多区域融合注意力网络模型下的核性白内障分类

目的 核性白内障是主要致盲和导致视觉损害的眼科疾病,早期干预和白内障手术可以有效改善患者的视力和生活质量。眼前节光学相干断层成像图像（anterior segment optical coherence tomography,AS-OCT）能够非接触、客观和快速地获取白内障混浊信息。临床研究已经发现在AS-OCT图像中核性白内障严重程度与核性区域像素特征,如均值存在强相关性和高可重复性。但目前基于AS-OCT图像的自动核性白内障分类工作较少且分类结果还有较大提升空间。为此,本文提出一种新颖的多区域融合注意力网络（multi-region fusion attention network,MRA-Net）对AS-OCT图像中的核性白内障严重程度进行精准分类。方法 在提出的多区域融合注意力模型中,本文设计了一个多区域融合注意力模块（multi-region fusion attention,MRA）,对不同核性区域特征表示进行融合来增强分类结果;另外,本文验证了以人和眼为单位的AS-OCT图像数据集拆分方式对核性白内障分类结果的影响。结果 在一个自建的AS-OCT图像数据集上结果表明,本文模型的总体分类准确率为87.78%,比对比方法至少提高了1%。在10种分类算法上的结果表明：以眼为单位的AS-OCT数据集优于以人为单位的AS-OCT数据集的分类结果,F1和Kappa评价指标分别最大提升了4.03%和8%。结论 本文模型考虑了特征图不同区域特征分布的差异性,使核性白内障分类更加准确;不同数据集拆分方式的结果表明,考虑到同一个人两只眼的核性白内障严重程度相似,建议白内障的AS-OCT图像数据集拆分以人为单位。     

结合纹理特征和边缘信息的遥感影像分类

针对基于光谱信息的遥感监督分类精度低以及分类结果中交界处错分和内部存在小面积图斑的问题,提出了一种结合图像纹理信息的监督分类方法和基于图像边缘信息的分类后处理方法。该方法首先利用彩色的灰度共生矩阵(color gray level co-occurrence matrix,CGLCM)提取图像的纹理信息,并将纹理图像结合原图像各个波段在ENVI 5.1平台下进行监督分类,然后采用Canny边缘检测算法提取原始影像的边缘图像,通过边缘信息对分类结果进行区域统计来改善分类结果。试验结果表明,辅以CGLCM纹理特征的监督分类方法可以有效地提高分类精度,相对于传统的监督分类方法,总Kappa系数提高了0.107 6,精度提高了8.53%。依据边缘信息对分类结果进行处理,有效保留原始影像边缘特征的同时,很好地滤除了分类结果中的小面积图斑。     

基于不同特征的随机森林极化SAR图像分类

近些年,利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据,利用不同的特征提取算法提取特征,并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差;利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果;综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果,总体精度和Kappa系数可以达到94.44%和0.9305,表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.     

基于眼前节相干光断层扫描成像的核性白内障分类算法

白内障是导致视觉损害和致盲的主要眼病,眼前节光学相干断层成像技术(Anterior Segment Optical Coherence Tomography,AS-OCT)具有非接触、高分辨率、检查快速、客观定量化测量等特点,在临床上已经被广泛应用于眼病的诊断.目前缺乏基于眼前节OCT图像的核性白内障分类研究工作,为此...     

基于彩色LBP的隐蔽性复制-粘贴篡改盲鉴别算法

现有的复制-粘贴盲鉴别算法大多忽略图像彩色信息,导致对隐蔽性篡改方式的检测率较低,基于此,本文提出一种基于彩色局部二值模式（Color local binary patterns,CoLBP）的隐蔽性复制-粘贴盲鉴别算法.算法首先对彩色图像进行预处理,即建立彩色LBP纹理图像,从而实现彩色信息与LBP纹理特征的融合;其次重叠分块并提取灰度共生矩阵（Gray level co-occurrence matrix,GLCM）特征;最后,提出改进的kd树和超平面划分标记split搜索方法,快速匹配图像块,并应用形态学操作去除误匹配,精确定位复制-粘贴区域.实验结果表明,本算法对隐蔽性复制-粘贴篡改定位准确,并对模糊、噪声、JPEG重压缩后处理操作有很好的鲁棒性.     

基于TFBP网络的人脸皮肤纹理识别方法

为了可观地评价皮肤的质地,采用图像纹理分析中的空间灰度共生矩阵法提取皮肤纹理图像的重要特征,建立一种新的人脸皮肤纹理的测量识别模型.首先对采集到图像进行预处理,然后采用空间灰度共生矩阵法提取纹理图像的5个特征,最后通过TFBP网络对皮肤纹理图像的训练与分类识别实验结果很好的证明了这种纹理分析与测量方法的有效性.     

直线导轨面缺陷检测与分类方法

为解决复杂背景下直线导轨面缺陷识别难的问题,提出了一种基于灰度共生矩阵（Gray level co-occurrence matrix,GLCM）和非负矩阵分解（Non-negative matrix factor,NMF）的纹理背景抑制来实现缺陷特征增强的方法。首先,利用GLCM多特征统计量重构导轨面背景纹理图,实现一定程度上的纹理背景抑制;接着,将纹理图均分成若干子图像块,随机抽取一定的子图像块进行NMF训练;然后,将NMF分解出的基图像同纹理图中相同大小图像块遍历求其欧式距离,并将距离平均后赋值给纹理图中相应图像块的中心像素点,以进一步实现纹理背景抑制和缺陷特征增强。最后,基于K-means聚类和支持向量机对缺陷进行分类识别。实验结果中对测试集中的划痕、裂纹和撞伤缺陷识别准确率分别为89.06%,88.46%和95.12%,表明该方法能抑制纹理背景和增强缺陷特征,有效分离出缺陷并识别其类型。     

基于灰度-单元差分共生矩阵的医学图像的检索与分类

医学图像的检索与分类技术在计算机辅助诊断中具有重要作用.图像特征提取是基于内容的图像检索(CBIR)与分类中的关键技术之一.因此,如何有效地提取能够反映图像高层语义的低层特征对于医学图像的检索与分类是至关重要的.针对这个问题,提出使用灰度-单元差分共生矩阵提取纹理特征.在此基础上,使用欧氏距离和支持向量机(SVM)进行图像的检索与分类.实验结果表明,灰度-单元差分共生矩阵对于医学图像的检索与分类是有效的.     

融合多特征与随机森林的纹理图像分类方法

针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。     

多聚焦图像灰度重叠特征自适应识别仿真

传统方法对多聚焦图像进行预处理,由于图像灰度重叠区域合并使原图像细节信息损失,导致多聚焦图像灰度重叠区域识别效果不理想,为此提出基于Mean-shift算法和OTSU阈值分割算法的多聚焦图像灰度重叠特征自适应识别方法。使用Mean-shift算法对多聚焦图像进行平滑处理,对平滑处理过后的多聚焦图像进行小波变换,将图像的灰度重叠区域灰度值增强;再使用阈值分割将经过灰度增强的重叠区域分类;通过OTSU算法识别出灰度重叠特征区域。实验结果表明,提出方法在图像灰度重叠区域的识别效果上较为突出,并且能够有效保留灰度重叠区域的细节信息。     

结合PCANet与线性判别分析的视网膜光学相干断层扫描图像分类

目的 主成分分析网络（PCANet）能提取图像的纹理特征,线性判别分析（LDA）提取的特征有类别区分性。本文结合这两种方法的优点,提出一种带线性判别分析的主成分分析网络（PCANet-LDA）,用于视网膜光学相干断层扫描（OCT）图像中的老年性黄斑变性（AMD）、糖尿病性黄斑水肿（DME）及正常（NOR）这3类的全自动分类。方法 PCANet-LDA算法是在PCANet的基础上添加了LDA监督层,该层加入了类标签对特征进行监督投影。首先,对OCT视网膜图像进行去噪、二值化及对齐裁剪等一系列预处理,获得感兴趣的视网膜区域;然后,将预处理图像送入一个两层的PCA卷积层,训练PCA滤波器组并提取图像的PCA特征;接着,将PCA特征送入一个非线性输出层,通过二值散列和块直方图等处理,得到图像的特征;之后,将带有类标签的图像特征送入一个LDA监督层,学习LDA矩阵并用其对图像特征进行投影,使特征具有类别区分性;最后,将投影的特征送入线性支持向量机（SVM）中对分类器进行训练和分类。结果 实验分别在医院临床数据集和杜克数据集上进行,先对OCT图像预处理进行前后对比实验,然后对PCANet特征提取的有效性进行分析,最后对PCANet算法、ScSPM算法以及提出的PCANet-LDA3种分类算法的分类效果进行对比实验。在临床数据集上,PCANet-LDA算法的总体分类正确率为97.20%,高出PCANet算法3.77%,且略优于ScSPM算法;在杜克数据集上,PCANet-LDA算法的总体分类正确率为99.52%,高出PCANet算法1.64%,略优于ScSPM算法。结论 PCANet-LDA算法的分类正确率明显高于PCANet,且优于目前用于2D视网膜OCT图像分类的先进的ScSPM算法。因此,提出的PCANet-LDA算法在视网膜OCT图像的分类上是有效且先进的,可作为视网膜OCT图像分类的基准算法。     

Self organizing natural scene image retrieval

In this work we describe a new statistically-based methodology to organize and retrieve images of natural scenes by combining feature extraction, automatic clustering, automatic indexing and classification techniques. Our proposal belongs to the content-based image retrieval (CBIR) category. Our goal is to retrieve images from an image database by their content. The methodology combines randomly extracted points for feature extraction. The describing features are the mean, the standard deviation and the homogeneity (from the co-occurrence matrix) of a sub-image extracted from the three color channels (HSI). A K-means algorithm and a 1-NN classifier are used to build an indexed database. Three databases of images of natural scenes are used during the training and testing processes. One of the advantages of our proposal is that the images are not labeled manually for their retrieval. The performance of our framework is shown through several experimental results, including a comparison with several classifiers and comparison with related works, achieving up to 100% good recognition. Additionally, our proposal includes scene retrieval.     

结合局部熵和鲁棒主成分分析的眼底图像硬性渗出物检测方法

针对眼科医生诊断眼底图像工作耗时且易出错的问题，提出一种无监督的眼底图像硬性渗出物检测方法。首先，通过形态学的背景估计方法去除血管、暗病变区域和视盘；然后，以图像亮度通道为初始图像，利用硬性渗出物在眼底图像中的局部性和稀疏性，结合局部熵和鲁棒主成分分析方法分解得到低秩矩阵和稀疏矩阵；最后，归一化稀疏矩阵得到硬性渗出物区域。实验结果显示，在e-ophtha EX和DIARETDB1公开数据库上，所提方法在病灶水平上灵敏性为91.13%和特异性为90%，在图像水平上准确率为99.03%，平均运行时间0.5 s；与支持向量机（SVM）和K-means方法相比灵敏性高且耗时少。     

Fully automatic and segmentation-robust classification of breast tumors based on local texture analysis of ultrasound images

Region of interest (ROI) is a region used to extract features. In breast ultrasound (BUS) image, the ROI is a breast tumor region. Because of poor image quality (low SNR (signal/noise ratio), low contrast, blurry boundaries, etc.), it is difficult to segment the BUS image accurately and produce a ROI which precisely covers the tumor region. Due to the requirement of accurate ROI for feature extraction, fully automatic classification of BUS images becomes a difficult task. In this paper, a novel fully automatic classification method for BUS images is proposed which can be divided into two steps: “ROI generation step” and “ROI classification step”. The ROI generation step focuses on finding a credible ROI instead of finding the precise tumor location. The ROI classification step employs a novel feature extraction and classification strategy. First, some points in the ROI are selected as the “classification checkpoints” which are evenly distributed in the ROI, and the local texture features around each classification checkpoint are extracted. For each ROI, all the classification checkpoints are classified. Finally, the class of the BUS image is determined by analyzing every classification checkpoint in the corresponding ROI. Both steps were implemented by utilizing a supervised texture classification approach. The experiments demonstrate that the proposed method is very robust to the segmentation of BUS images, and very effective and useful for classifying breast tumors.     

基于多特征融合与极限学习机的植物叶片分类方法

对植物的分类多通过对植物叶片的分类来实现,为提高植物叶片分类的准确率提出了一种基于多特征融合与极限学习机的植物叶片分类方法.首先对植物叶片彩色图像进行预处理,得到去除叶片颜色与背景的二值图像和灰度图像;然后从二值图像中提取植物叶片的形状特征和不变矩特征,利用灰度图像提取灰度共生矩阵参数作为叶片图像的纹理特征,共得到28维的特征向量,最后采用极限学习机分类策略对特征向量进行训练和测试.在公开的植物叶片数据集Flavia上进行实验,训练分类准确率达到99％ 以上,测试准确率达到98％ 以上.实验结果表明,本文方法可以有效提高植物叶片分类的准确率.     

基于 DenseNet-Attention 模型的高光谱图像分类

摘 要：针对高光谱图像标记样本量少，提取特征不充分以及提取到的特征不区分贡献度 的问题，提出一个新型的 DenseNet-Attention 网络模型(DANet)。首先，该模型利用三维卷积核 同步提取联合光谱空间特征，同时密集连接网络(DenseNet)的稠密连接块除了能够充分提取更 加鲁棒的特征外，还减少了大量参数；其次，自注意力(self-attention)机制作为一个模块加入到 稠密连接块中，可以使上层提取到的特征在进入下一层网络之前，经过该模块对其进行权重分 配，使具有丰富的物类别信息的特征得到加强，进而区分特征的贡献度。网络模型以原始高光 谱图像邻域块作为输入，无需任何预处理，是一个端对端学习的深度神经网络。在印第安松树 林和帕维亚大学数据集上进行对比试验，网络模型的分类精度分别能够达到 99.43%和 99.99%， 有效提高了高光谱图像分类精度。     

单波段单极化SAR图像水体和居民地信息提取方法研究

SAR图像上水体和居民地信息的提取在实际应用中具有重要的意义。为了更好地提取SAR图像上水体和居民地,以单波段单极化Radarsat-1 SAR图像为研究对象,首先利用半变异函数分析样本图像的结构特性来确定纹理信息提取的最佳参数;然后,在此基础上基于灰度共生矩阵计算SAR图像均值、角二阶矩和熵3种纹理测度,建立了适于图像分类的多维特征空间,从而有效地增强了水体和居民地信息;最后通过样本采集,使用支持向量机分类器进行水体和居民地信息提取,并采用近期归一化植被指数(NDVI)数据和分类结果进行目标层融合来消除山体因素的影响,信息提取的结果显示,分类总体精度为82.57%,Kappa系数为0.58,较准确地提取了水体和居民地信息。     

利用支持向量机对癌细胞的识别

癌细胞识别是数字图像处理和模式识别领域的一个研究热点,在临床上也是一个比较有意义的研究课题,本文利用支持向量机的方法,通过提取细胞的特征来分类和识别癌细胞。首先收集彩色图像,对图像进行预处理,之后是进行分割及对单细胞和多细胞的特征提取,最后实现对癌变细胞的识别和分类。