多分辨分形理论在高分辨力遥感图像分割中的应用

针对遥感图像的高分辨力特性,提出了基于多分辨分形的遥感图像分割方法。改进了多分辨结构的建立方法,提出了基于Laplacian金字塔的多分辨结构的分形分割法。实验表明,改进的多分辨分形图像分割方法在减少信息冗余度的同时,提高了数据利用率,可有效地对高分辨力遥感图像进行分割分类。     

基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

三维Gabor滤波器与支持向量机的高光谱遥感图像分类

根据高光谱遥感图像的特点及二维Gabor滤波器纹理分割的原理,提出了一种基于三维Gabor滤波器的高光谱遥感图像分类方法。三维Gabor滤波器能够对高光谱遥感图像所有波段同时进行滤波,将大量的图像信息抽取为少量的不同尺寸、方向和波谱的响应,极大减少了高光谱遥感图像纹理信息提取的计算量。利用不同方向和尺寸的三维Gabor滤波器对祁连山黑河流域上游地区的Hyperion影像全波段进行滤波处理,获取26个纹理响应特征,并分析不同纹理对不同地物的区分度。利用自动子空间划分的波段指数(BI)进行波段选择,选取不同的波段组合进行试验,寻找最佳降维幅度。按照纹理对不同地物响应的区分度逐一加入三维Gabor纹理特征,利用三维Gabor纹理辅助光谱信息,运用支持向量机(SVM)的方法进行监督分类。结果表明,基于三维Gabor纹理和自动子空间BI波段选择的SVM分类方法能够在有效降低光谱维数的同时,提高高光谱遥感图像分类的精度和效率。     

基于小波多通道特征级融合的彩色纹理图像分析

在不完全树型小波分解基础上将纹理和颜色特征进行融合,提出了适合彩色纹理图像分析的新的特征,它比单纯的灰度纹理特征或颜色特征具有更强的分类能力.同时还利用20类真实彩色自然纹理图像对塔式小波分解、不完全树型小波分解和小波包分解进行了多特征融合的分类比较,实验结果表明:不完全树型小波分解的特征级融合表现出良好的分类性能和抗噪能力.     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

基于图像分形相关位移测量新方法的研究

本文从分形理论出发提出了图像分形相关位移测量的新方法。较之20世纪80年代发展起来的以像素的灰度相关为基础的数字散斑相关法，分形相关法更充分地利用了散斑图的相关性特征，有关更深入的发展潜力。为了验证理论与方法的可靠性，进行了验证性实验并和数字散斑相关法的测试结果进行了比较。测试结果显示，测试精度至少可达0.06个像素。最后讨论了这一方法的发展前景。     

纹理高阶分形特征在海面舰船目标检测中的应用

针对复杂海面环境下的舰船目标检测，分析了高阶分形特征缝隙在纹理分类中的应用，提出了一种基于分形维与缝隙的目标检测新方法，并利用该方法对海面舰船目标进行了检测。实验结果表明利用纹理分形维与缝隙特征进行海面舰船目标检测，可以取得较单一分形维检测更高的准确率。     

分形理论在光谱识别中的应用

分形理论是研究一类不规则、混乱复杂,但其局部和整体具有相似性体系的科学。分形维数是分形理论中用于描述对象的不规则度和自相似性的基本度量。文章以符合朗伯-比尔定律的光谱信号为研究对象,在概述分形几何基本原理的基础上,提出了以分形维数作为光谱识别特征的方法,运用相空间重构得出了光谱信号的分形维数,通过对光谱信号的分形维数进行比较,达到识别不同光谱的目的,最后举例对该方法进行了说明。     

彩色纹理分析中的多特征数据融合方法

在小波分解基础上将纹理特征、颜色特征及纹理与颜色的空间相关特征进行融合，提出了一种新颖的彩色纹理特征提取方法，同时结合20类真实彩色自然纹理，针对塔式小波分解(PWD)，不完全树型小波分解(ICTSWD)和小波包分解(WPD)进行了多特征融合和分类比较，实验结果表明：塔式小波分解基础上的多特征融合，其正确分类率为85．78％；小波包分解基础上的多特征融合，其正确分类率为91．03％，但其特征维数呈指数增长；而不完全树型小波分解有选择地进行通道分解，其维数大大下降，多特征融合后的正确分类率达到90．63%，同时也表现出良好的抗噪能力。     

火灾烟颗粒的分形结构形状模拟与光散射计算

针对火灾烟颗粒的形状特点，提出并建立火灾烟颗粒分形结构凝团的形状模型，并对烟颗粒扫描电镜(SEM)图像进行分析，获取分形结构模型中的单个凝团中基本颗粒个数、凝团分形维数、基本颗粒半径等参数.利用该模型对火灾烟颗粒的形状进行模拟的结果表明，该模型能够较好反映出烟颗粒的形貌特征.利用形状模型对火灾烟颗粒散射进行初步计算表明，在其他参数相同的情况下，相对于同体积的球形颗粒，分形凝团具有前向散射较弱，后向散射较强的特征.     

基于分维特征和反向传播神经网络的自然纹理识别

提出一种利用分维特征, 即自然纹理的自相似性进行纹理识别的研究。利用原始图像、高灰度图像、低灰度图像、四个方向（０°, ４５°, ９０°, １３５°）的梯度图像及二阶多分维共八个分维数作为特征值; 分维的计算采用改进的盒子计数法（ＭＢＣＭ）; 最后利用反向传播（ＢＰ）神经网络进行纹理的分类识别。实验结果与其它技术进行了比较, 并提出利用维纳滤波进一步改进分类性能。     

一种基于图像特征和神经网络的苹果图像分割算法

苹果识别是开发苹果采摘机器人的关键环节,利用图像处理技术和神经网络分类器探索苹果图像分割算法.从苹果树图片中选取苹果图像样本和背景网像样本.分别计算这两类图像样本的颜色特征和纹理特征.颜色特征的计算基于RGB色彩模型,纹理特征的计算基于灰度共生矩阵.选取适当的颜色特征(R/B值)和纹理特征(对比度值和相关性值)作为输入节点,利用反向传播神经网络分类器建模,输出值是一个O～1之间的计算值.通过阈值将输出结果分类为苹果或背景.试验结果表明,该算法正确率大于87.6%,对光照的影响不敏感,是一利较为实用的苹果分割算法.     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

基于BP神经网络的复杂彩色图像文本定位*

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92％,召回率为87.4%.     

基于BP神经网络的复杂彩色图像文本定位

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92%,召回率为87.4%.     

Wood species identification using feature-level fusion scheme

In this paper, we propose a robust wood species identification scheme by using a feature-level fusion scheme. First, a novel wood feature acquirement system is devised, which can get the curve of 1D wood spectral reflectance ratio and the 2D wood surface color image. Second, the 4 wood color features, the 4 principal texture features, the 4 secondary texture features and the 4 spectral features are established, respectively. Third, a fuzzy BP neural network is proposed to perform the classification work, which consists of 4 sub-networks based on the color feature, texture feature and spectral feature. We have experimentally proved that this scheme improves the mean recognition accuracy to approximately 90% for 5 wood species. Moreover, our feature-level fusion scheme is superior to the recognition schemes which use color feature and texture feature.     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

不均匀光照的路面裂缝检测和分类新方法

针对受光照不均影响的路面裂缝图像,提出一种基于Sobel算子和最大熵法的图像分割算法,并采用长线段与原图进行与操作和判断黑色像素所占比例的方法去除图像孤立噪声点.根据不同类型裂缝的几何形态,提取投影向量、分布密度和空洞数等特征值作为路面裂缝分类的依据,设计径向基函数神经网络的分类器实现对裂缝的准确分类.实验结果表明,较传统全局阈值算法,本文算法对光照不均图像的处理不仅能很好的提取裂缝边缘,且具有很强的抗噪能力,对路面裂缝的分类准确率高.     

Automated inspection of micro-defect recognition system for color filter

This study focused on micro-defect recognition and classification in color filters. First, six types of defects were examined, namely grain, black matrix hole (BMH), indium tin oxide (ITO) defect, missing edge and shape (MES), highlights, and particle. Orthogonal projection was applied to locate each pixel in a test image. Then, an image comparison was performed to mark similar blocks on the test image. The block that best resembled the template was chosen as the new template (or matching adaptive template). Afterwards, image subtraction was applied to subtract the pixels at the same location in each block of the test image from the matching adaptive template. The control limit law employed logic operation to separate the defect from the background region. The complete defect structure was obtained by the morphology method. Next, feature values, including defect gray value, red, green, and blue (RGB) color components, and aspect ratio were obtained as the classifier input. The experimental results showed that defect recognition could be completed as fast as 0.154 s using the proposed recognition system and software. In micro-defect classification, back-propagation neural network (BPNN) and minimum distance classifier (MDC) served as the defect classification decision theories for the five acquired feature values. To validate the proposed system, this study used 41 defects as training samples, and treated the feature values of 307 test samples as the BPNN classifier inputs. The total recognition rate was 93.7%. When an MDC was used, the total recognition rate was 96.8%, indicating that the MDC method is feasible in applying automatic optical inspection technology to classify micro-defects of color filters. The proposed system is proven to successfully improve the production yield and lower costs.