AN EFFECTIVE IMAGE RETRIEVAL METHOD BASED ON KERNEL DENSITY ESTIMATION OF COLLAGE ERROR AND MOMENT INVARIANTS

In this paper, we propose a new method that combines collage error in fractal domain and Hu moment invariants for image retrieval with a statistical method - variable bandwidth Kernel Density Estimation (KDE). The proposed method is called CHK (KDE of Collage error and Hu moment) and it is tested on the Vistex texture database with 640 natural images. Experimental results show that the Average Retrieval Rate (ARR) can reach into 78.18%, which demonstrates that the proposed method performs better than the one with parameters respectively as well as the commonly used histogram method both on retrieval rate and retrieval time.

基于HSV颜色空间加权Hu不变矩的台标识别

该文根据台标的视觉特征,提出基于时空不变区域检测的方法来进行台标分割,并对台标特征提出用基于HSV颜色空间的加权Hu不变矩进行描述,最后采用基于知识库的方法进行台标识别。实验表明:该算法识别正确率较高,效果基本令人满意。

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包(BoF-SIFT)支持向量机的分类方法具有较好的手势识别效果,但是计算复杂度高、实时性较差。为此,提出了融合Hu矩与基于快速鲁棒特征的特征包(BoF-SURF)支持向量机(SVM)的手势识别方法。特征包模型中用快速鲁棒性特征(SURF)算法替换尺度不变特征变换(SIFT)算法提取特征,提高了实时性,并引入Hu矩描述手势全局特征,进一步提高识别率。实验结果表明,算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。

融合HU不变矩和SIFT特征的商标检索

利用商标图像的形状特征,提出了一种融合图像全局特征和局部特征的商标检索算法。其中全局特征反应了图像的整体信息,这些信息可用来较快地建立候选图像库,而局部特征则可以更准确地与候选图像进行匹配。提取图像的HU不变矩进行初步检索,按相似度排序,在此结果集的基础上对候选图像通过提取SIFT特征进行精确匹配。实验结果表明,该方法既保持了SIFT特征的良好描述能力,又减少了精确匹配需要的计算次数,降低了复杂度。

基于SUSAN和HU不变矩的零水印算法研究

利用SUSAN、对数极坐标变换(Log Polar Mapping,LPM)、HU不变矩等方法从图像里提取特征信息来构造零水印。实验仿真显示,此方法对噪声、滤波、剪切等常规信号处理有很好的鲁棒性,且对小于20°的图像旋转、缩放等几何攻击有很强的鲁棒性。

基于Hu不变矩和最佳缝合线的纸箱垛图像拼接

为了实现对港口集装箱中纸箱垛的快速定位与拆垛,需要获得纸箱垛最外层清晰的全景图像。基于自主研制的自动卸货车,采用两摄像头多轮次单程拍摄的方法获取待拼接图像,在单轮次图像拼接中引入Hu不变矩寻找参考图像和待配准图像之间最佳重叠区域,并使用优化的动态规划方法搜索最佳缝合线,以此快速获得清晰的大视野图像。试验表明,基于Hu不变矩和最佳缝合线的全景图像拼接在特征点匹配上减少20%以上的时间,并可以较好地消除因拍摄角度造成的鬼影。

基于HU特征和改进Harris角点的零件快速匹配方法

针对零件图像匹配过程中匹配时间长、查准率低等问题,提出了一种基于HU不变矩特征和改进Harris角点的零件快速匹配方法。首先对待匹配图像进行预处理,用最大类间方差法进行图像分割并通过多边形逼近获取目标轮廓。然后提取目标轮廓的HU不变矩特征和模板特征进行粗匹配获得候选零件轮廓,再采用改进Harris角点提取方法获取角点、剔除非拐点并构造投票矩阵获取轮廓的顶点,最后拟合零件轮廓最长边,根据拟合直线的角度校正零件图像后进行基于灰度的快速匹配。实验结果表明:该方法相较传统方法精度提高3%以上,速度快22%以上。

基于Hu不变矩和径向基神经网络的太阳镜镜片瑕疵图像分类系统

现有的镜片瑕疵分类主要针对光学玻璃镜片和树脂镜片,与太阳镜镜片的生产原料和工艺存在差异,导致两者的瑕疵类型也有所不同,因此现有的镜片检测机不能直接应用于太阳镜镜片的检测.为了满足生产需求,实现工业自动化检测,本文利用基于机器视觉检测技术的CMOS传感器工业相机、双远心镜头、LED灯搭建了镜片图像采集系统,并融合图像处理算法,将七个Hu矩不变量作为互补特征,采用径向基神经网络模型开发了太阳镜镜片瑕疵图像分类系统.实验表明,使用Hu不变矩特征提取算法的分类方法可有效提高分类准确率,该方法的准确率为94.56%.和BP等其他神经网络结构相比,准确率也更高.因此,该系统被证明是可行和有效的.

基于Hu不变矩相似关联度的Mean-shift运动跟踪算法研究

目标跟踪作为计算机视觉研究的重要方向,具备良好的发展前景。针对传统Mean-shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪框不准确以及目标丢失的现状进行了相关研究。结合目标特征建模优势,提出了基于Hu不变矩相似关联度的Mean-shift运动跟踪算法。该算法采用Hu不变矩特征描述子提取目标特征向量矩进行建模,并由目标位移矢量拟合预估Mean-shift初始迭代搜索的位置。通过Pearson相关系数度量目标特征矩与候选特征矩之间关联度,并结合8步态迭代搜索的方式定位运动目标,实现了目标跟踪。试验表明,当目标存在遮挡时,该算法依然能够进行有效跟踪定位,有效地改善了复杂条件下跟踪框BBox与真实值(GT)之间的交并比(IOU)值,减少了目标搜索时的迭代次数,具有较好的鲁棒性。

统一Hu矩及在电视图像目标识别中的应用

分析了在离散状态下比例因子对不变矩特征的影响,扩展了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,构造了一种新的不变矩,统一了基于区域和边界的矩不变量公式,并满足离散状态下的比例不变性,比传统的不变矩更具一般性。将其应用到电视图像目标识别中,仿真结果表明,不变矩不变性好,识别率高,实时性好,具有一定的应用前景。

水电机组故障诊断专家系统运行状态智能预测及故障识别

对水电设备进行智能预测可以将故障诊断提前至故障发生前,由此可预防不稳定运行对机组设备的损害,延长机组寿命。本文基于ARMA模型、匹配矩阵模型(MM)和Hu不变矩原理,针对水电机组需要重点监控的三类数据:自相关性较强参数、自相关性弱参数、轴心轨迹参数,开发了一套水电机组智能预测和故障识别系统。本系统自2019年实际装备以来预测结果和实际数据拟合良好,将各类潜在故障数据输入系统,系统均可预测并准确判断故障类型。综上,本系统可实现对故障的提前预测和诊断,有力保障水电机组的正常稳定发电。

改进的统一Hu矩在图像目标识别中的应用

以图像的平移、旋转及尺度变换为研究对象,结合Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,进一步改进了统一Hu矩,并证明了改进后的不变矩在离散状态下的不变性。其中针对图像旋转的特点引入权向量的改进发法,并通过实验证明了这种方法极大提高了图像在旋转变换后的识别命中率,使其具有一定的应用前景。

一种基于Hu不变矩的匹配演化算法

提出了一种基于Hu不变矩的匹配演化算法.该算法利用一种新的演化搜索策略取代传统的遍历搜索策略,将Hu不变矩特征融入演化适应函数.首先通过演化策略,产生多个搜索子图;然后计算待识别搜索子图与模板图像的不变矩特征值,用欧氏距离衡量两者的相似度;最后通过演化策略产生新的搜索子图,用该搜索子图淘汰种群中适应函数值最大的搜索子图.实验结果表明该算法具有较高的效率和鲁棒性.

基于改进Hu不变矩的路面交通标识识别

复杂环境下路面交通标识识别是车辆安全辅助驾驶、车辆自主导航等领域的重要研究内容.针对路面交通标识特征,采用一种控制点快速获取方法得到场景透视投影中的变换矩阵,进而在场景重建基础上利用Hough直线检测方法建立当前车道线的区域模型,在该区域内采用最大化一维信息熵方法分割出交通标识,利用Canny边缘检测算子检测其边缘特征,最后通过改进的Hu不变矩特征实现了路面交通标识的有效识别.实验结果表明,所提的方法对于复杂环境下的路面交通标识识别具有良好的可靠性和鲁棒性.

一种基于MSER和SWT的新型车牌检测识别方法研究

为了降低拍摄距离、光照等对车牌识别的影响,提高复杂背景下车牌识别准确率,提出了一种基于最大极值稳定区域(maximally stable extremal regions,MSER)和笔画宽度变换(stroke width transform,SWT)的新型车牌检测识别方法。该方法首先进行MSER提取和Canny边缘检测,并根据车牌字符特征对二者相与运算后的MSER筛选;然后在筛选后的区域内做基于形态学处理的SWT和SW筛选,聚合筛选后区域,结合车牌几何特征完成车牌精定位;最后校正分割定位成功区域内连通域,提取骨架并归一化,与细化和归一化后的模板匹配。利用HU不变矩和网格特征识别首字符汉字,采用扫描跳跃点统计编码识别数字和字母。实验结果表明:该方法定位准确率高达94. 86%,识别准确率达96. 14%。该方法对远距离、变光照获取的复杂背景下,车牌检测识别具有较高的准确率和鲁棒性。

基于Hu不变矩和BP神经网络的木材缺陷检测

采用X射线作为检测手段,对木材进行无损检测,通过检测透过木材的射线强度来断定检测木材是否存在缺陷.对得到的木材缺陷进行图像处理,将木材缺陷图像转化为灰度图像,再把灰度图像转换为二值图像.根据经验选择相应的阈值,提取出清晰的木材缺陷边缘,把木材缺陷部位从背景中分离出来,完成木材缺陷图像分割.对Hu提出的区域不变矩进行扩展,得到一组新的描述形状特征的参数,这些参数具有平移、缩放和旋转不变性,并且具有较低的计算复杂性.将这些特征参数预处理后输入BP神经网络,对木材缺陷进行检测,检测准确率达到86%以上,试验结果表明此方法的可行性,为实现木材缺陷的自动检测提供了新的途径.

融合改进指尖点和Hu矩的手势识别

基于轮廓的识别算法能够很好地处理手势的外观变化,但现有的识别算法在目标旋转和缩放时其识别率和鲁棒性较低,针对这一问题提出了一种基于指尖点和Hu不变矩的手势识别方法。该方法对基于曲率的指尖检测方法进行改进,增强指尖点特征提取的鲁棒性;融合Hu不变矩和指尖点特征,提高手势模型的全局描述性;利用能够自动添加新手势的识别算法,提高算法的实用性。实验表明,该方法在满足实时性的基础上有效地提高了手势识别的准确性和鲁棒性。

基于余弦定理和K-means的植物叶片识别方法

为了提高植物叶片识别准确率,提出一种基于余弦定理和K-means的识别方法.该方法首先通过提取叶片的Hu不变矩和形状特征得到叶片的综合特征向量,然后使用K均值聚类(Kmeans)对各类叶片训练样本的特征向量集合进行聚类以获得聚类中心特征向量,紧接着使用余弦定理计算目标叶片和训练样本的相似度并排序.仿真实验表明:在Flavia植物叶片数据库中进行测试,该文方法以96.03%的概率在前5位发现目标,优于KNN、BP神经网络方法,因此,该方法具有一定的实用价值.

基于改进K-Means算法的车辆识别方法

车辆的检测和识别一直是道路监控、安全辅助驾驶、车辆自主导航等领域的重要研究内容。文中基于机器视觉方法,在Lab颜色空间通过对经典K-Means算法的聚类中心、聚类数和距离测度三方面的改进实现了L分量的聚类,从而达到图像分割的目的。提取图像的矩形度、Hu矩和Affine矩的特征,针对不同的车型建立各自的模板,利用改进Hu不变矩和仿射不变矩的组合不变矩对分割后图像进行车型的识别。实验结果表明,文中提出的方法对于复杂环境下的车辆检测和识别具有良好的可靠性和鲁棒性。

基于Hu不变矩的红外图像电力设备识别

针对电力系统红外故障检测中对电力设备的人工识别效率低、实时性差等问题,提出了根据红外热图温度信息获取独立的电力设备图像,采用计算机图像处理技术实现对电力设备高效、准确识别的方法。首先,通过红外图像中的温度信息寻找设备中高温点作为种子点,采用区域生长方法有效地去除了背景,获得了整个电力设备的二值图像;然后,选取Hu不变矩作为图像特征提取方法,并对其做出了改进,计算了该二值图像的Hu不变矩,构成了电力设备的特征向量;最后,设计了BP神经网络分类器做分类识别,可用于结合温度信息实现电力系统中电力设备红外图像的故障识别。研究结果表明,该电力设备识别方法对CT、变压器、母线接头、避雷针将军帽等电力设备的识别率高、耗时少,具有良好的应用前景。