基于纹理和BP神经网络的SAR图像分类

研究基于纹理和BP神经网络的SAR图像分类。首先用增强FROST滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像多种纹理特征,并通过大量实验筛选出有效的纹理特征。最后,结合纹理特征,分别采用经典的最大似然分类法和BP神经网络分类法对SAR图像进行分类。实验结果表明：纹理信息辅助SAR图像的灰度进行分类,大大地提高了SAR图像的分类精度;基于BP神经网络的SAR图像分类精度高于最大似然分类法的分类精度。     

一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点,现有的纹理分割方法大多集中于研究灰度纹理图像,文中提出一种基于分形理论的BP神经网络原彩色纹理图像分割方法,该方法将彩色图像由RGB色彩空间转换为HSI色彩空间,根据亮度计算分数维、多重分形广义维数谱q-D（q)和“空隙”等纹理特征,同时加入归一化的色度和饱和度作为另外两个分类特征,采用经过有监督训练的BP神经网络作为分类器,通过对纹理图像的分割实验,结果证实该方法行之有效。     

基于双树复小波分解的BP神经网络遥感影像分类

为有效解决高分辨率多光谱遥感影像分类模糊性和不确定性以及较好地克服噪声的影响,提出了一种基于双树复小波分解的BP神经网络遥感图像分类方法。首先提取影像的NDVI、纹理特征来降低影像中因"同谱异物"和"同物异谱"引起的分类不确定性;然后对影像的原始光谱波段、NDVI、纹理特征图像进行一层双树复小波分解,提取出图像的低频信息,降低图像噪声以及减少分类中存在的"椒盐"现象;最后将提取的低频子图作为BP神经网络的输入并根据训练好的网络进行分类,得到最终的分类结果。对比实验结果表明该方法的分类结果杂点较少,区域一致性更强,具有较高的分类精度和较好的鲁棒性。     

新的纹理图像特征提取方法

提出了一种新的基于非下采样Contourlet变换的纹理特征提取方法.首先对纹理图像进行非下采样Contourlet变换,然后提取不同尺度、不同方向上变换系数矩阵的均值和方差作为特征向量,大大降低了特征维数,并利用BP神经网络进行训练和仿真,实现了纹理图像的自动分类.实验结果表明,与小波包变换和改进的LBP纹理算子等方法相比,该方法能取得更好的分类效果.     

基于BP网络和图像处理的煤矸石的动态识别

为提高煤矸石的自动识别和分选效率,选用基于BP网络和纹理识别煤矸石的方法。为了模拟煤和矸石在线识别,选取粘连在一起的煤和矸石作为样本,经过图像预处理及图像灰度和纹理特征分析后,选取灰度均值、灰度共生矩阵最大值、二阶矩、惯性矩、相关性、熵为有效特征。采用BP网络来完成图像的自动识别过程,选取上述六个参数作为神经网络的输入层,对网络进行训练,实验表明该方法具有较高的识别率。     

行程长度纹理特征在SPOT遥感图像分类中的应用

将行程长度纹理特征与神经网络相结合应用于遥感图像分类中.在特征选择阶段采用类内、类间方差标准与Rough集相结合的方法挑选出有较强分类能力的特征并有效去除冗余特征.针对高分辨率、大尺度的SPOT全色遥感卫星图像,分别基于行程长度纹理特征、共生矩阵纹理特征、灰度-梯度共生矩阵纹理特征和灰度-平滑共生矩阵纹理特征,采用BP、RBF两种类型的神经网络以及最近邻分类算法(K-NN法)对其进行分类,并对分类结果进行对比.实验结果证明本文算法的有效性.     

应用BP神经网络对自然图像分类

针对图像的低层视觉特征和高层语义特征之间的鸿沟,利用一个多输出的BP神经网络,分析低层视觉特征,提取图像的主要颜色、灰度共生矩阵和7个不变矩向量作为网络的输入,用语义期望值作为网络的输出,并用加入动量因子和自适应学习率的BP算法来训练该网络。训练完成后,该网络能够对自然图像进行多种语义分类,从而建立起了从低层视觉特征到语义特征之间的映射。改进的BP算法提高了训练的速度和可靠性,实验证明,该方法取得了较好的检索查全率和准确率。     

储粮害虫分类识别研究

对储粮害虫进行分类识别是非常必要的,本文阐述了利用计算机数字图像处理技术提取静态储粮害虫图像的一阶灰度统计量特征、灰值游程矩阵的纹理特征以及几何形状特征,采用BP神经网络技术对特征进行分类和识别的主要技术和方法。该方法为储粮害虫的分类识别开辟了新的途径。     

基于差异演化概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于差异演化概率神经网络的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用差异演化概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：该方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于Gabor变换的纹理分类与识别

自然纹理图像复杂多样,目前国际上没有明确的分类标准,利用中文自然语言中的纹理概念词对常见的自然纹理进行基于概念的分类,并建立了自然纹理图像库。提出了Gabor频谱滤波提取纹理特征的方法,大大提高了计算速度。以支持向量机为分类器,并与传统的基于BP神经网络的识别方法进行对比,实验验证了该分类方法的有效性。     

一种基于纹理域神经网络的彩色卫星图像分析方法

描述了一种利用纹理域神经网络,通过监督的学习方法来调整和权重,将预处理后成的彩色卫星图像中的纹理信息块进行分类,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的,给出了纹理域的预处理过程,阐述了对原彩色图像进行颜色映射和量化的目标和方法;讨论了纹理域神经网络的构造方法及算法;最后给出了用以上方法对彩色卫星图像进行分类的实验结果,实验证明该方法对彩色卫星图像有较好的分类作用。     

Learning texture discrimination masks

A neural network texture classification method is proposed in this paper. The approach is introduced as a generalization of the multichannel filtering method. Instead of using a general filter bank, a neural network is trained to find a minimal set of specific filters, so that both the feature extraction and classification tasks are performed by the same unified network. The authors compute the error rates for different network parameters, and show the convergence speed of training and node pruning algorithms. The proposed method is demonstrated in several texture classification experiments. It is successfully applied in the tasks of locating barcodes in the images and segmenting a printed page into text, graphics, and background. Compared with the traditional multichannel filtering method, the neural network approach allows one to perform the same texture classification or segmentation task more efficiently. Extensions of the method, as well as its limitations, are discussed in the paper     

An optimum feature extraction method for texture classification

Texture can be defined as a local statistical pattern of texture primitives in observer’s domain of interest. Texture classification aims to assign texture labels to unknown textures, according to training samples and classification rules. In this paper a novel method, which is an intelligent system for texture classification is introduced. It used a combination of genetic algorithm, discrete wavelet transform and neural network for optimum feature extraction from texture images. An algorithm called the intelligent system, which processes the pattern recognition approximation, is developed. We tested the proposed method with several texture images. The overall success rate is about 95%.     

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

目的 在甲状腺结节图像中对甲状腺结节进行良恶性分析,对于甲状腺癌的早期诊断有着重要的意义。随着医疗影像学的发展,大部分的早期甲状腺结节可以在超声图像中准确地检测出来,但对于结节的性质仍然缺乏准确的判断。因此,为实现更为准确的早期甲状腺结节良恶性超声图像诊断,避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用,提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。方法 本文提出的甲状腺结节分类算法由4步组成。首先对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。然后,对增强的图像进行数据扩展,并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。同时,提取图像的旋转不变性局部二值模式（LBP）特征作为图像的纹理特征。最后,将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。结果 本文方法在标准的甲状腺结节癌变数据集上对甲状腺结节图像取得了正确率99.15%,敏感性99.73%,特异性95.85%以及ROC曲线下面积0.997 0的的好成绩,优于现有的甲状腺结节图像分类方法。结论 实验结果表明,图像的深度特征可以描述医疗超声图像中病灶的整体感官特征,而浅层次纹理特征则可以描述超声图像的边缘、灰度分布等特征,将二者统一的融合特征则可以更为全面地描述图像中病灶区域与非病灶区域之间的差异以及不同病灶性质之间的差异。因此,本文方法可以准确地对甲状腺结节进行分类从而避免不必要手术、减轻病患痛苦和压力。     

改进的概率神经网络的语义区域分类

针对彩色图像信息量大,分割效果自适应性差的问题,对图像语义区域的分割精度进行控制,提取图像的纹理特征值,再通过改进后的概率神经网络模型对测试样本做分类测试,达到提高图像语义提取和分类准确性的目的。实验表明,改进后的概率神经网络对彩色图像语义区域分类的正确性由原先的70%提高到90%,具有较好的分类效果。     

基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

高光谱图像含有数百个波段,包含丰富的光谱信息,因此被广泛应用于地物分类中,但仍存在 着维数灾难的问题。高光谱图像中同时也含有丰富的纹理信息,有效利用纹理信息能够显著提高分类精度。三 维 Gabor 滤波器不仅能够保留图像丰富的光谱信息,还能提取到图像的纹理特征。为了充分利用高光谱图像的 特征,提出一种基于三维 Gabor 和残差三维卷积神经网络(Res-3DCNN)的分类方法。三维卷积神经网络(3DCNN) 能够直接对三维立方体数据进行处理,提取到深层纹理-光谱信息,然而随着网络层的加深会产生网络退化问 题,因此利用残差思想对 3DCNN 模型进行改进。在 PaviaU,Indian Pines 和 Salinas 3 个公共高光谱图像数据 集上进行实验,分别取得 99.17%,97.40%,98.56%的平均分类精度,结果表明该方法能有效提高高光谱图像 的地物分类精度。     

改进LeNet-5网络在图像分类中的应用

LeNet-5卷积神经网络（CNN）虽然在手写数字识别上取得很好的分类效果,但在具有复杂纹理特征的数据集上分类精度不高。为提高网络在复杂纹理特征图像上分类的正确率,提出一种改进的LeNet-5网络结构。引入跨连思想,充分利用网络提取的低层次特征;把Inception V1模块嵌入LeNet-5卷积神经网络,提取图像的多尺度特征;输出层使用softmax函数对图像进行分类。在Cifar-10和Fashion MNIST数据集上进行的实验结果表明,改进的卷积神经网络在复杂纹理特征数据集上具有很好的分类能力。     

Classification of binary document images into textual or nontextual data blocks using neural network models

This paper describes a new method for the classification of binary document images as textual or nontextual data blocks using neural network models. Binary document images are first segmented into blocks by the constrained run-length algorithm (CRLA). The component-labeling procedure is used to label the resulting blocks. The features for each block, calculated from the coordinates of its extremities, are then fed into the input layer of a neural network for classification. Four neural networks were considered, and they include back propagation (BP), radial basis functions (RBF), probabilistic neural network (PNN), and Kohonen's self-organizing feature maps (SOFMs). The performance and behavior of these neural network models are analyzed and compared in terms of training times, memory requirements, and classification accuracy. The experiments carried out on a variety of medical journals show the feasibility of using the neural network approach for textual block classification and indicate that in terms of both accuracy and training time RBF should be preferred.     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

一种结合形状与纹理特征的植物叶片分类方法

根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。针对叶片分类,提出了一种基于形状与纹理特征的分类算法。在进行了去噪等预处理后,通过阈值分割和数学形态学方法获取叶片区域;在分割得到的二值区域图像上提取了形状特征,在灰度图像上提取了纹理特征;在所得特征的基础上,利用BP网络对叶片进行分类。在实际图片上的实验结果表明,相比于已有算法,该方法可以达到更高的正确分类率。