融合直方图高阶统计特征与GLCM特征的室内红外图像人群密度分类

公共场所的人群密度信息在公共安全、交通管理、应急减灾等方面具有重要作用,采用红外技术,可以在拍摄人群图像时避免环境光照影响。为了实现室内场景下的红外图像人群密度分类,提出一种融合灰度直方图高阶统计特征与灰度共生矩阵特征的人群密度分类方法。首先,根据红外图像的特点,分析并提取样本图像灰度直方图的高阶统计特征,随后与提取的灰度共生矩阵特征串行融合,最后作为多分类支持向量机的输入,对不同人群密度等级进行分类。实验结果表明,提出的方法对于不同密度人群图像的分类准确率可达92.13%,同时特征向量提取简洁、算法耗时短。     

一种基于静态图像的高密度人群场景人群密度估计算法

高密度人群场景容易引起突发和敏感事件,高密度人群场景的人群密度统计,采用常规的人工统计方法非常困难。文章提出了一种基于静态图像特征的高密度人群场景人群密度估算方法,选取角点和灰度共生矩阵作为图像特征,并分别采用线性回归、径向基神经网络和支持向量机作为拟合算法,进行了人群密度的估算分析。实验结果表明,采用支持向量机和灰度共生矩阵的组合结果较好,估算算法可行,具有一定实际应用价值。     

遗传算法优化神经网络在图像目标识别中的应用研究

针对传统的目标识别方法存在易陷入局部最佳值和识别精度低的问题。提出基于遗传算法优化神经网络的图像目标识别方法,通过灰度共生矩阵运算出图像的纹理特征值,并融合像素灰度值构成分类图像的特征矢量,将特征矢量输入到神经网络中实施训练。神经网络先采用遗传算法获取最佳检索范围,再通过高阶神经网络实施寻优运算,获取最佳的图像目标识别结果。实验结果说明,所提方法在图像目标识别精度和效率方面具有较高的优越性。     

基于GLCM算法的图像纹理特征分析

深入研究灰度共生矩阵(GLCM,Gray Level Co-occurrence Matrix)算法,说明基于灰度共生矩阵的14个纹理特征具体意义,指出纹理特征之间存在冗余性。通过对纹理图像的灰度共生矩阵的计算分析和纹理特征提取实验,表明灰度共生矩阵能够反应图像的特点,与纹理特征描述图像的特点相对应,同时,图像的14个纹理特征之间存在一定程度的冗余,实际中可以根据图像纹理特征的差异,选择几个显著的纹理特征对图像进行分类。纹理特征分析和实验结果对图像纹理特征的应用具有普遍的指导意义。     

医院监控场景下的人群密度估计方法

人群密度估计是智能化人群监控中的重要内容,在公共安防、管理控制和商业决策等方面起着重要作用。文中针对医院应用场景,采用一种基于分块的方法,对每一个子图像分别利用基于像素特征与最小二乘直线拟合方法进行人数定量分析和基于灰度共生矩阵与支持向量机的方法进行密度定性分析,得到整幅图像中不同子图及整幅图像的人数和密度分布图。实验表明,该方法能有效的提高人群密度估计的准确率,且还能对局部的密度异常精准定位。     

基于灰度共生矩的SAR图像纹理特征提取方法

为更有效地提取合成孔径雷达（SAR）图像中的有效信息,提出了一种基于灰度共生矩阵的纹理特征提取方法。该方法在分析图像灰度共生矩常用特征描述量基础上,研究了窗口尺寸和位移向量对纹理特征的影响,通过比较不同目标各种纹理特征的分布及平均值的相差程度,计算了灰度共生矩阵的最佳窗口尺寸和位移向量,确定参与分类的可用纹理特征组合,...     

综合BTC颜色矩和灰度共生矩阵的图像检索算法

针对图像检索的多特征融合问题,提出了一种综合BTC颜色矩和灰度共生矩阵的图像检索算法。该算法借鉴BTC的思想,对传统的颜色矩进行改进,将图像分为若干子块,每个子块按照阈值分割为两类像素,计算颜色矩,提取图像的颜色特征;利用灰度共生矩阵提取图像的纹理特征;通过颜色、纹理单特征相似度加权求和来表示图像的综合特征相似度,进行图像检索。实验结果表明,该算法能够综合颜色特征和纹理特征,有效地提高图像检索的查准率。     

图像视觉特征综述

介绍了图像的颜色、纹理、形状等视觉特征,重点给出在实验中取得较好效果的灰度共生矩阵、基于小波变换的多分辨率模型和索贝尔算子计算图像边缘密度的求解方法。     

基于灰度共生矩阵的纹理分析方法研究

介绍了纹理的定义及特征,并分别对统计方法、结构分析方法、基于纹理模型的方法和信号处理方法四种纹理图像分析方法进行了描述。针对统计方法中的灰度共生矩阵进行了详细的分析研究,并得到利用其进行纹理分析设计的重要参数。说明灰度共生矩阵法在纹理分析中的重要性。     

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。