基于二次网格的字符图像特征提取方法

为了提高字符识别率,克服传统字符特征提取方法复杂、计算量大等问题。文中提出了一种基于二次网格化的字符特征提取方法。将字符二值图像划分为4个网格,提取出字符轮廓的曲率特征;并将字符图像划分为32个网格,依次提取出各自网格的占空比、质心、散度3组特征。该方法兼具结构特征与统计特征的优点,对笔画结构相近的字符较易于区分,该方法抗干扰能力强,且足够稳定。通过对1 500张字符二值图像进行实验,其结果表明,该方法对字母与数字的识别准确率达到了97%以上,相较于其他特征提取方法有大幅提高。     

基于小波和矩的图像字符特征提取方法研究

提取稳定而有代表性的特征是视频图像字符识别的核心问题之一。文章提出了一种基于小波和矩的图像字符特征向量提取方法。通过对字符图像的不同小波分解子图求取不同的矩特征，构造出字符的特征向量。该方法将小波对图像结构精细特征的把握能力强的优点与矩所具有的平移，缩放和旋转不变及抗噪性强的特性有机地结合起来，特征向量稳定、识别准确率高、算法快、抗噪性能强，且特征提取方法具有类人视觉特点。     

利用CCD系统对LED显示数码字符的识别与记录

讨论了一种利用CCD系统对激光功率计LED7段数码的识别和记录方法。通过提取图像像素横向分布的统计特征，对字符进行识别，消除了散点噪声影响，在无需引入冗余信息的情况下保证了可靠性，是一种简单高速的字符识别方法。     

基于字符特征的文本验证码破解

文中使用基于字符特征识别方法对基于文本图像的验证码进行破解研究。以某银行的验证码为例,介绍基于文本图像验证码的识别和破解过程。具体分为验证码预处理、字符提取和字符识别3个阶段。在识别阶段,分别使用颜色填充法、三线条法、全面扫描法的字符特征识别方法,在准确率和速度上都取得了理想的效果,对验证码的识别正确率达78%。文中所提字符特征识别和验证码破解方法,同样适用于其他非粘连的基于文本图像的验证码。     

基于权系数标识符矩阵的车牌字符识别方法

为了提高对车牌字符的准确识别能力,提出了一种基于权系数标识符矩阵的模板匹配车牌字符识别方法。具体方法是在进行字符识别前为每一个车牌字符制定一个标准化的模板,再将每一个模板字符的像素依据像素区域、像素边缘区域和非像素及非像素边缘区域等标记成不同的区域,并依此为基准生成一个模板矩阵。根据车牌字符闭合区域个数及字符二值图像中间行、中间列黑白跳变次数,可将字符分为10类。进行字符识别时,首先判定待识别字符属于哪一类,然后与所在类的每一个字符的标准模板进行匹配,统计待识别字符落在每一个标准模板矩阵的不同区域的像素数,并根据不同区域的不同权值计算相似度值,相似度值最大的即为识别结果。该方法采用两级分类法对车牌字符图像进行分类,再采用基于权系数标识符矩阵的模板匹配法对车牌字符进行识别。实验结果表明,该方法提高了识别结果的准确度,对于存在字符断裂以及形状相似而容易混淆的字符有较好的识别效果。     

基于BP神经网络的文本验证码破解

以某游戏网站的验证码为例,介绍了基于文本图像验证码的识别和破解过程。破解过程分为字符提取、字符修正和字符识别。在字符提取阶段需要对图片进行预处理降低提取难度,提取主要采用了近似颜色统计法;在字符修正阶段对比了传统的旋转算法和改进旋转算法,然后归一化字符;在字符识别阶段采用了BP神经网络方法,对验证码的识别正确率达70％,每个验证码的平均破解时间为1．625s。     

基于Gabor变换的中文字符特征提取方法研究

针对传统汉字字符特征提取方法的不足,提出了一种基于Gabor变换,对图像纹理特征的方向性敏感的字符特征提取方法。先将灰度字体图像进行二值化、归一化处理,再利用Gabor滤波器进行滤波,获取图像的内部纹理特征和边缘信息,进而从不同方向进行特征提取。实验证明利用gabor变换计算中文字符图像的笔画方向特征,对中文字符具有较好的分类效果。     

基于伪zernike矩的车牌字符识别

基于伪zernike矩的不变性,提出了基于伪zernike矩特征提取的车牌字符识别方法。在车牌区域定位的基础上,通过对图像的二值化过程和字符图像分割等一系列处理,在进行归一化处理后分别提取伪zernike的高阶矩。将提取的伪zernike矩作为字符的特征描述输入到BP神经网络进行训练,最后进行车牌字符分类识别。通过实验证明了该方法的的可行性。测试结果表明,这种方法实用有效,识别效果优于HU矩和zernike矩。而且可以计算出错误率和可识别的最佳矩,减小了计算量且增强了字符识别的实时性。     

基于神经网络的车牌字符识别算法研究

提出了一种基于神经网络的车牌字符自动识别算法。用本文提出的方法对车牌图像进行实验,对车牌字符样本进行特征提取,用特征来训练有效分类器,用MATLAB完成了对车牌照数字识别的模拟,结果证实此算法对车牌字符识别有一定准确性,具有良好的效果。     

一种基于CIS的快速字符识别算法

字符识别目前广泛用于文献资料的检索等场合。目前大多数字符识别使用摄像头采集图像,预处理后,进行字符校正,字符分割,字符识别。传统算法主要存在运行速度慢,耗时长,内存占用多等问题。同时,用摄像头采集图像,其本身也有一定的缺陷,例如对光线敏感等。因此,文中提出使用一种改进过的FPA字符细化算法结合SWT文本检测算法对文本进行预处理,使用HOG特征向量提取以及SVM分类等算法进行字符识别。同时,给出一种新型的基于CIS(接触式图像传感器)图像采集和处理系统,CIS自带光源,具有一些摄像头所不及的优点。文中方案经过测试,识别率较高,运行速率较快,内存占用率和处理时间较传统的字符识别方式都有一定的改善和提高。     

基于协方差矩阵的复杂背景中目标检测

在视频的运动目标检测中,有很多经典方法,但是大部分都不能完整地从复杂背景中检测出运动目标。提出了一种运动目标检测的新算法——协方差矩阵算法,它集成了像素级和区域级2种不同的层次。在像素级中,空间的属性主要来之于像素的坐标值、亮度、纹理和梯度等。在区域级中,通过计算一个像素周围矩形区域的协方差矩阵来表示像素间的特征相关性。实验结果表明,该方法具有较强的鲁棒性,明显优于传统的目标检测算法。     

Feature normalization via expectation maximization and unsupervised nonparametric classification for M-FISH chromosome images

Multicolor fluorescence in situ hybridization (M-FISH) techniques provide color karyotyping that allows simultaneous analysis of numerical and structural abnormalities of whole human chromosomes. Chromosomes are stained combinatorially in M-FISH. By analyzing the intensity combinations of each pixel, all chromosome pixels in an image are classified. Often, the intensity distributions between different images are found to be considerably different and the difference becomes the source of misclassifications of the pixels. Improved pixel classification accuracy is the most important task to ensure the success of the M-FISH technique. In this paper, we introduce a new feature normalization method for M-FISH images that reduces the difference in the feature distributions among different images using the expectation maximization (EM) algorithm. We also introduce a new unsupervised, nonparametric classification method for M-FISH images. The performance of the classifier is as accurate as the maximum-likelihood classifier, whose accuracy also significantly improved after the EM normalization. We would expect that any classifier will likely produce an improved classification accuracy following the EM normalization. Since the developed classification method does not require training data, it is highly convenient when ground truth does not exist. A significant improvement was achieved on the pixel classification accuracy after the new feature normalization. Indeed, the overall pixel classification accuracy improved by 20% after EM normalization.     

基于网络解析的像元耦合偏振成像目标检测算法

偏振成像目标检测对于人造目标检测有着重要意义。像元耦合是以四个方向的偏振强度数据作为一个超像元的偏振成像方法。对超像元进行偏振参量解析,会使图像的分辨率变为原始图像的四分之一,不利于小目标的检测。像元耦合图像的偏振参量解析会产生噪声,对小目标的检测造成干扰。本文提出了一个以YOLOv5s为网络基础,添加偏振信息解析模块(Covcat)的目标检测算法。该算法实现了端到端进行像元耦合偏振成像的目标检测,用网络实现偏振解析,利用多卷积信息融合提高特征提取能力,提高目标的平均检测精度(mAP)。使用对空无人机数据集对算法进行验证,实验表明,相比于使用偏振参量解析出的强度图、偏振度图和偏振角图,该算法的平均检测精度分别提升了4个百分点、5个百分点和12个百分点。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

线结构光条纹中心亚像素自适应提取算法

为了解决传统条纹中心提取算法对物体材质及噪声敏感问题, 采用自适应结构光条纹中心提取算法来提取条纹亚像素坐标。该算法首先对图像进行预处理, 利用图像掩模操作提取条纹图像感兴趣区域, 通过自适应卷积模板消除噪声干扰, 得到条纹区域截面宽度及条纹中心坐标的像素集合; 其次根据中心坐标的像素集合采用二次加权灰度重心法求取条纹中心初始坐标值, 将此作为种子点进行区域生长运算, 并结合主成分分析分解特征矩阵; 最终得到线结构光中心的亚像素坐标点。结果表明, 该算法能够有效快速地获取结构光条纹中心亚像素坐标, 相比灰度重心法, 所提算法实验结果波动性较小且标准误差也相对较小, 提取速度相比基于Hessian矩阵的Steger法提高近4倍, 满足工业测量系统实时性要求。所提出的结构光条纹中心提取算法具有较高的提取精度和良好的稳健性, 计算复杂度低, 具有较高的实时性, 可为后续3维视觉测量系统提供良好的精度保障。     

基于子空间对齐与自适应CSP算法的运动想象脑电信号分类

在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的。但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类器,应用于不同的用户时,准确率很低。因此本文提出了一种新的自适应共空间模式的特征提取方法,该算法通过选择合适的候选试验更新协方差矩阵,然后对提取的特征进行子空间对齐,最后用于训练分类器进行分类。由实验结果得出该方法的分类准确率优于传统的CSP算法和传统的自适应CSP算法,最后通过对提取特征的可视化可以看出改进的子空间对齐可以降低源域与目标域的域方差,减小源域与目标域之间的差异。     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。     

奇异值分解域差异性度量的低景深图像显著性目标提取方法

针对低景深图像(DOF)目标提取过程中,容易出现目标提取不完整或背景被误识为目标等现象,该文提出一种奇异值分解 (SVD)域差异性度量的低景深图像目标提取方法。先对低景深图像进行高斯模糊,以图像中每一个像素点为中心,利用滑动窗口分别截取模糊前后图像上相同位置的图像块并进行奇异值分解,再构造两奇异值之间的差异特征向量,针对此向量定义低中高全频段信息加权的差异性度量算子,计算对应像素点的显著性特征值,逐像素处理得到显著性结果图并进行阈值化处理,实现低景深图像目标的有效提取。对大量低景深图像进行处理,并与几种现有方法进行比较,提出方法的F度量值最大可提高54%,平均绝对误差减少76%～87%,可完整提取目标并有效去除背景,具有较强的可靠性。     

可变类谱聚类遥感影像分割

为实现遥感影像分割中类别数的准确、自动判别,提出了一种可变类谱聚类算法.根据影像的相似图构建权值矩阵和标准Laplacians矩阵,计算Laplacians矩阵较小特征值对应的特征向量生成特征向量矩阵,并视其与像素对应的向量行为像素特征点集;研究Laplacians矩阵处于不同（近似）块对角结构时类属同一目标类像素特征点的聚集性,定义聚类度指标,计算不同分割类别数对应聚类度;选择聚类度将发生最后一次较大跳变时的分割类别数作为算法估计类别数,并采用FCM（Fuzzy C-Means）算法划分该类别数对应像素特征点集实现影像分割.分别采用提出算法和基于特征间隙的算法分割合成及真实遥感影像.实验结果表明提出算法可准确地判别影像类别数.     

基于改进U Net模型的焊缝特征提取

针对基于激光视觉自动焊接过程中,出现焊缝特征占比失衡,焊接偏移的问题,提出一种改进U Net模型,在U Net网络模型的基础上融合可学习的调整器模块,在编码块中接入特征增强模块,减少了弧光干扰,提升了焊缝特征提取的精度。以管道自动焊接机器人作为图像采集平台,设计了网络训练模型,同时辅以数据增强防止网络过拟合,实验结果表明,改进型U Net算法的像素分割准确率(acc)、平均交并比(mIou)、平均像素精确度(mpa)分别为9934%、8936%、9562%,与传统阈值分割算法、FCN算法、U Net算法、PSPNet算法相比,本文的精度指标最优,在强弧光干扰环境下能准确提取出焊缝特征,具有抗噪能力强,识别准确率高的优点。