基于DPM的自然场景下汉字识别方法

自然场景下,汉字背景复杂且形态各异,导致传统识别方法中的文本定位与文本矫正过程难以进行。为了避免这些问题,采用物体识别方法中的可变部件模型(DPM)进行识别。该方法将汉字视为物体类,训练其对应的参数模板,然后采用滑动窗口的方法遍历待检测图片,以判断图片中是否存在目标汉字。实验表明,该方法对简单独体汉字有较好的检测效果,但对于多笔画复杂汉字,由于模型自身结构特点,效果并不明显。

移动队列规则耦合角度约束的医学图像匹配

当前医学图像的特征匹配主要依靠像素灰度来完成,但是像素灰度对空间信息不敏感,当匹配图像之间存在灰度信息不均衡以及噪声干扰时,将导致误匹配率较高,对此,本文提出了一种基于移动队列规则耦合角度约束的医学图像匹配算法.首先,利用高斯金字塔模型对源图像进行滤波预处理,以减少源图像中存在的噪声等干扰;再利用Harris算子对预处理后的源图像进行特征检测,获取图像的特征点;然后,利用SURF(Speed Up Robust Feature)特征描述子,获取特征点对应的特征描述子.并通过尺度空间理论获取特征点集,通过将特征点集进行排序来形成队列,从而设计移动队列规则,完成特征点的匹配;最后,通过求取匹配特征点间的夹角,形成角度约束模型,对匹配特征点进行提纯,剔除伪匹配特征点,使得匹配准确度得以提升.从仿真实验结果与分析可见,在对医学图像进行匹配时,本文所提出的方法具有匹配精度高、鲁棒性能好等特点.

基于改进蚁群算法的错架图书边缘特征提取

在图书馆管理中对图书馆错架、错序图书的识别和分拣中需要提取图书的边缘轮廓特征,在分析了现有的边缘检测算子的基础上提出一种改进的蚁群算法来提取图书的边缘轮廓。通过GA-BP神经网络寻找出蚁群算法的最佳初始参数组合,为了提高蚁群算法检测边缘的效率,首先构建目标图像的高斯金字塔模型,分别在每层图像中进行边缘检测,根据检测的结果提取出重要特征区域,依次映射到下一层,根据特征区域的重要程度优化初始蚁群数量的分布。在对信息素图像的处理中采用改进的二维otsu算法进行分割,提取出边缘轮廓特征。实验结果证明该种方法解决了蚁群算法在图像处理中初始参数设置问题,不仅提高算法的鲁棒性,同时还有较好的抑制噪声的效果,相对于传统的边缘提取算子,提取的图书边缘特征更加丰富完整。

结合多种影像特征与CNN的城市建筑物提取

针对当前卷积神经网络对于城市建筑物纹理特征信息和多尺度信息利用的不足,提出了一种基于多种影像特征与卷积神经网络的城市建筑物提取方法,对结合尺度特征和纹理特征后的CNN模型的建筑物分类提取精度及其影响因素开展研究。方法采用局部二值模式来表达纹理特征,同时采用高斯金字塔提取多尺度特征,以此构建网络训练样本。基于此样本进行SegNet卷积网络训练,采用Softmax分类器完成建筑物粗提取,最后优化网络输出。研究表明,将纹理特征和尺度特征加入模型进行训练可以提高预测精度,其中精确率、召回率以及F1评分3个指标分别提升了8.01%、2.71%和4.98%。