骨髓细胞分割与识别方法的研究

针对骨髓细胞图像的特点，采用数学形态学的方法对图像进行了处理，获得了不同类型细胞核的准确的边缘。对于获得的边缘图像，采用两级神经网络，利用基于神经网络的PCA算法获得图像的3个主分量，然后采用模拟退火算法和BP算法进行细胞的分类识别，获得了较好的识别效果。     

一种骨髓细胞识别方法的研究

针对骨髓细胞图像的特点,采用连续小波变换对图像进行了处理,在消除原始图像噪声的同时,从不同的角度检测出图像的主要边缘.采用两级神经网络,利用基于神经网络的GHA算法获得图象的三个主分量,然后采用模拟退火算法和BP算法进行细胞的分类识别,获得了较好的识别效果.     

基于遗传神经网络的皮肤癌图像分割

图像分割是医学影像技术中重要的组成部分,分割效果直接影响进一步的诊断和治疗.提出采用遗传神经网络对皮肤癌图像进行分割的方法,该算法充分考虑了医学图像中内容复杂,不确定性大的特点.为了提高神经网络的收敛速度,引入遗传算法优化神经网络的权值和闽值.与采用标准BP神经网络相比,采用的遗传神经网络分割速度明显提高.采用遗传神经网络分割后的皮肤癌图像边缘连续、轮廓清晰,可在定量分析和识别中使用.     

基于Stein-Weiss函数的彩色掌纹特征识别算法

针对目前掌纹识别算法中对彩色掌纹图像的识别研究不多,提出一种新的基于Stein-Weiss函数解析性质的BP神经网络彩色掌纹图像的识别算法。首先为彩色掌纹图像中的每个像素点构建一个Stein-Weiss函数,再根据Stein-Weiss函数的解析性,计算出相应像素的十六个特征值,将这些特征值输入到BP神经网络的输入层,通过BP神经网络的自学习能力对这些数据进行分类学习;然后通过BP神经网络的泛化能力来获取掌纹边缘线;最后对掌纹边缘线提取成对几何特征建立特征库,通过成对几何直方图相交算法进行掌纹识别。实验结果表明,相对于以往的灰度掌纹图像识别算法,该算法能够更快地提取出更精细的掌纹线,识别率更高,并且对于旋转和噪声的干扰具有较强的鲁棒性。     

一种基于形态学的边缘检测算法

在对含有噪声图像进行边缘识别时,为了提高识别精度,提出一种基于形态学的边缘检测算法。准备两种不同尺度的形态学结构元素,并对图像进行形态学降噪处理;用不同类型的形态学结构元素对处理后的图像进行边缘检测,获得不同结构元素下的边缘图像;根据每张边缘图像的信息熵来确定权值,并将这些边缘图像按照比例进行合成。这样,即使在有噪声干扰的条件下也能获得较为理想的图像边缘。实验结果展示了该算法相对于其他边缘检测算法的优势,突出其在保持图像边缘清晰的同时还具有较强的噪声去除能力,有力地说明了该算法的有效性和实用性。     

基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法

针对220 kV 单分裂线路的结构特点,提出了一种基于小波矩的障碍物智能视觉识别方法．该方法采用 Ostu 算法二值化图像,采用小波模极大值算法提取图像边缘．通过提取障碍物边缘图像的小波矩,来得到一组局部 最优的小波矩特征值,并在此基础上用小波神经网络进行障碍物的识别与分类．实验结果表明：所提出的方法能有 效地识别高压输电线上的防震锤、悬垂线夹、耐张线夹等障碍物,并具有比普通3 层BP 神经网络方法更高的精度 和更快的收敛速度．     

基于移动边缘计算的车联网车牌号码识别算法

车联网视频采集终端在复杂环境下会出现准确率较低的问题,对此提出基于神经网络的车载视频采集终端车牌号码识别算法.依托移动边缘计算优势,在车联网侧添加边缘层M obileNet可分离卷积核,在采用滤镜算法对采集图像进行数学形态学预处理后,结合云端的深度神经网络,设计一种基于车联网边缘计算的车牌号识别算法.实验结果表明,该方法较传统方法有着更高的准确率与速率,更好满足了公安应急处突中移动车辆实时定位的要求.     

基于卷积神经网络的火焰智能识别研究

传统方法无法描述火焰变化特点，导致识别错误率高，识别时间长，为获得更加理想的识别结果，设计基于卷积神经网络的火焰识别算法。采集火焰图像，对火焰图像进行预处理，提高火焰图像的清晰度，并提取火焰识别特征，采用卷积神经网络对特征和火焰状态之间的关系进行模拟，构建火焰智能识别模型。在相同测试平台下，与其他方法进行对照实验，结果表明，所提方法描述火焰的变化特点，大幅度提升火焰识别正确率，同时缩短火焰识别时间，识别整体性能明显优于经典方法，具有较高实际应用价值。     

基于小波分析的指纹图像模糊边缘识别算法

为了平衡指纹图像识别方法的识别效果与抗噪性能,研究基于小波分析的指纹图像模糊边缘识别算法,提升指纹图像模糊边缘识别的正确率和抗噪性能.采用小波变换增强指纹图像,提高图像质量.并将图像方向场矩阵中被标记次数最多处视为图像中心点位置,以此为中心切割指纹图像,提取指纹有效区域.采用3阶Haar小波分解,提取有效区域内指纹图像边缘特征向量,将其作为概率神经网络(PNN)的输入.通过PNN的分类器完成指纹图像模糊边缘的某一特征向量和其它特征向量的分类和识别.实验结果表明:上述算法的指纹图像模糊边缘识别正确率为98％以上;在不同噪声环境下方法的抗噪性能良好,品质因数均较高,且识别时间短.     

基于改进全卷积神经网络的航拍图像语义分类方法

现有的卷积神经网络方法难以对图像的每个像素进行语义识别,较难从像素层面分解出图像的不同类别。为此,提出一种端到端的全卷积深度网络,以实现高分辨航拍图像像素级的语义分割及识别。通过全卷积神经网络对图像强度信息和地理信息系统信息分别采用独立通道进行处理,在全卷积神经网络的最终层合并2个通道,并对每个像素进行全连接像素级标注,利用条件随机场作为后期处理方法平滑相似区域,同时保留图像中的边缘信息。实验结果表明,与传统视觉语义分类算法相比,该算法在航拍图像像素级分类上的准确率更高,识别效果更好。     

基于PCA/SOFM混合神经网络的矢量量化

针对自组织特征映射(SOFM)神经网络应用于矢量量化具有收敛速度慢、计算量大等缺点,本文提出了一种基于PCA/SOFM混合神经网络的矢量量化的算法,先用主元分析(PCA)线性神经网络对输入矢量进行降维处理,再用SOFM神经网络进行矢量量化。通过调整SOFM神经网络的学习函数、邻域权值及初始码书对网络进行优化。实验表明,改进算法缩短了图像压缩的时间,提高了码书的性能。     

基于小波神经网络的人力资源评估模型

绩效管理是人力资源管理的重要职能之一.结合小波变换和神经网络理论,提出了一种小波神经网络.并利用该小波神经网络建立了人力资源评估模型,为企业领导者和人力资源管理者在建立和完善科学的绩效体系时提供有益的参考.仿真结果表明该网络分类准确,可靠性高.     

基于自适应注意模型的图像描述

结合注意力机制的编解码框架模型已经被广泛地应用在图像描述任务中。大多数方法都强制对生成的每个单词进行主动的视觉注意,然而,解码器很可能不需要关注图像中的任何视觉信息就生成非视觉单词,比如“the”和“of”。本文提出一种自适应注意力模型,编码端采用Faster R-CNN网络提取图像中的显著特征,解码端LSTM网络中引入一个视觉监督信号。在每个时间步长,它可以自动地决定何时依赖于视觉信号,何时仅依赖于语言模型。最后在Flickr30K和MS-COCO数据集进行验证,实验结果表明该模型有效地提升了描述语句的质量。     

基于DAE+CNN辐射源信号识别算法

针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比较原模型,时间复杂度大幅度下降,在SNR=-6 dB,识别效果能达到80%以上,与利用传统降维方式性能相比,识别效果明显提高。     

基于深度学习的交互似然目标跟踪算法

针对传统的视频跟踪算法对视频跟踪的精度不足以及主成分分析(PCA)的非线性拟合能力较弱的问题,将卷积神经网络与交互似然(IL)算法相结合,在深度学习的基础上对粒子滤波算法进行了优化改进。将核主成分分析(KPCA)网络应用于视频跟踪来获取目标的深层次特征表达,并采用一种新的交互似然图像跟踪器, 非迭代地计算,对不同区域进行跟踪取样来减少数据之间的关联需求 。在图像集上将所提算法与多种改进算法进行评估对比,结果表明所提算法具有非常好的鲁棒性及精确性。     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于深度学习的水下图像超分辨率重建方法

由于水体本身的特性以及水中悬浮颗粒对光的吸收和散射作用,水下图像普遍存在信噪比（SNR）低、分辨率低等一系列问题,但大部分方法传统处理方法包含图像增强、复原及重建,都依赖退化模型,并存在算法病态性问题。为进一步提高水下图像恢复算法的效果和效率,提出了一种改进的基于深度卷积神经网络的图像超分辨率重建方法。该方法网络中引入了改良的密集块结构（IDB）,能在有效解决深度卷积神经网络梯度弥散问题的同时提高训练速度。该网络对经过配准的退化前后的水下图像进行训练,得到水下低分辨率图像和高分辨率图像之间的一个映射关系。实验结果表明,在基于自建的水下图像作为训练集上,较卷积神经网络的单帧图像超分辨率重建算法（SRCNN）,使用引入了改良的密集块结构（IDB）的深度卷积神经网络对水下图像进行重建,重建图像的峰值信噪比（PSNR）提升达到0.38 dB,结构相似度（SSIM）提升达到0.013,能有效地提高水下图像的重建质量。