基于MSA矩的帘子布疵点识别算法研究

首先给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换,构造了一组仿射不变矩(MSA矩),给出了它的明确表达式,然后计算帘子布样本图像的MSA矩,以这些MSA矩为输入向量对BP神经网络进行训练,最后采用已训练的BP神经网络进行帘子布疵点识别。试验证明,这种方法可准确识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。

Zernike矩与MSA矩的对比研究

Zernike矩由于其信息冗余度低且对噪声不敏感,在图像特征提取和模式识别中得到了广泛的应用,MSA矩具有尺度不变性和仿射不变性,被成功应用于单纯背景的图像模式识别领域,也被越来越多的学者所关注,但Zernike矩与MSA矩的不变性、时间效率及应用条件等还没有被对比过;同时,Zernike矩本身只具有旋转不变性,当前对于Zernike矩平移不变性、尺度不变性已经有了较好的解决方法,但对仿射变化的研究还较少.针对上述两个问题,首先提出了一种同时解决Zernike矩平移不变性、尺度不变性和仿射不变性的预处理算法,其次对Zernike矩与MSA矩的仿射不变性、时间效率等进行了详细的对比.仿真结果表明提出的预处理算法可以有效地保证Zernike矩的仿射不变性,其次,经过预处理后的Zernike矩与MSA矩的对比研究可以对以后的研究提供详实的参考.

一种新型不变矩在图像识别中的应用

给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换。构造了一组新的仿射不变矩(MSA矩),分析了其性质,给出了它的明确表达式及其具体实现方法。分别应用最小距离法、k-近邻法和相似性测度三种识别方法进行了仿真实验。结果表明,MSA矩对平移、比例、旋转、拉伸和扭曲等仿射变换均具有很好的不变性,与典型的Flusser矩相比,稳健性好、识别率高、抗噪声干扰能力强,具有一定的应用价值。