基于LBP-GLCM特征融合的烤烟油分等级预测模型

烤烟油分含量评价对烟叶等级的评判具有重要影响,为了对烤烟油分等级进行科学预测,创建烤烟微观纹理与油分含量的关系模型,论文以贵州安顺平坝烟区烤烟样品为研究对象,基于LBP—GLCM(融合灰度共生矩阵与局部二进制模式)特征融合提取烤烟表面纹理特征,结合BP人工神经网络模型,对烤烟油分等级进行预测。结果表明:采用LBP-GLCM算法结合BP神经网络对烤烟油分等级预测正确识别率为93.33%,模型相关系数为0.91486,可见该算法对于烤烟油分等级预测具有一定的优势。

一种基于加权颜色形状特征和LBP-GLCM纹理特征提取的服装图像检索方法

为了提高颜色和纹理特征在服装图像检索中的准确性,本研究提出一种基于加权颜色形状特征和LBPGLCM纹理特征提取的服装图像检索方法以提高服装图像检索的精度。首先,在第一道检索中运用颜色直方图和Hu不变矩的特性进行加权处理,而后,再运用Uniform-旋转不变局部二值模式算子对返回的结果进行处理,得到相对稳定的编码图像。实验证明,此方法能将不同特征的优势进行融合,使之相互补充,检索结果较之单一特征的检索更加准确。

基于LBP-GLCM纹理特征提取的服装图像检索

提出了一种针对服装图像检索的LBP-GLCM纹理特征提取方法,首先利用Uniform-旋转不变局部二值模式算法处理服装图像,得到不会因为旋转而改变的编码图像,然后获取此图像的灰度共生矩阵,采用能量、对比度、相关性和均匀性描述图像的纹理特征。实验数据表明,LBP-GLCM纹理特征提取方法具有良好的抗旋转性,且在采用欧氏距离作为相似性度量时,LBP-GLCM相较于GLCM纹理特征提取方法可以获得更高的检索效率和准确率。

基于MTF-gcForest的带钢表面缺陷分类方法研究

针对带钢表面缺陷位置分布不均、类型复杂多样的特点,为保证特征提取的维度丰富性与识别准确率,提出一种基于多纹理特征融合与gcForest集成学习相结合的带钢缺陷识别方法MTF-gcForest。首先提取带钢表面的灰度共生矩阵、局部二值模式、灰度游程矩阵特征,以充分挖掘带钢表面的纹理信息。然后,将归一化处理后的特征进行融合,最后用gcForest分类器进行分类。实验比较了单纹理特征和多纹理特征的性能表现,以及多种分类器的分类精度。实验结果表明:基于MTF-gcForest方法的平均准确率达到97.22%,优于其他带钢表面缺陷检测算法,具有较强的推广意义。

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵(GLCM)和局部二值模式(LBP)提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机(GS-SVM)中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.

基于时序光谱和高分纹理分析的制种玉米田遥感识别

根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息。该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9 m。最后采用奇台县的0.7 m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%。通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑。

融合LBP与GLCM的人群密度分类算法

针对中高密度人群图像检测分类对公共安全的重要性,提出融合局部二值模式LBP与灰度共生矩阵GLCM特征提取的人群密度分类方法。首先用旋转不变的LBP算子进行滤波,得到LBP图像,然后提取滤波后图像的GLCM特征,这样既可以避免LBP算子特征降维带来的损失,又能充分利用LBP和GLCM纹理特征提取的有效性,最后采用有向无环图支持向量机DAGSVM进行密度分类。在Pets2009基准数据库中的实验结果显示该算法具有较高的准确率。

基于牛肉大理石花纹标准(BMS)图像的纹理特征分析

【目的】研究基于图像纹理特征来描述牛肉大理石花纹标准的方法。【方法】以日本、美国和澳大利亚的牛肉大理石花纹分级图像为基础,通过线性回归的方法来研究纹理特征与牛肉大理石花纹标准之间的内在关系。【结果】通过彩色梯度和局部二值模式(LBP)处理后提取灰度共生矩阵的4个特征:对比度、相关度、能量和一致性,这些特征可以准确地描述3个不同国家的牛肉大理石花纹标准。其中,能量特征对图像的差异性不敏感,可以作为3种牛肉大理石花纹标准的共性特征。【结论】基于牛肉LBP纹理特征的线性回归预测模型可以作为牛肉大理石花纹标准的一项合理评估依据。

基于B-CLBP和GLCM特征的纹理材质分类

随着虚拟现实的不断发展,力触觉装置对纹理图像分类的要求更高了,视觉纹理的不同也会影响力触觉装置的反馈情况。为达到触即有感的临场感,对纹理图像的识别效率提出了更高的要求。基于图像分类理论,提出一种基于局部二值模式(LBP)和灰度共生矩阵(GLCM)的纹理分类方法。对LBP算法进行优化,得到B-CLBP算子,在不增加特征维度的同时提高每一维的数据量,从而得到更精准的分类结果。在此基础上使用SVM分类器对纹理材质进行分类,实验结果表明,该算法在纹理材质分类方面具有良好的性能,并且较传统LBP更加优秀。

融合LBP和GLCM的纹理特征提取方法

为提取有效的特征用于纹理描述和分类,提出一种融合局部二进制模式(LBP)和灰度共生矩阵(GLCM)的纹理特征提取方法。利用旋转不变的LBP算子处理纹理图像,得到LBP图像及其GLCM,采用对比度、相关性、能量和逆差矩描述图像的纹理特征。实验结果表明,与其他方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,平均分类正确率达到93%。

一种基于LBP和GLCM的单帧人脸近红外图活体检测方法

文章提出了一种简单、快速、有效的人脸活体检测方法:通过对人脸近红外(NIR)图计算局部二值模式(LBP)图以增强光照鲁棒性,然后计算灰度共生矩阵(GLCM)及特征值实现数据降维;通过支持向量机(SVM)对降维后正负样本部分数据训练后得到分类模型,从而成功实现了基于单帧人脸近红外图的活体检测。文章的算法有效抑制了环境光照、图像明暗、人脸姿态变化等的影响,在开放数据集CASIA NIR Database以及自行采集的数据集上进行的实验取得了很好的效果。

基于二维MB-LBP特征的人脸识别

提出了一种基于二维多尺度局部二进制模式的人脸识别方法,对一幅人脸图像进行分块,对每一块的图像进行MB-LBP(Multi-scale Block Local Binary Patterns)算子运算,将MB-LBP与灰度共现矩阵结合起来得到了可以更好地描述局部纹理空间结构的二维MB-LBP特征,将各子块的二维MB-LBP特征进行连接形成人脸特征。该算法在ORL和CMU-PIE人脸数据库上进行测试,选择了支持向量机(SVM)作为分类器,并与传统的基于一维LBP特征进行比较,结果表明提出的算法在人脸识别问题上的有效性和优越性。

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%。

结合颜色和纹理特征的岩心荧光图像含油级别判定

判定岩心荧光图像的含油级别对石油勘探研究具有重要的实际应用价值。不同的含油级别表现为一定的颜色和纹理特征。通过选定含油级别示例图像作为模板,结合颜色和纹理特征计算待判定图像与模板图像间相似度,进而判定荧光图像的含油级别。首先,根据主要颜色非均匀量化HSV颜色直方图提取荧光图像的颜色特征。然后,利用LBP算子生成LBP图像,并对LBP图像求取GLCM特征值,来描述荧光图像的纹理特征。最后,使用巴氏距离分别计算待判定图像的颜色相似度和纹理相似度,并多特征融合得出综合相似度。实验结果表明,结合颜色和纹理特征能够提高岩心荧光图像含油级别判定的准确性。

基于LBP和GLCM的煤岩图像特征提取与识别方法

针对煤矿开采工作面无人化要求,提出一种基于LBP和GLCM的煤岩图像特征提取与识别方法。采用LBP算法判断煤块与岩石纹理存在差异性,然后通过GLCM实现煤块与岩石图像在水平、直角、45°、135°方向上的灰度共生矩阵,并完成对能量、熵值、对比度、逆差分矩等4个煤岩图像纹理特征参数提取。试验表明:LBP算法在检测煤块与岩石局部纹理特征差异的过程中,具有一定的高效性,但存在不足,后续通过GLCM提取的煤岩图像特征参数,可以找到适用于煤岩分类的特征参数,增加煤岩识别的鲁棒性。

基于LBP和GLCM的肠道肿瘤图像特征提取方法

针对肠道肿瘤图像样本有限导致肿瘤识别率低和收敛速度慢的问题,提出一种基于局部二值模式(LBP)和灰度共生矩阵(GLCM)的肠道肿瘤图像特征提取方法.首先,利用最大类间方差法自动计算图像灰度阈值,进行感兴趣区域的提取;然后,采用LBP+GLCM对肠道肿瘤部分图像进行特征提取,并利用支持向量机识别.对1500张肠道肿瘤图像进行实验的结果表明,该方法可达到94.84%的识别准确率,能有效辅助医学诊疗.

基于多纹理特征的白酒摘酒酒花图像分类识别

根据白酒的“看花摘酒”传统手工摘酒经验,提出一种基于酒花视觉图像的多特征智能分类识别方法。通过对连续获取的酒花视频图像,在图像预处理基础上,提出采用局部二值模式(LBP)与灰度共生矩阵(GLCM)分别进行纹理特征提取,并提出LBP+GLCM相结合的纹理特征提取算法。通过对比旋转不变模式LBP、等价模式LBP、旋转不变等价模式LBP,确定对白酒酒花特征描述提取效率最高的等价模式LBP;对GLCM提取的特征值计算均值,并采用不同的特征值组合方式作为支持向量机(SVM)的输入得到分类结果;最后对得到的LBP特征与GLCM特征值进行特征级融合作为分类器的输入,并利用3种不同核函数的SVM分类器进行训练和测试。试验结果表明,LBP+GLCM分类准确率相较于单一LBP、GLCM均有不同程度地提高,其稳定性也高于单一特征分类。

纹理边界引导的复合材料圆孔检测方法

针对复合材料纹理背景下圆形基准孔检测困难的问题,提出一种纹理边界引导的圆孔检测方法.该方法将局部三进制模式(LTP)与灰度共生矩阵(GLCM)对比度融合为纹理对比度,通过提取纹理对比度特征实现孔内纹理和孔外纹理的快速分割,得到与圆孔边界近似吻合的纹理边界,利用纹理边界的位置信息去除绝大多数非圆孔边界的边缘点,利用纹理边界的连通信息对剩余边缘点进行分组,使用内嵌圆参数统计机制的随机圆检测算法从每组边缘点各检出1个圆孔目标,进而完成对多个圆孔目标的检测.实验结果表明,在复合材料圆孔检测场景中该方法有94%以上检出率,3%以下检错率和较高的检测速度,并表现出良好的检测鲁棒性.

基于不同特征提取算法对虹膜识别的影响分析

虹膜识别技术是当前生物特征识别领域的研究热点,不同的虹膜特征提取算法会直接影响虹膜识别性能。分别基于多通道Gabor滤波器算法、灰度共生矩阵(GLCM)算法和Haar小波变换、局部二值模式(LBP)算法对不同影响因素下采集到的虹膜图像进行特征提取并分类。实验结果表明,基于LBP特征和基于Haar小波变换特征的虹膜特征提取方法均具有较强的光照鲁棒性,且识别准确度很高,但对图像噪声的抗干扰能力很低。基于Gabor滤波器的虹膜识别相对更稳定,识别准确度与前两种虹膜识别技术很接近。基于GLCM的虹膜识别分类能力较差,但抗光照和图像噪声影响力较强。