基于雷达反射率图像特征的冰雹暴雨识别

为了实现冰雹暴雨天气的识别与分类,提出了一种基于雷达反射率图像特征的自动识别方法.对雷达回波反射率图像中冰雹回波区域和暴雨回波区域的图像特征进行提取,通过分析冰雹暴雨间单一特征的差异性和不同特征之间的分类互补性,确定了识别冰雹暴雨的有效图像特征(包括强度特征和纹理特征).将提取出的样本有效特征与探空数据(0℃和~20℃温度层高度)结合,利用粗糙集理论进行数据挖掘,进而建立了冰雹暴雨天气的客观识别模型.通过对362个测试样本的测试与统计,冰雹击中率达到93.29%,暴雨的击中率达到89.27%,并且两者均具有较低的误警率.实验结果与传统PUP系统比较,表明利用雷达反射率图像特征实现对冰雹暴雨天气的识别与分类具有较好的效果.     

傅里叶-梅林变换(FMT)在畸变-不变图像识别中的应用

针对尺度缩放和角度旋转变化目标相关识别率低的问题,在联合相关识别中加入傅里叶-梅林变换方法.采用傅里叶-梅林变换(FMT)中的对数极坐标变换、梅林变换、傅里叶变换具有的旋转、尺度、平移(RST)不变性,可以提高JTC图像识别的性能,实现畸变-不变图像的识别.利用联合变换相关器对角度旋转0°～40°、尺度变化0～20%的目标进行计算机仿真实验.实验结果表明:在JTC中采用FMT可以实现畸变-不变图像的识别.     

基于特征融合的手背静脉识别

图像平移和旋转会降低手背静脉识别的准确性,针对该问题,本文提出了一种特征融合的手背静脉识别法.该方法充分考虑图像的细节特征和全局特征,首先选取图像中的交叉点和端点作为特征点,再从特征点中提取出图像匹配的基准点,计算基准点至特征点间的相对距离及基准点与特征点连线间相邻连线产生的夹角作为细节特征;然后利用不变矩方法提取图像特征作为全局特征;最后将两种图像特征融合,进行手背静脉识别.实验模拟结果表明,该方法可快速有效地实现手背静脉识别.     

光谱图像技术结合SAM算法识别自然场景下的成熟柑橘

为了实现采摘机器人在复杂的自然场景下正确识别树上果实,来完成果实采摘,研究了不同环境下柑橘的识别方法.针对复杂的自然环境的影响及传统方法的局限性,在可见光和近红外区域择选5个特征波长滤波片,采集得到5幅滤波后的图像,并利用光谱角分类算法完成柑橘识别.试验结果表明,在光照角度、光照强度等不同条件下,柑橘的识别准确度达到96%.研究表明,滤波片光谱图像技术结合光谱角分类算法可以有效地识别自然场景下的成熟柑橘.     

光谱图像技术结合SAM算法识别自然场景下的成熟柑橘

为了实现采摘机器人在复杂的自然场景下正确识别树上果实,来完成果实采摘,研究了不同环境下柑橘的识别方法.针对复杂的自然环境的影响及传统方法的局限性,在可见光和近红外区域择选5个特征波长滤波片,采集得到5幅滤波后的图像,并利用光谱角分类算法完成柑橘识别.试验结果表明,在光照角度、光照强度等不同条件下,柑橘的识别准确度达到96%.研究表明,滤波片光谱图像技术结合光谱角分类算法可以有效地识别自然场景下的成熟柑橘.     

基于局部不变特征的目标自动识别

为快速、准确地识别图像中的目标,提出一种结合图像熵和加速鲁棒特征算法的目标自动识别方法.首先,分块计算图像的信息熵,根据阈值筛选出纹理丰富区域.然后,结合Hessian矩阵和Harris算法提取纹理丰富区域的局部特征点.接着,计算特征向量并用主成分分析降低向量维数.最后,采用双向最近距离比例匹配算法进行分类,并用随机抽样一致算法剔除误匹配点.实验结果表明:对仿真数据库中带有视角、光照和尺度变化的图像,识别率分别为87.12%、75.31%和84.98%,平均识别时间分别为70.35ms、71.27ms、220.63ms;对含8956×6708像素的航空大面阵图像,正确匹配率为78.13%,识别时间为68.09s.本方法识别率和时间性能均优于加速鲁棒特征算法.     

基于改进谱聚类的重叠绿苹果识别方法

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于LabVIEW图像法车牌智能识别系统

车辆牌照自动识别是实现交通管理智能化的重要环节,设计中利用图像采集卡对经过的车辆车牌进行图像采集并传送至计算机,采用美国NI公司LabVIEW软件,实现图像预处理、图像去噪以及图像增强等功能;然后根据车牌颜色特征对其准确定位,采用阈值法分割车牌字符;最后由OCR函数来识别字符,识别结果保存至相应数据中,可以进行相应的违章、违规智能交通管理,经实验该系统成功实现车牌识别识别率达99%。     

基于相关器原理的图像特征识别方法

基于傅里叶光学中的相关器原理,制作匹配滤波器并做ln-θ坐标变换,从而有效地降低了光学图像特征识别的难度.识别过程中先对原始图像进行ln-θ坐标变换操作,以消除图像间相对缩放、旋转的影响;然后应用相关器原理,通过比较检测图像和参考图像的相关输出以及参考图像的自相关输出,判断检测图像和参考图像的相似程度.实验结果表明:该识别方法实现了较好的识别效果.     

基于改进谱聚类的重叠绿苹果识别方法（英文）

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。