基于EMD进化概率神经网络的纹理图像识别

论文提出了一种基于EMD进化概率神经网络的纹理图像识别方法.首先,对原始信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再从各IMF分量中提取主要能量特征作为进化概率神经网络的输入参数来识别纹理图像.对不同的自然纹理图像进行了实验,并将结果与小波进化概率神经网络的结果做了比较.实验结果证明,论文方法的正确识别率和识别精度高于小波进化概率神经网络.     

一种基于二维经验模式分解的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二维经验模式分解的人脸识别方法。首先利用二维经验模式分解对人脸图像进行分解,再提取各分解子图像的能量作为人脸特征向量,并采用支持向量机进行训练和识别。经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别率高于小波方法,正确率达到98.6%。     

基于Contourlet特征修正的纹理图像识别算法

提出一种基于Contourlet特征修正的纹理识别算法,不同分辨率下采取不同的方法提取特征,根据统计规律对每个方向上的纹理特征进行修正增强,利用支持向量机进行识别,以提高纹理图像识别的准确性。实验证明,在受噪声干扰严重的情况下,该方法的识别正确率优于小波、小波包、Ridgelet等算法。     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

基于离散平稳小波和非下采样方向滤波器组的纹理分类

结合小波变换的多尺度性和Contourlet变换的多方向性,提出了一种新的基于离散平稳小波变换和无下采样方向滤波器组(stationary wavelet transform and nonsubsampled directional filter banks,SWT-NSDFB)的纹理分类方法,采用具有平移不变性的离散平稳小波先进行多尺度分解;然后对每层分解得到的高频子带采用非下采样方向滤波器组进行多方向分解,再计算低频子带和各层方向子带的能量作为纹理特征;最后用支持向量机实现纹理分类。实验结果表明,该     

基于Gabor小波变换的ICA火灾图像纹理识别算法

针对火灾图像纹理识别问题,提出了基于Gabor小波变换的ICA火灾图像纹理识别算法,并根据火灾图像纹理识别特点进行了优化;首先用不同尺度和方向的Gabor滤波器对待识别图像滤波,得到其特征图像,然后将特征图像转化成特征向量作为ICA的输入,得到基矢量子空间,再将测试图像经过Gabor滤波器的特征向量投影到ICA子空间中得到系数向量作为目标识别特征,最后用支持向量机进行识别;通过与Gabor滤波器法和ICA方法的对比实验,表明该算法可以在火灾纹理图像的识别率上比传统方法提高5％以上,为火灾图像识别提供了一种新思路.     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

基于小波分解和多分类支持向量机的脸谱识别

小波分解提取脸谱特征具有对表情变化不敏感的特点,支持向量机竹=为分类器具有很高的推广性能,无需先验知识,针对小波分解和支持向量机所具有的优点,提出了一种新的脸谱识别算法,在该算法中无需对洲练图像进行预处理,直接使用小波分解方法对脸谱图像进行特征提取,用所提取的脸谱特征向量组合成新的脸谱特征向链洲练多分类支持向量机模型,最后用训练好的支持向量机进行脸谱识别,在训练中分别采用了三种不同的核函数;使用ORL脸谱图像库对该算法进行了测试和评估,测试结果表明了该算法在识别性能方面的优越性。     

基于Wold模型和支持向量机的纹理识别

提出一种基于Wold模型和支持向量机的纹理识别新方法,有效解决了方向和尺度变化给纹理识别带来的困难.该方法首先对纹理图像进行傅里叶变换和自适应谱分解,将确定域功率谱的扇形区域能量和环形区域能量分布参数作为纹理扩展特征.然后,利用能量分布特征把纹理的主方向旋转到0°,提取旋转后图像的共生矩阵和小波变换统计参数作为基本纹理特征.在两组分别包含25类单色自然纹理的图像库上进行的识别实验表明,该方法获得了良好的识别效果.     

基于小波变换和AR模型的脑电信号注意力状态识别

针对神经反馈训练研究中注意力状态识别精度不高的特点,建立了一种基于离散小波变换和AR模型的方法用于提高注意力识别的精度。利用db N小波函数对脑电数据样本进行多层小波分解,提取小波变换系数的三种统计特征;同时采用Brug算法得到AR模型系数;用这两种参数相结合后使用支持向量机进行识别。与只采用小波变换或AR模型等特征提取方法相比,本文方法有更高的识别率。