基于改进概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于改进概率神经网络（MPNN）的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用改进的概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：采用基于改进概率神经网络的纹理图像识别方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

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.     

基于双概率神经网络的纹理图像识别

为提高纹理识别速度,在文献1纹理图像识别正确率较高的基础上,提出一种基于双概率神经网络（DPNN）的纹理图像识别方法。首先构造两个概率神经网络A和B,如果纹理特征明显,以较少的纹理特征能量特征作为网络A的输入参数即可识别,否则再加入统计特征和能量特征一起作为概率神经网络B的输入参数以达到较高的识别率。实验结果表明：采用双概率神经网络的纹理图像识别较文献1有更快的识别速度。     

基于形态学与不完全树形小波分解的图像纹理特征提取算法

针对不完全小波树形结构分解提取纹理特征仅对清晰度高的图像效果佳,运算速度慢的问题,提出基于形态学预处理的不完全小波树形分解快速提取图像纹理特征的算法。首先采用形态学高帽—低帽变换对图像进行预处理,去除图像噪声,增强对比度;在提取纹理特征时,采用一致性判别;对于一致性强的图像,只利用图像的一部分进行不完全小波树形结构分解提取出能量、方向性等纹理特征,提高了运算速度;最后使用双概率神经网络(DPNN)的方法自适应地对纹理图像进行识别。利用Brodatz纹理库进行了仿真实验,并将该算法应用到了现场拍摄的海水中藻类细胞图像的识别。实验结果表明,该算法特征提取和识别速度快,尤其对于清晰度不高、现场拍摄的纹理图像具有较好的效果。     

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.     

基于复数小波域广义高斯分布模型的纹理图像检索

由于在频域用能量参数来表示图像的特征矢量缺乏准确性,而且实数离散小波变换具有平移变化性和弱的方向选择性,为此针对以上问题提出了一种基于复数小波域广义高斯分布模型的纹理图像检索方法。该方法首先利用双树复数小波变换系数的统计特性来建立广义高斯分布的统计模型;然后基于该模型提取图像的特征矢量;最后利用Kullback-Leibler distance(KLD)测度算法进行纹理图像检索。对Brodatz图像库的仿真表明,新方法较双树复数小波算法的查准率提高6.96%,较基于Gabor纹理特征检索法的查准率提高了18.8%。同时复数小波系数统计模型具有旋转不变性。新方法对今后的纹理图像检索具有重要的理论与实际意义。     

基于复数小波域广义高斯分布模型的

由于在频域用能量参数来表示图像的特征矢量缺乏准确性,而且实数离散小波变换具有平移变化性和弱的方向选择性,为此针对以上问题提出了一种基于复数小波域广义高斯分布模型的纹理图像检索方法。该方法首先利用双树复数小波变换系数的统计特性来建立广义高斯分布的统计模型;然后基于该模型提取图像的特征矢量;最后利用KullbackLeibler distance(KLD)测度算法进行纹理图像检索。对Brodatz图像库的仿真表明,新方法较双树复数小波算法的查准率提高6.96%,较基于Gabor纹理特征检索法的查准率提高了18.8%。同时复数小波系数统计模型具有旋转不变性。新方法对今后的纹理图像检索具有重要的理论与实际意义。     

基于小波变换和神经网络集成的笔迹鉴别方法*

在笔迹鉴别中为了便于获取特征字符的细微特征,基于线性矩和小波变换提出了提取特征字符纹理特征的方法.小波变换能有效地提取字符的结构特征,而矩能够很好地对其进行描述.在该方法中,一幅特征字图像可以用一个含有52个元素的特征矢量表示,然后通过训练多个神经网络,并应用神经网络集成的方法将其结果合成,对特征空间进行正确分类.分别在特征字和候选人数变化的情况下进行实验,实验结果显示识别准确率较同类算法平均提高百分之五.     

基于局部连接度和差异度算子的水平集纹理图像分割

目的 复杂纹理的图像分割一直是图像分割的难题,现有的一些纹理图像分割方法主要通过提取图像确定方向的灰度变化特征或者提取图像的局部灰度相似性特征得到特征图像,从而进行纹理图像的分割,然而,自然纹理中普遍存在局部形态相似和方向不确定的现象,导致现有方法不能准确地分割纹理图像。方法 本文提出局部连接算子和局部差异算子来描述局部纹理的形态相似性和局部纹理的差异度。一方面,通过设定一定阈值,将局部区域的灰度差异分为两类,分析两类差异的分布特征,从而提取图像的形态特性及局部连接度算子;另一方面,设置一种无方向性的灰度差异分析算子,提取图像局部的灰度差异值从而得到局部差异度算子。两个算子结合以更好地提取纹理图像的局部特征,然后通过融合局部相似度特征、局部差异度特征和灰度信息,构造水平集能量泛函,进而通过最小化能量泛函实现纹理图像分割。结果 相比基于Gabor变换、结构张量、局部相似度因子的纹理分割方法,提出的局部算子能够更好地区分自然图像的不同纹理区域,且对实验图像的平均分割准确率高达97%,远高于其他方法。因此,提出的模型对于自然纹理图像具有更好的分割效果。结论 本文提出了两种新颖的纹理特征局部描述子：局部连接度算子和局部差异度算子,能够有效地提取纹理特征,且有一定的互补性。实验表明,提出的方法对于复杂自然纹理图像具有良好的分割效果。     

基于笔划方向特征和非对称分布的手写体汉字识别

提取稳定的笔划结构是汉字结构识别方法的前提，合适的样本特征矢量参数分布模式是统计识别方法的基础。本文将这两个看似不相关的问题联系在一起，提出了基于笔划方向特征和非对称分布的手写体汉字识别模型。一种从手写体汉字骨骼图像上提取分叉点的改进算法，可以保证特征点提取的完整性，从而保证笔划提取的可靠性，并直接从笔划结构上提取统计识别特征矢量。基于类间样本分布的差异以及类内样本分布的非对称性，采用基于PCA的非对称分布手写体汉字识别模型。实验表明，基于笔划方向特征和非对称分布的统计识别模型具有优良的识别性能。     

一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法

针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明：该算法平均鉴别准确率均达90%以上。     

航空图像中水面纹理的自动提取

针对可见光航空遥感监测中,耀斑和云阴影等强噪音的干扰使水中目标很难直接发现这一问题,提出了一种基于Gabor滤波器和BP神经网络的尾迹纹理自动提取算法,通过提取它们运动产生的尾迹实现对它们的准确识别。该方法分为两步:第1步是选取等大小的含尾迹纹理的水面子图像和不含尾迹纹理的水面子图像,通过一组Gabor滤波器得到它们的特征图像,计算每个子图像特征图的均值和方差,将它们作为神经网络的训练样本对BP网络进行训练得到用于识别的网络;第2步是将待提取的整幅图像分成很多与第1步中子图像等大小的子图像,分别计算它们的Gabor特征图像,并得到它们的均值和方差,把它们作为神经网络的输入,得到它们是否是纹理区域,由整幅子图像的识别结果得到一幅二值图像,用Hough变换检测图像中的直线,根据直线的长度判断尾迹是否存在。大量的实验结果表明,该方法能够准确地提取运动目标产生的尾迹纹理。     

GLCM based extraction of flame image texture features and KPCA-GLVQ recognition method for rotary kiln combustion working conditions

According to the pulverized coal combustion flame image texture features of the rotary-kiln oxide pellets sintering process,a combustion working condition recognition method based on the generalized learning vector(GLVQ) neural network is proposed.Firstly,the numerical flame image is analyzed to extract texture features,such as energy,entropy and inertia,based on grey-level co-occurrence matrix(GLCM) to provide qualitative information on the changes in the visual appearance of the flame.Then the kernel principal component analysis(KPCA) method is adopted to deduct the input vector with high dimensionality so as to reduce the GLVQ target dimension and network scale greatly.Finally,the GLVQ neural network is trained by using the normalized texture feature data.The test results show that the proposed KPCA-GLVQ classifer has an excellent performance on training speed and correct recognition rate,and it meets the requirement for real-time combustion working condition recognition for the rotary kiln process.     

改进的概率神经网络的语义区域分类

针对彩色图像信息量大,分割效果自适应性差的问题,对图像语义区域的分割精度进行控制,提取图像的纹理特征值,再通过改进后的概率神经网络模型对测试样本做分类测试,达到提高图像语义提取和分类准确性的目的。实验表明,改进后的概率神经网络对彩色图像语义区域分类的正确性由原先的70%提高到90%,具有较好的分类效果。     

粗糙集约简的神经网络遥感分类应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。但是该方法不能降低维数、时间开销大,针对这些不足提出一种基于粗糙集约简的神经网络方法。本文对RapidEye影像进行分析并提取纹理特征,利用粗糙集理论对纹理特征与光谱特征属性进行约简,得到的约简属性作为输入属性,利用神经网络法对影像分类。结果表明该方法具有较好的分类精度。     

基于分形维数的纹理图像分割

纹理图发割过程一般分为特征抽取和特征划分,文中提出一种新的基于分形维数的纹理图像分割方法,在特征抽取上,以分形作为纹理特征,运用图像变换的思想,结合差分盒计数和基于分形布朗自相似模型的分形估计方法。     

Supervised texture classification using a probabilistic neuralnetwork and constraint satisfaction model

The texture classification problem is projected as a constraint satisfaction problem. The focus is on the use of a probabilistic neural network (PNN) for representing the distribution of feature vectors of each texture class in order to generate a feature-label interaction constraint. This distribution of features for each class is assumed as a Gaussian mixture model. The feature-label interactions and a set of label-label interactions are represented on a constraint satisfaction neural network. A stochastic relaxation strategy is used to obtain an optimal classification of textures in an image. The advantage of this approach is that all classes in an image are determined simultaneously, similar to human perception of textures in an image.