一种有效的红外图像中人造目标分割方法

提出一种红外图像单阈值分割方法。为了减少计算量,结合先验信息选择包含待分割目标的感兴趣区域,利用Bezier曲线法平滑感兴趣区域直方图的噪声;对平滑后的感兴趣区域的直方图求解其曲率曲线,用曲率曲线的波峰所对应的灰度值作为初始分割阈值;基于先验信息从初始分割阈值中确定最佳分割阈值并进行初步分割。为了弥补单纯利用阈值法分割的缺陷,结合上述分割结果和目标的边缘信息得到封闭性良好的完整目标的二值图像。实验结果表明,提出的方法能快速有效地将红外目标从复杂的背景中分割出来,算法的计算复杂度为O(MN)。     

基于水平集和支持向量机的图像声呐目标识别

本文对基于水平集和支持向量机的图像声呐目标识别方法进行了介绍,这是一种利用声呐技术获得图像,并对目标进行识别的先进技术。水平集法可以根据声呐图像了解目标的大概轮廓,根据不变矩,找到特征矢量,并结合支持向量机,得到识别结果。这种方法有着较高的识别率,应用的范围也比较广,笔者根据自身经验对这种方法的应用情况进行了介绍,希望对相关工作人员提供一定参考意见。     

基于支持向量机的红外成像跟踪算法

为提高传统红外成像跟踪算法的性能,克服相关跟踪对"图像灰度一致性"的要求,在分析光流方程和支持向量机基本理论的基础上,提出一种由光流方程引出的基于支持向量机的成像跟踪算法.以机动车的红外图像序列为研究对象,该算法利用支持向量机的分类值替代方差和误差函数,将每帧中分类值最大的位置看作当前帧中目标的位置,从而实现了对目标的跟踪.该算法不仅不要求满足"图像灰度一致性",而且有效地减少了跟踪的累积误差.研究结果表明,与传统相关跟踪算法相比,本文提出的跟踪算法的精度、稳定度和鲁棒性都有所提高.     

组合核函数支持向量机在水中目标识别中的应用

论文研究了支持向量机核函数构成条件以及不同核函数的特性，结合水中目标识别技术特点，提出了一种组合核函数支持向量机的方法。提取了基于小波变换的舰船辐射噪声奇异性、尺度-过零、尺度-能量特征，对水中目标进行了SVM分类识别。研究表明，基于组合核函数的支持向量机分类识别效果优于单独核函数的支持向量机识别效果。     

基于多超平面支持向量机的图像语义分类算法

由于图像的低层可视特征与高层语义内容之间存在巨大的语义鸿沟,而基于内容的图像分类和检索准确性极大依赖低层可视特征的描述,本文提出了一种基于多超平面支持向量机的图像语义分类方法.多超平面分类器从优化问题的复杂度和运行泛化能力两方面进行研究,是最优分离超平面分类器一种显而易见的扩展.实验结果表明,本文提出的方法在图像语义分类的准确性方面要优于诸如采用色彩特征和纹理特征的支持向量机分类器的其它方法.     

支持向量机在混合气体种类光谱识别中的应用

针对混合气体种类光谱识别中组分气体特征谱线重叠严重的问题,将支持向量机用于混合气体种类光谱识别中,提出了一种基于支持向量机二值分类识别模型的逐一混合气体种类识别方法。利用支持向量机的核函数变换,将特征谱线重叠严重的光谱在高维空间变换为线性可分后再逐一进行混合气体种类识别。在天然气气体种类识别实验中,比较了不同核函数、数据预处理、特征提取、训练样本数等条件与识别结果的关系,结果表明,方法对1%浓度以上的天然气组成气体的正确识别率大于97%,在理论和实际应用中具有重要的推广价值。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

红外图像的动态阈值分割

在深入探讨目前图像分割算法的基础上，针对实际红外图像的分割提出了一种新的方法－－动态阈值分割算法。它利用局部空间阈值适度调整全局统计最优阈值，因而其分割阈值是动态的。实验表明该算法能够突出图像中感兴趣的细节，单动态阈值的分割效果相当于常规固定双域值的分割。     

采用递归门限分析的红外目标分割

提出了一种有效的基于递归门限分析的红外目标分割方法。针对传统方法在目标的相对面积较小时背景信息容易误分的问题,将传统分割方法和递归处理结合起来,用于分割红外目标。在分割时,将每次分割得到的背景部分(即暗部分)淘汰掉,而保留分割得到的目标部分(即亮部分)。对得到的目标部分进行再分割,又得到新的目标和背景部分,如此重复下去,直至得到目标为止。对传统的Otsu方法、一维熵方法、二维熵方法的递归分割特性进行了分析比较,并根据目标的先验知识提出一种合理的递归终止准则。试验结果证明,基于递归门限分析的方法是一种行之有效的目标分割方法,分割性能优于传统方法。     

基于支持向量机的油封缺陷图像检测方法

提出一种基于支持向量机分类的油封缺陷图像检测方法,把油封外观中的有无缺陷看作两种不同的类别模式,应用支持向量机对两类不同的样本采样学习,然后进行分类判断。采集油封各部位图像并进行预处理,利用算法切割出各个检测区域图像,根据油封主要部位的各类缺陷特点,选取不同特征参数。应用径向基核函数建立支持向量机识别模型,并通过实验实现核函数参数寻优。实验结果表明,该方法具有检测成本低、可靠性高、泛化能力强、容易在线实施等特点,具有实用推广价值。     

支持向量像素抽样的快速图像匹配方法

提出了一种新的支持向量(SupportVectorMachines,SVM)回归的快速图像匹配方法。该方法将匹配模板图像中每个像素的位置坐标和灰度信息作为训练样本,通过选择合适的模型参数,进行SVM回归训练,获得少量的支持向量。依据SVM位置坐标对模板图像进行像素抽样,实现匹配数据的有效压缩。定义了图像支持特征向量,用少量的特征数据描述整幅图像变化的结构信息,保证了匹配数据的置信度。采用相关系数作为相似性测度,实现互相关匹配。实验结果显示,在一幅100×100的光学图像中提取85个支持特征向量点作为匹配数据,匹配概率可达到100%,匹配速度比传统相关匹配方法快近四倍。     

基于支持向量机的彩色图像恢复新方法

引起图像退化的因素众多，因而难以用一个统一的方法来进行恢复处理。鉴于图像的像素和各颜色分量通道间本质上存在某种相关性，以及以支持向量机为核心的统计学习理论具有较好地解决小样本、非线性、高维数问题的能力，提出了一种新的空域图像恢复方法，并通过对来自于待处理图像本身的训练样本的学习，构造自适应的回归插值函数；然后基于该函数对图像作有选择的修改，从而达到图像恢复的目的。实验表明，该方法是有效的，并且具有较好的泛化性能。     

综合边缘检测和区域生长的红外图像分割方法

针对红外图像的特点,提出了一种综合应用边缘检测和区域生长方法的图像分割方法。其思路为:先对图像进行边缘提取,得到边缘像素点集;然后利用该点集的平均灰度和目标区域的连通性作为生长判决条件,采用区域生长法实现图像分割。仿真结果表明,该方法能快速准确有效地实现红外图像分割,避免了单独使用边缘提取或区域生长法进行图像分割时的典型分割错误。     

一种适合于多目标检测的图像分割方法

提出一种适合于多目标检测的8邻域图像分割方法,用以获取目标特征量,准确分割图像。在对二值化图像扫描形成目标块的过程中,标记各个目标像素,记录目标的边界点,得出分割目标的面积、周长、质心坐标。利用这些信息,可以选择跟踪一个或多个目标。仿真结果证明了该方法实用可行。     

Fast Monte Carlo reliability evaluation using support vector machine

This paper deals with the feasibility of using support vector machine (SVM) to build empirical models for use in reliability evaluation. The approach takes advantage of the speed of SVM in the numerous model calculations typically required to perform a Monte Carlo reliability evaluation. The main idea is to develop an estimation algorithm, by training a model on a restricted data set, and replace system performance evaluation by a simpler calculation, which provides reasonably accurate model outputs. The proposed approach is illustrated by several examples. Excellent system reliability results are obtained by training a SVM with a small amount of information.     

Obscure bleeding detection in endoscopy images using support vector machines

Wireless capsule endoscopy (WCE) is a recently established imaging technology that requires no wired device intrusion and can be used to examine the entire small intestine non-invasively. Determining bleeding signs out of over 55,000 WCE images is a tedious and expensive job by human reviewing. Our goal is to develop an automatic obscure bleeding detection method by employing image color features and support vector machine (SVM) classifier. The bleeding lesion detection problem is a binary classification problem. We use SVMs for this problem and a new feature selection procedure is proposed. Our experiments show that SVM can be very efficient in processing unseen instances and may yield very high accuracy rate, in particular with our new proposed feature selection. More specifically, for this bleeding detection problem, training an SVM with 640 samples can be completed in as little as 0.01  second on a Dell workstation with dual Xeon CPUs, and classifying an image using the trained SVM can be done in as little as 0.03 milliseconds. The accuracy for both sensitivity and specificity can be over 99%. This work was partially supported by National Science Foundation grant IIS-0722106, IIS-0737861, and Texas ARP 003594-0020-2007.     

灰度值频数和遍历八方向的指纹图像分割算法

提出基于灰度值频数和遍历八方向的指纹图像分割算法。对于脊谷线灰度值相差较大的,利用灰度直方图上出现频数较多的两个灰度级的差值大小,判断是否为指纹前景区;脊谷线灰度值相差不大的,利用纹线的方向性,通过八个方向的模板计算在各个方向上灰度差值的大小,确定是否为指纹前景区。该方法的阈值可以根据图像自然决定,避免了人为选择阈值的困难和不准确性。对脊谷线灰度值相差较大、不大、较小的指纹图均能容易而准确地分割,只求出指纹的边界而不改变指纹图。实验表明,与常见的分割方法—方向图、方差法相比,该方法的平均误分概率大大减小,比方差法降低5.7875%,比方向图法降低5.6625%,且对指纹图像脊谷线的对比度和方向性要求不高,鲁棒性更强。