空间对亲子关系验证的影响。实验进一步研究了基于不同颜色空间融合的特征提取方法在亲子关系验证上的应用。Kin Face W和TSKin Face数据集上的实验结果表明,彩色图像可以取得较灰度图像更好的实验结果,并且HSV颜色空间识别准确率最高。此外,融合HSV颜色空间和YCb Cr颜色空间的特征提取算法可以进一步提高识别效果。

基于高斯混合模型的非结构复杂环境地形分类

针对因天气变化而产生的色彩转移、光照变化以及相似地形(如土地和沙地)的反射频谱模糊性等因素造成的地形分类性能下降的问题,提出了一种基于高斯混合模型(GMM)的地形分类算法。首先,提取不同光照条件下地形的特征,这种特征是基于改进的离散余弦变换(DCT)纹理特征和在YIQ空间提取的颜色特征的融合特征,然后用这些特征数据训练GMM,对于GMM组成模型数目则采用贝叶斯信息准则(BIC)加以确定。另外针对不同地形区域边界上分类性能差以及同一地形在相同条件下非一致性问题,还提出了一种分类策略。该策略的原理是利用当前特征窗口周围邻域的所属类别概率的平均值大小来决定当前特征窗口的类别。应用提出的算法在两个数据库上进行了实验,取得了令人满意的效果。