基于侧抑制竞争原理提取图像边缘的方法

根据动物侧抑制原理，提出数字图像侧抑制竞争提取边缘方法。首先提出数字图像侧抑制网络基本结构，确定必要约束条件和学习方法，再在图像中选定若干边缘模块作为样本输入网络学习，得到抑制竞争网络的连接权值，最后将图像输入网络，得到图像边缘。分析结果表明，这种方法具有提取速度快，边缘不移位，能用硬件并行处理实现等特点，可用于实时提取图像边缘。     

基于最优特征加权的图像分类算法

通过研究图像分类过程中特征选择和分类器构建问题,提出了一种基于最优特征加权的图像分类算法.首先提取图像的颜色和纹理特征,接着采用混沌粒子群优化算法对特征的权值进行求解,确定每一个特征对图像分类的贡献,最后采用相关向量机对加权的图像样本集进行学习,构建分类器,从而实现图像的分类.实验结果表明,相对于当前较流行的图像分类模型,该模型不仅能够提高图像的分类准确率,而且能够大幅度减少了图像的分类时间,具有一定的实际应用价值.     

基于对比学习的双分类器无监督域适配模型

针对深度域适配问题中冗余信息导致模型性能不佳的问题,提出基于对比学习的双分类器域适配模型.该模型基于双分类器对抗理论,首先,将输入数据增强2次以获得2个视角的特征,通过将不同视角的特征输入不同的分类器提高分类器的多样性;其次,将双分类器方法和对比学习思想结合,使模型能够捕获数据的高层语义表征,减少不同类特征的混淆程度;最后,通过设立标签分布对齐正则项引导边界样本正确分类.实验结果表明,双分类器间的对比损失能提取数据中的有效信息,从而提升模型性能.     

基于图像处理的冷轧薄板板形识别

为了解决冷轧薄板板形识别问题，采用基于图像处理的方法，对图像进行直方图均衡化，使处理后的图像对比度、图像边界的清晰度有了很大的提高，并在此基础上再进行形态学增强，改善图像效果.对于处理后的图像利用canny算子提取其边缘，利用图像的均值、方差和对比度的统计特征作为BP神经网络分类器的输入进行缺陷特征分类.根据上述方法进行了板形识别系统的硬件、软件设计，实际应用表明，该方法可以有效地识别出常见的板形缺陷.     

基于底层图像特征组合的文本图像分类研究

针对文本图像特有的图像特征．提出了一种基于底层图像特征组合的文本图像分类方法,该方法使用了两层C4．5决策树分类器,能将文本图像有效地分为标题文本图像、文档图像和场景文本图像．首先将样本图像转换为灰度图像,提取灰度直方图的特征,根据灰度直方图特征的不同。可以先区分文档图像：然后把余下的图像转换为二值图像,提取图像的GLCM纹理特征,根据GLCM特征区分场景文本I和标题文本图像．在开源的WEKA数据挖掘软件环境下进行仿真实验,结果表明该方法是可行的。并能够得到较高的查全率和查准率．     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。     

基于特征融合的卷积神经网络乳腺癌图像分类

传统乳腺癌图像分类方法需要从医学图像中人工提取特征,不仅需要具备专业医学知识,而且存在耗时费力、提取高质量特征困难等问题.因此,提出了一种基于特征融合的卷积神经网络乳腺癌图像分类方法.首先预训练了两个不同结构的卷积神经网络,然后利用卷积神经网络自动提取特征的特性,将两个结构提取到的特征进行融合,最后利用分类器对融合的特征进行分类;同时,为避免卷积神经网络模型受小样本量限制出现过拟合现象,通过乳腺病变区域提取、区域细化和数据增强等方法对图像进行适当预处理,并通过过采样方法解决了正负样本不平衡的问题.实验结果显示,该方法在乳腺癌图像数据集BCDR-F03上分类AUC达到89%,对乳腺癌图像的分类精度较传统方法有明显提高.     

BOPET薄膜中气泡的检测及识别方法研究

双向拉伸聚酯薄膜(BOPET)中的气泡直接影响产品质量,准确快速地检测与识别气泡有重要意义.提出了一种基于LVQ神经网络的BOPET薄膜气泡的检测与识别方法.该算法对采集到的薄膜图像进行处理得到薄膜疵点轮廓,提取长宽比、圆形度、形状复杂性及伸长度4个特征值,输入至已经训练好的基于LVQ神经网络的气泡识别系统中识别气泡并确定其位置与面积.LVQ神经网络的设计的是通过研究BOPET薄膜中气泡的特征,提取特征输入向量,通过训练用的特征值的输入使神经网络达到学习和预测的目的.通过实验测试表明,此方法能满足BOPET薄膜中气泡的检测要求.     

一种基于滤波特征和不变矩的混合指纹识别算法

滤波特征匹配和不变矩匹配是常用的指纹识别算法,是将两种识别算法以一定的权值进行结合而提出的一种混合识别算法.通过采用来自不同手指采集的多幅指纹图像作为样本集并两两匹配,得到相应的滤波特征和不变矩匹配分数样本.而算法中权值的确定可以转换成一个匹配分数样本的分类器设计问题,用这些样本对权值进行分类学习估计.以100对指纹图像对混合识别算法进行测试,结果证明该算法具有较好的识别效果.     

基于BP网络的工业CT图像边缘检测

采用改进的BP算法,实现工业CT图像的边缘检测。本文构造了学习样本,可以在较短时间内训练得到权值矩阵,从而实现二值图像边缘检测。并在此基础上,综合灰度图像各位面的边缘提取结果,实现对灰度图像的边缘检测。通过对发动机CT图像的实验,证明利用本文得到的权值矩阵用于边缘检测,泛化性较好,抗噪能力强,能得到较为连续精细的边缘。     

深度图像修复的动态特征融合取证网络

基于深度学习的图像修复方案在篡改后图像中遗留很少的痕迹信息给取证带来了极大的困难。目前针对深度图像修复的取证工作研究较少,并且存在篡改区域定位不准确的问题。为此,本文提出了一种动态特征融合取证网络(dynamic feature fusion forensics network, DF³Net)用于定位经过深度图像修复操作的篡改区域。首先,该网络采用不同的篡改痕迹增强方式包括SRM滤波、空间域高通滤波和频率域高通滤波将单输入图像扩展到多输入,并提出动态特征融合模块对多种输入提取有效的修复痕迹特征后进行动态的特征融合;其次,网络采用编码器-解码器架构作为基础框架,并在编码器末端增加多尺度特征提取模块以获取不同尺度的上下文信息;最后,本文还设计了空间加权的通道注意力模块用于编、解码器之间的跳跃连接,以期实现有侧重地补充损失的边界细节。实验结果表明,面对不同的深度修复方案以及不同的图像数据库,DF³Net相较于现有的图像修复取证方法均可以更准确地定位篡改区域,并且对于JPEG压缩和高斯噪声具有较强的鲁棒性。     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

基于BP神经网络的工艺球缺陷检测

对羽毛球工艺球图像经过预处理,得到缺陷形状信息图像.提取图像的5个极半径不变矩特征、圆心度、球体外圆和球头圆心偏差总共7个特征参数构成图像特征向量组,建立三层结构的BP神经网络,以这7个不变量特征值组成的特征向量归一化后作为神经网络的输入,根据神经网络的输出进行缺陷检测,实验结果证明了该方法能有效地用于羽毛球工艺球的缺陷检测.     

基于PC-LDA的交通标志形状特征识别方法

针对PCA方法所提取的特征分类效果较差,而LDA方法通常不能直接应用于图像特征提取的问题,提出了一种基于PC-LDA的交通标志形状特征识别方法.通过对交通标志图像进行归一化和二值化处理,得到交通标志形状特征.将PCA方法与LDA方法相结合用于交通标志二值图像特征提取,可以得到既有最佳描述性又有最佳分类效果的PC-LDA特征子空间.利用标准交通标志图像数据库进行验证,并采用最小距离分类器对所提取的特征进行识别,结果表明,该方法能够快速有效地进行维数约减,提高了交通标志识别率.     

基于组合零样本学习的接触网吊弦线缺陷识别

目前现场接触网吊弦缺陷图像严重不足，导致模型特征学习不充分，识别准确率难以得到有效提高，为此提出基于组合零样本学习的接触网吊弦线缺陷识别方法.采用以ResNet-50作为主干网络的视觉特征提取模块提取图像视觉特征；使用预训练的Word2Vec词向量对标签组合图中的节点特征进行初始化，并通过2层图卷积网络学习标签组合图中各节点之间的依赖关系，从而优化组合标签节点的语义特征，改善最终的识别效果；将提取到的视觉特征和优化后的组合标签节点的语义特征相对齐，构建相似度函数计算图像视觉特征与组合标签语义特征之间的相似度得分，并通过交叉熵损失完成图像组合标签的预测.仿真实验结果表明：所提方法对可见类样本的类平均检测准确率为93.5%，对不可见类样本的类平均检测准确率为86.5%.     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.     

基于YOLOv5的遥感图像目标检测

为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型.首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作...     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

基于判别器反馈的零样本图像分类方法

零样本学习(zero-shot learning, ZSL)致力于在训练期间缺乏不可见类数据的情况下，仍能达到对不可见类别分类的目的。目前在生成式方法中，基于联合生成模型VAEGAN的零样本学习是一个研究热点。在此基础上，提出了一个基于判别器反馈VAEGAN(discriminator feedback VAEGAN,DF-VAEGAN)的零样本图像分类方法。该方法在判别器部分引入了一个反馈模块，在训练阶段可以提升模型整体的性能，在特征生成阶段可以结合生成器共同提升特征生成质量，最终通过高质量的合成特征训练分类器，提高分类准确率。本文还通过解码器重建属性特征，并使用循环一致性损失确保生成特征具备语义一致性。传统ZSL和广义零样本(generalized zero-shot learning, GZSL)图像分类实验展示了本文方法在5个经典数据集上均优于现有方法，在零样本图像分类任务中有效增强了特征合成质量和减少了类别间歧义的目标。     

一种基于卷积神经网络模型融合的织物疵点检测方法

针对织物疵点种类较多、形状差异大导致的检测准确率较低的问题,提出一种基于两个卷积神经网络模型融合的疵点识别方法。首先对织物的样本图像进行预处理,然后将样本图像缩小尺寸输入到一个网络模型进行训练;将样本图像采样后的图像输入到另一个网络模型训练。实验中使用ROC曲线下面积和平均精度均值的组合作为模型的评价指标,测试时取两个模型的预测结果平均,模型的评价指标值稳定在0.75左右。实验中还评估了图像翻转、测试集增强和模型融合的贡献,实验结果显示这些方法都有助于提高疵点检测的效果。