典型图像分类算法分析

本文主要讨论了图像处理中基于人类视觉系统(HVS)的图像区域分类的相关概念、技术以及算法的实现。图像分类是指将图像分成平滑区、纹理区和边缘区,它是图像处理中一种重要的手段,具有广泛的应用。所谓平滑区就是指图像中灰度变化较少,包含信息量少,能量小的部分;而边缘是图像中一种灰度突变形式的集合;纹理是表征象素按一定的排列规律进行重复排列的部分。纹理区和边缘区的图像块具有较大的能量。本文主要基于人类视觉的一些特性,提出了空域和频域两种分类算法,这两种算法都是先将图像分块,然后再与人类视觉特性相结合,对各个图像块进行处理,再确定相应划分区域的阈值,对原始图像进行二次分类,最终得到图像的平滑区、纹理区和边缘区.     

Tikhonov非线性算法在ECT图像重建中的应用

传统ECT算法受到分辨率低、边界模糊等问题的限制,文章提出基于有限元正演模型的Tikhonov非线性迭代算法。首先分析了ECT图像重建基本原理,并建立空间模型。然后以线性反投影(LBP)算法的图像重建结果作为初始状态,利用最优正则化参数求解灵敏度逆矩阵,根据正演模型测量极板间电容值,运用Tikhonov正则化算法校正图像。最后根据经典流行进行仿真实验。实验结果表明本文方法重建的图像相关系数平均值为0.8644,可见本文算法是一种有效的ECT算法。     

基于LapSVM的物流编号图像自动识别算法

根据目前物流编号识别效率和精度低的缺陷,提出一种基于图像处理和Laplacian支持向量机(Lap SVM)的物流编号自动识别算法。该算法通过图像采集设备获得物流编号图像,对图像进行预处理和数字字符分割,接着对各个数字字符图像进行特征提取,同时利用标记样本与未标记样本来训练支持向量机(SVM)分类器,实现很少标记样本下的精确字符分类,从而达到编号识别的目的。     

一种改进的模糊聚类算法研究

针对模糊C-均值聚类算法不能很好对非椭球形分布,或结构形状不对称分布的数据进行聚类的问题,文章提出了一种基于点密度的模糊C-均值聚类算法PD-FCM,该算法利用数据的点密度能够反映其对不同数据密度分类的符合程度的这一特性,构造了修正参数来改进基于欧几里德距离度量方式,从实现对FCM算法的优化。在人造数据集和知名数据集上的实验结果该算法在准确率和隶属度的准确性方面优于模糊C-均值聚类算法。     

一种新的医学超声图像分割方法

本方法加入轮廓平均长度控制来改进活动轮廓模型的内部能量,采用基于图像统计特征的外部能量以具有更强的抗噪声能力,用速度较快的贪婪算法求解能量的最小化,并加入对算法的多分辨率优化,使医学超声图像分割更加稳定,达到临床应用要求。     

基于主成分分析的织物瑕疵检测特征选取研究

为了提取到能够反映织物瑕疵的关键特征,文章对织物瑕疵图像从多个角度分别提取了基于分形维的空隙特征、多重分形特征、傅里叶变换特征、小波变换特征共计19维特征;高维特征会造成运算成本的增加,为此利用主成分分析法,从原始特征空间中得出了8个主要特征;运用模糊C均值聚类算法(FCM)对正常织物图像和瑕疵图像进行了聚类分析。     

基于特征点的图像拼接算法研究

在研究图像拼接理论的基础上,改进了拼接算法中的特征点匹配问题。首先利用Harris算法进行角点检测,然后利用归一化相关法进行匹配,接着利用该文中提到的方法来去除误匹配,从而得到匹配点对。实验结果证明该方法有效地提高了图像拼接的精度和速度。     

基于粗糙集和支持向量机的商业银行信用风险评估模型

结合粗糙集理论的属性约简和支持向量机(SVM)的分类机理,提出一种数据分类的混合算法;建立了基于此算法的商业银行信用风险评估模型。模型以粗糙集属性约简作为预处理器,删除冗余属性和冲突对象,但不损失有效信息;然后基于SVM进行分类建模和预测。实证表明,创建的模型分类性能良好,降低SVM分类过程的复杂度,一定程度上避免了训练模型的过拟合现象。通过与SVM和神经网络模型的比较,证实该方法用于信用风险评估的有效性。     

基于meanshift超像素CRF模型的高分辨率遥感图像分类

高分辨率遥感图像中的纹理信息和光谱信息非常丰富,提出通过mean shift算法将遥感图像过分割成小的区域,即为超像素,并且以这些超像素为节点,建立CRF模型进行参数估计和推导。结果表明:该方法将像素变成了超像素极大地减少了遥感图模型中节点的数目,简化了计算模型,超像素较好地保留图像的内在结构信息,得到了较好的分类结果。     

基于L1-L2混合噪声模型的图像超分辨率重建方法

文章提出了一种基于L1-L2混合噪声模型(HNM)方法用于图像、视频的超分辨重建,该方法有效利用L1范数在突变区域较好保持图像边缘信息的特点,同时兼顾了L2范数对图像平坦区域的噪声抑制特性。针对求解过程中噪声分布的改变,L1、L2范数的选择问题,提出一种自适应隶属度(AMD)方法,该方法不仅能达到理想的实验效果,而且大大地减少了迭代次数与运算时间。