一、Texture image classification using multi fractal dimension(论文文献综述)
林鑫[1](2021)在《基于彩色纹理特征的板材分类研究》文中研究指明板材表面的颜色和纹理是木材表面最直观的特征,也是家具、建筑装潢等行业对木材产品质量进行评价的重要指标,这与木材加工企业的经济效益是息息相关的。目前国内的板材加工业还未制定出一套能够系统评价木板表面颜色和纹理的行业标准,本课题从计算机视觉角度深入研究了这一问题。选取了中国东北部常见的红松、白桦、水曲柳、落叶松和柞木等五种树种作为研究对象,采用图像处理和模式识别的相关理论方法,分析上述树种弦切面和径切面的表面参数,研究出可以表征板材表面颜色和纹理特征的参数方法,从而帮助实现板材的自动分类。本文首先介绍了纹理的基本概念,阐述了纹理的定义、类型以及特性,介绍了统计法、频谱法、模型法和结构法这四种主要的纹理特征提取方法,对上述各方法进行比较。在板材表面颜色分析方面,介绍了几类常见的颜色空间,分别是RGB、CMY、L*a*b*、HSV等,还表述了颜色特征的两种主要提取方法。在图像分类方法部分,介绍了三种常用分类器的原理及设计方法,分别是BP神经网络、KNN和支持向量机。本文采用了一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行了纹理特征参数提取,通过颜色直方图和颜色矩这两种方法对样本表面进行颜色特征的提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类实验,最佳特征参数体系的识别率为97.8%。最后进行了基于粒子群优化算法的支持向量机分类实验,优化后的分类器分类性能较优化前提升1.3%,识别率达到99.1%。本课题对比了不同纹理和颜色的特征提取方法,确定了板材表面彩色纹理特征的参数体系和分类器,对板材进行了分类实验。
丛思安[2](2020)在《基于牛鼻纹理的牛个体识别技术研究》文中研究表明目前,我国畜牧业呈现出规模化、集约化的发展趋势,采用人工的方式进行个体识别已无法满足需求,因此,需要个体识别系统进行现代化管理。近年来,基于射频识别(Radio Frequency Identification,RFID)技术的牛个体识别系统在一些养牛场得到应用,但RFID标签易损坏、丢失,且面临着信息篡改的风险。针对这一问题,本文提出基于牛鼻纹理图像的牛个体识别方法。牛鼻纹理作为生物特征具有唯一性,难以伪造修改,且图像识别系统成本低、速度快,可以获得显着的效果。本文主要工作如下:第一,本文提出了一种基于特征融合的牛个体识别方法,采用局部二值模式和韦伯局部描述符分别提取牛鼻纹理特征,由于提取的特征维数较大,因此采用主成分分析算法对两种特征降维,最后使用支持向量机采用交叉验证的方法对牛鼻纹理图像识别分类;本文对韦伯局部描述符方法的梯度方向计算部分作出了改进,使得识别效果有所提升;实验结果表明,基于特征融合的牛个体识别方法的准确率高于基于单一特征的牛个体识别方法,准确率达98.4%,并且该方法在图像旋转的情况下依然具有较高的鲁棒性。第二,在基于卷积神经网络的牛个体识别方法中,本文设计了一个CNN-12卷积神经网络模型。在卷积层后加入批量归一化层加快训练速度,在全连接层后加入Dropout层避免过拟合;并通过实验验证不同的池化函数、激活函数、优化器以及batch-size大小对准确率的影响,最终在本文自建的牛鼻纹理图像数据集上准确率达98.99%。第三,本文提出了基于迁移学习的牛个体识别方法,首次将迁移学习的思想应用于牛鼻纹理图像识别中,使用多个模型进行迁移学习的实验,并对模型进行调整优化。实验证明,迁移学习的方法具有很好的效果,准确率更高,训练时间更少,最终迁移学习方法中选择使用MobileNet模型,准确率达99.26%,模型体积较小,可以部署到手机端,便于实践应用。第四,由于牛鼻纹理图像没有公开的数据集,因此自建62类的牛鼻纹理图像数据集。在基于特征融合的牛个体识别方法中,将图像进行灰度处理,并使用限制对比度自适应直方图均衡化算法增强图像对比度,使图像更加清晰;在基于CNN-12卷积神经网络模型的方法以及基于迁移学习的方法中,将图像进行尺寸归一化处理,并使用数据增强方法扩充数据集。
黄旭红[3](2020)在《基于分形纹理的土地利用遥感信息提取研究与应用》文中研究表明随着对影像自动分类精度要求的提高,仅利用影像光谱信息分类面临着分类对地物区分能力有限的问题。纹理特征作为遥感影像空间结构信息的重要体现,利用纹理特征辅助光谱信息进行地物分类逐渐受到重视。分形理论作为非线性科学领域三大学说之一,且分形维数与人眼对图像纹理的粗糙度的感知具有一致性。利用分形方法提取影像纹理特征并用于土地利用分类逐渐受到重视。但前人对于分形所用波段与窗口的选择缺少定量研究。本文以江西德兴矿区作为研究区,利用高分辨率的GF1影像和中等分辨率的Landsat影像,以分形理论为基础,运用双毯覆盖模型和差分盒维法提取两种数据源各个波段在不同窗口下的纹理图像。将纹理图像与原始多光谱数据组合后利用支持向量机的方法进行分类。以人机交互解译结果为参照,确定研究区两种影像数据的最佳分形波段与分形窗口。利用多期Landsat数据最佳波段与窗口组合提取了德兴矿区1998、2003、2008、2013、2018年的土地利用情况。本文主要取得以下成果:(1)利用MATLAB实现了双毯覆盖模型与差分盒维法提取不同遥感影像各波段不同窗口下的纹理特征,并用于辅助影像的分类。(2)通过实验确定了研究区GF1数据与Landsat数据运用双毯覆盖模型与差分盒维法提取纹理特征的最佳分形波段与最佳分形窗口。证明了直接利用第一主成分波段作为分形波段,通过目视效果选取分形窗口的做法并不可取,无法取得最高分类精度。(3)通过对比发现,对于GF1数据,双毯覆盖模型提取的纹理图像较差分盒维法对于影像分类精度的提高更有优势;对于Landsat数据,差分盒维法提取的纹理特征有助于提高分类精度。对于不同数据源,加入纹理特征后,波段数较少的GF1影像较波段数较多的Landsat数据分类精度提高更加明显。(4)运用土地利用数量变化、结构变化及土地利用动态度等指标,对研究区20年间的土地利用变化情况进行了分析。
曹敏[4](2020)在《基于频谱的高分辨率遥感影像纹理尺度分析及选择》文中研究指明高分辨率影像上的地物可辨识度高,形状、颜色、边界等清晰可见,同时也出现同类地物拥有多个光谱特征的情况,单靠光谱信息分类很难达到精度要求,因此纹理特征常常被作为光谱特征的有效补充,被引入到遥感分类中。无论是传统的像元分类,还是后来的面向对象分类,再到现在的深度学习分类,学者们都很重视纹理特征,纹理特征加入分类后能有效提高分类精度。但在纹理特征表达的过程中,有一个很值得关注的问题,那就是纹理尺度问题,即纹理提取过程中涉及到的窗口大小问题。虽然目前已经有较为成熟的遥感影像的尺度效应分析理论体系和研究方法,且纹理尺度分析可归类为这个大体系下的一个小方面,但由于纹理特征表达自身的方法复杂性,纹理尺度选择和纹理尺度效应分析还缺少行之有效的方法。针对以上问题,考虑到纹理的度量在频域比空域更加直观和方便,图像经傅立叶变换后得到能量图谱,用极坐标度量,能够准确描述图像纹理的周期模式和方向的分布,本文以遥感影像纹理特征表达最常用的方法即灰度共生矩阵和分形模型的方法为纹理特征表达方法基础,采用傅里叶频谱统计分析方法,对上述两种纹理特征的尺度效应进行了分析。旨在从纹理自身的特性出发,确定出能够实现最佳分类的理论最优纹理尺度,使影像纹理信息更充分地被利用。本文主要的工作和成果如下:(1)本文系统地总结了遥感尺度问题的研究现状,指出纹理尺度在遥感尺度问题研究体系中的位置,明确纹理尺度和遥感尺度的关系。针对已有的纹理尺度研究做了阐述,指出现有研究中存在的问题,根据问题提出解决方法。(2)本文提出了基于频谱统计法的最佳纹理尺度选择方法,在分析频率域图像频谱能量在不同尺度下的变化的过程中,阐明了频谱分析法何以选择最佳尺度,这种变化的实质是由于纹理周期和方向的改变造成的,地物、纹理特征和最佳尺度是紧密联系的,最合适的纹理尺度是不仅保持原纹理的周期和方向,且能量的统计值最低,据此来选择遥感影像纹理特征表达的最佳尺度。(3)首先获取原始遥感影像上的四类地物的纹理影像,并提取多个尺度纹理图像,然后将多尺度纹理扩展影像变换到频率域,绘制四种纹理不同尺度下的径向和角向频谱曲线图,通过分析不同尺度下径向和角向的频谱峰值能量变化信息,求取该纹理的最佳表达尺度。为了证明该纹理尺度选择方法的有效性,本文利用高分辨率影像进行了系列纹理尺度表达基础上的多尺度分类,利用SVM对多个尺度的影像进行分类,并对分类结果进行精度评价。实验结果表明,采用基于频谱分析的最佳尺度纹理进行分类可有效提高影像分类的质量和精度,灰度共生矩阵精度提高18个百分点,分形纹理提高1个百分点。
王军敏[5](2019)在《面向纹理图像识别的特征提取方法研究》文中研究表明纹理图像在现实世界中无处不在,纹理图像中所蕴含的纹理模式特征是人类认知世界所需的重要视觉特征,这使得纹理图像识别研究具有重要的理论和应用价值,而纹理图像特征提取是该研究的核心内容。但是,目前存在的纹理图像特征提取方法存在以下不足之处:(1)对纹理图像的光照、旋转、尺度变化和训练样本个数缺乏综合的稳健性;(2)不能同时获得较高的纹理识别精度和较高的实时性。针对以上问题,本文对纹理图像识别中的特征提取方法进行了深入研究,取得了以下的创新性成果。(1)提出了一种基于局部特征描述和纹理基元学习的纹理图像特征提取方法。该方法利用5个特征量(局部熵值、局部方差、局部最大变化幅度、局部差分符号计数、局部差分幅值计数)对局部潜在的纹理基元特征进行描述,并利用K均值聚类算法进行纹理基元字典学习。实验结果表明,该方法所采用的局部特征描述子具有很强的鉴别能力,并且特征维数低(7维),所需的纹理基元字典规模更小(仅为传统方法中纹理基元字典规模的1/2)。这使得该方法在纹理图像局部特征提取、纹理基元字典学习、纹理基元编码和特征匹配等阶段的实时性都得到显着提高,克服了传统纹理基元学习方法实时性较差的问题,同时在纹理识别精度上也超越了传统的纹理基元学习方法。(2)提出了一种将全局Gabor特征和局部编码Gabor特征进行融合的纹理图像特征提取方法。该方法首先利用采样和插值的方法为每个纹理图像构建一个四层的图像金字塔空间,然后利用多个尺度和方向的Gabor滤波器组对金字塔空间中的每个纹理图像进行滤波,用滤波后幅值图像的均值和方差作为全局Gabor特征,用滤波后幅值图像和相位图像的联合编码作为局部Gabor特征,并在最近子空间分类器的框架下实现了全局和局部Gabor特征的融合以及最终的纹理图像识别。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在纹理识别精度上显着超越了传统的Gabor滤波方法,同时保持了较高的实时性,对纹理图像的尺度变化和训练样本个数也具有较好的稳健性。(3)提出了一种光照、旋转和尺度稳健的改进CLBP纹理图像特征提取方法。该方法利用局部模式主导方向的调谐作用,使传统的CLBP算法具有旋转不变性;利用连续的高斯滤波构造纹理图像的多尺度空间,并对不同尺度的联合直方图特征进行跨尺度取最大值,以使所提取的纹理特征具有对尺度变化的稳健性;利用多个半径的特征融合来捕获宏观和微观的纹理特征。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在多个基准纹理库上都能获得很高的纹理识别精度,超越了目前很多先进的纹理识别算法。同时,该方法具有较高的实时性,对纹理图像的光照、旋转、尺度变化和训练样本个数也具有较好的稳健性,是一种综合性能较强的纹理图像特征提取方法。(4)提出了一种将粗略颜色信息和灰度纹理特征进行融合的彩色纹理图像特征提取方法。该方法利用纹理图像中的颜色信息具有低频性质并呈区域性分布的特点,对HSV空间中表示颜色信息的色调分量H和饱和度分量S采用粗略量化的策略,并用粗略量化后H分量和S分量的联合直方图来描述颜色信息,同时利用V分量进行灰度纹理特征的提取,最后将所提取的粗略颜色信息和灰度纹理特征进行融合,作为彩色纹理图像的特征描述。实验结果表明,与单独的灰度纹理特征和单独的颜色信息相比,该方法提取的彩色纹理图像特征具有更强的鉴别能力,能进一步提高纹理图像的识别精度,同时保持了较高的实时性,并在树皮分类、图像检索和纸币鉴别等工程领域获得了较好的应用效果。
刘丽,赵凌君,郭承玉,王亮,汤俊[6](2018)在《图像纹理分类方法研究进展和展望》文中提出纹理分类是计算机视觉和模式识别领域的一个重要的基本问题,也是图像分割、物体识别、场景理解等其他视觉任务的基础.本文从纹理分类问题的基本定义出发,首先,对纹理分类研究中存在的困难与挑战进行阐述;接下来,对纹理分类方面的典型数据库进行全面梳理和总结;然后,对近期的纹理特征提取方法的发展和现状进行归类总结,并对主流纹理特征提取方法进行了详细的阐述和评述;最后,对纹理分类发展方向进行思考和讨论.
王访[7](2013)在《作物诊断的叶片图像多重分形方法与建模 ——以油菜氮素营养和玉米病害诊断为例》文中提出叶片是作物的重要生理器官之一,其图像能有效反映作物营养素缺失和病害种类及影响程度。在数字农业中,基于计算机和数学方法的叶片图像处理是研究上述问题的重要途径。如何通过数学算法和机器智能提取叶片图像的有效信息,成为了对作物营养素缺失、病害影响的叶片诊断的关键问题。目前的研究大多集中于作物叶片的颜色、形状特征,对叶片纹理信息的研究较少。而纹理是叶片固有的本质特性,不易受环境因素影响,只有当作物受营养缺失、病害影响时,其叶片灰度图像的纹理会有相应的改变,因此,作物叶片的纹理特征也是研究上述问题的理想对象。多重分形理论是一种描述图像纹理特征的重要手段,近年来在图像处理领域得到了很好的应用。本文利用多重分形理论,针对叶片图像不平稳的特点,提出了一种叶片灰度图像多重分形特征描述方法,得到了一些具有鲁棒性的纹理描述因子,并利用这些特征对上述问题展开了研究。旨在通过机器智能为作物叶片缺素和病害进行无损诊断奠定理论基础。1.提出了图像平稳性的定义,给出了两种检测图像平稳性的方法。对图像平稳性的讨论是决定用何种多重分形方法提取图像特征的前提工作。由于标准多重分形算法都是基于图像平稳测度而提出的,对于非平稳测度将会得到不准确的结果。而受缺素和病害影响的叶片图像不同于其他图像,其局部灰度值易发生突变,可能产生不平稳测度。针对这一现象,定义了二维灰度图像的平稳性,提出了两种检测平稳性的方法,并利用一组由分形高斯噪声生成的图像和一组由分形布朗运动生成的图像验证了定义和检测方法的有效性。6种玉米病害叶片图像的平稳性检验结果表明它们都是非平稳的。2.提出了基于多重分形去趋势波动分析(MF-DFA)的纹理图像特征描述方法。采用合适的多重分形特征提取方法是获取叶片图像纹理特征有效信息的保障。针对叶片图像非平稳性和标准多重分形不能解决非平稳测度的缺陷,基于多重分形去趋势波动分析(MF-DFA),提出了一些描述纹理图像特征的算法,获得了全局图像灰度值序列的广义Hurst指数h(q),二维图像表面全局广义Hurst指数H(q)和图像局部广义Hurst指数LHq等新的纹理描述符。一方面,与单一分形维数、标准多重分形谱、基于灰度共生矩阵法的角二阶矩、对比度、熵和自相关系数等传统的纹理特征因子进行对比实验,结果表明提出的h(q)和H(q)具有最好的抗噪性(平均误差<2%)、抗压缩性(平均误差<5%)、抗模糊性(平均误差<7%)。另一方面,与传统的基于差分盒子法的局部广义分形维数及基于三种容量测度的Holder指数进行分割对比实验,结果表明在相同的分类器下,提出的LHq具有最好的分割效果(对不同纹理图像的平均识别率>90%),且具有最好的抗噪性(平均误差率<10%)。3.提出了基于局部多重分形去趋势波动分析(LMF-DFA)的图像分割方法。图像分割问题是正确反映叶片图像奇异区域,并对其进行缺素、病害诊断的关键问题。针对缺素、病害的叶片图像局部灰度不平稳特征,提出了一种基于LMF-DFA的图像分割方法。该方法以LHq为纹理描述符,以LHq构成子图的计盒分形维数f(LHq)为依据对指定区域进行分割。缺镁素、钾素的油菜叶片图像和玉米小斑病、灰斑病、弯孢菌叶斑病、圆斑病、锈病和褐斑病叶片图像的分割实验表明该算法能有效地分割叶片图像中的奇异区域。通过与现有流行的基于容量测度的多重分形谱分割法及经典的模糊C均值聚类法进行对比实验,结果表明所提方法分割效果最好,既能正确反映上述叶片缺素和病害区域的位置,也能准确识别非缺素、病害的区域,同时具有良好的抗噪性。4.建立了基于叶片图像的多重分形特征的油菜氮营养诊断模型。基于叶片特征的模型构建是研究作物营养诊断的核心问题。一方面从定量的角度为不同施氮水平下的油菜氮含量建立了回归模型,利用叶片图像的多重分形特征参数为自变量预测氮含量的相对均方根误差最低为10%-20%。另一方面,对大田环境下采集的不同施氮水平下的油菜叶片进行了定性诊断。对基部、中部和顶部及三个部位混合样本进行分类识别。结果表明基于基部叶片和中部叶片的识别效果明显优于顶部叶片。对于混合叶片样本,在5折交叉检验方法下,以支持向量机核方法和随机森林为分类器的平均诊断准确率分别为94.03%和94.90%。
季桂树[8](2013)在《肝癌超声图像纹理特征识别中的关键技术研究》文中研究说明肝癌是危害人类健康甚至危及人类生命的主要病症,及早确诊这种病症是当务之急。随着计算机与图像处理技术的快速发展,超声等医学影像已成为对肝病进行诊断的主要信息源,同时也促进了模型方法在包括医学图像在内的图像特征提取方面的显着进步,这将更好地弥补用目视诊断方法远远不能满足对诊断结果要求的缺陷。因此成为了学界研究的热点。本文以正常肝和肝癌超声图像为数据样本,以肝脏超声图像纹理的分形特征为信息对肝脏超声图像计算机辅助诊断技术中的分类识别问题进行了深入的研究。所研究的内容包括:(1)分维和孔隙度的统计分析。对比分析了在其它领域对纹理图像进行分析均有上佳表现的4种分维方法,即毯子法(blanket)、傅立叶功率谱法(Fourier power spectrum, FPS)、分数布朗运动法(fractional Brownian motion, FBM)和差分盒计数法(differential box counting, DBC)。与此同时,又对分形几何学中的另一个重要参数——孔隙度的5种计算方法,即曼德尔布罗特法(Mandelbrot)、差分盒计数法(lacunarity of differential box counting, LDBC)、盒柱极差法(lacunarity of box column range,LBCR)、立方盒质量法(lacunarity of cube box mass, LCBM)和本文提出的盒柱平均值法(lacunarity of box column mean, LBCM)进行了对比分析。小样本正态分布拟合优度检验和小样本双边Student-t检验表明:由4种分维方法得到的分维值基本均呈正态分布,用4种分维方法得到的正常肝和肝癌超声图像分维的平均值均在0.05置信水平上差异显着;由5种孔隙度方法得到的最佳尺度孔隙度值,除LBCR方法得到的肝癌孔隙度值外,其他方法得到的孔隙度值均呈正态分布,但只有LCBM和本文提出的LBCM方法得到的正常肝和肝癌超声图像孔隙度平均值在0.05置信水平上差异显着。除FBM外,由其他分维方法得到的正常肝超声图像分维平均值均小于肝癌超声图像分维的平均值,同样,由LCBM和LBCM方法得到的正常肝超声图像孔隙度平均值亦小于肝癌超声图像孔隙度平均值。(2)SVM和ROC对分维和孔隙度的分类研究。为进一步确认上述4种分维方法和5种孔隙度方法表征肝脏超声图像纹理特征的能力,在此用受试者工作特征曲线(Receiver Operating Characteristic,ROC)和支持向量机(Support Vector Machine,SVM)对上述分维方法和孔隙度方法获得的正常肝超声图像和肝癌超声图像的分维值进行了ROC评估和SVM分类。评估和分类结果表明:分维方法中的FPS方法和孔隙度方法中的LBCM方法能获得较大的ROC曲线下面积(Area Under ROC Curve, AUC)和较高的分类准确率。(3)SVM和ROC对分形和孔隙度的组合因子的分类研究。用前述的4种分维值和LBCM孔隙度值作为单因子并由这4种分维值分别与LBCM孔隙度值构成组合因子(blanket+LBCM、FPS+LBCM、FBM+LBCM、 DBC+LBCM)作为分析因子,用SVM分类和ROC评估方法进行了对比分析,发现除FPS和LBCM单因子仍然得到较高的分类准确率和AUC外,组合因子FPS+LBCM和DBC+LBCM两种因子比其对应的单因子和其它组合因子有更高的分类准确率和AUC。(4)用ROC对三种多重分形方法进行对比研究。通过以盒合计值、小波系数和小波主要指数为测度对正常肝和肝癌超声图像进行多重分形分析,实验结果表明以盒合计值为测度矩阶g在[-1,1]范围内时获得了最大的AUC值,这表明盒合计值测度具有较强的捕捉肝脏超声图像纹理特征的能力,肝脏超声图像纹理特征属于低维的分形特征。
步红刚[9](2010)在《基于混合特征向量和单分类检测器的织物瑕疵自动检测研究》文中研究说明本文旨在研究和开发有实用价值的基于计算机视觉的机织物瑕疵自动检测算法。采用计算机视觉取代人眼进行织物瑕疵自动检测能够大幅度降低漏检率、提高生产效率、保证检测结果的稳定性、改善瑕疵信息管理以及产品质量监控等等。对织物瑕疵自动检测进行算法研究是实现织物瑕疵检测自动化的关键,也是自动验布机研制的基础,因此,检测算法的研究引起了国内外纺织学科、计算机科学与技术学科以及自动化学科等相关领域科技工作者的浓厚兴趣,并成了当今纺织学科前沿的一个研究热点和难点;而计算机视觉的纺织应用也成了当前以先进的科学技术改造和提升传统产业的大领域之一。因此,课题具有很好的理论意义和现实意义。能够实用的织物瑕疵自动检测算法必须全面符合检测准确性、单类分类性以及实时性要求。所谓检测准确性要求,即要求算法能够对绝大多数常见瑕疵的检测误检率和漏检率同时保持在较低水平。要满足这一要求,首要的就是要确保所提取的特征向量对绝大多数常见瑕疵具有较强的普适性,其次要确保检测器具有较高的精密度和对特征向量数据信息的深入挖掘能力。所谓单类分类性要求,即在检测器设计方面,要求检测器具有单类分类的功能,也即训练时只能依赖正常样本而不能借助瑕疵样本。因为织物瑕疵种类、外观形态和尺寸呈现多种多样,而织物纹理和结构亦千变万化,因而依赖瑕疵样本进行算法训练在实践中是无法实现的。由此可见,基于计算机视觉的织物瑕疵自动检测实质上是以纹理图像为分析对象的一种典型的单类分类模式识别任务。所谓实时性要求,即在检测速度方面,要求算法在数据预处理、特征提取以及判别检测阶段均能快速实现,使算法的全套流程均能满足实时要求。本文作者在算法研究开发过程中尽可能使算法满足上述要求,通过理论探索和检测实验提出了三套较为有效的织物瑕疵自动检测算法,这些算法无论在特征向量的提取还是单类分类检测器的设计方面都是织物瑕疵检测研究领域至今未见报道。本文的全文研究内容共分七章。第一章为绪论,介绍了本文选题的学术与行业背景,分析了作者所在的计算机视觉纺织应用课题组的前人在此领域的研究成果和不足之处,交代了本文的研究目标和全文框架。第二章是文献综述,在模式识别和纹理分析等相关基本概念介绍的基础上综述了近十五年来本领域国内外的重要文献,对与本论文相关的算法给予了重点讨论,指出了现有研究成果的价值与不足。第三章介绍了检测样本的采集和有关数据的预处理技术。这些都是后续第四、第五和第六章检测实践中均要涉及的共性问题。具体内容包括瑕疵样布收集、织物瑕疵种类与图像示例、织物纹理图像的获得与预处理、织物纹理图像子窗口尺寸的确定、纹理图像特征的有效性检验及特征值规范化处理、样本数据集及其分布、评估算法检测效果的考核指标体系等等。第四章介绍本文设计的第一套检测算法,即基于时间序列的自回归功率谱分析特征向量和单边距离检测器的织物瑕疵检测算法。该算法充分利用机织物纹理的周期性和经纬取向的特点以及多数瑕疵也呈现经纬取向的特点,采用基于Burg算法的低阶AR谱估计方法从织物图像的一维投影序列中提取有关特征,并结合自行设计的单边距离检测器来检测瑕疵。该方法运算量小,能够满足实时检测的要求,总平均误检率为6.71%时,总平均漏检率为13.53%,基本可以满足检测准确度的要求。第五章介绍本文设计的第二套检测算法,即基于时间序列多分形混合特征向量和单类模糊聚类检测器的织物瑕疵检测算法。为了更细致地描述瑕疵纹理、降低检测错误率,本文作者在研究本套算法时,提出了一种兼顾纹理概貌与细节信息、经向和纬向信息的混合特征向量提取思想。具体来讲,就是充分考虑了机织物纹理经纬取向的特点和利用了纹理基本循环参数,以分形特征为基础扩展成为多分形特征向量。该多分形特征向量包含一个概貌分形特征和四个细节分形特征,它们均在图像一维投影序列基础上提取。为了消除训练用原始正常样本数据分布可能存在不平衡的弊端,提高对训练数据的信息挖掘力度,本文作者自行设计了一种基于模糊c均值聚类(FCM)算法的单类分类检测器,并讨论了该检测器参数的优选问题。实验结果表明,本套算法总平均误检率为-4.93%时,总平均漏检率为5.06%,准确度较第一套算法大幅度改善。不足之处在于,该算法在四个细节分形特征提取时较为耗时,尤其是当织物密度较高时,这种情况更甚。第六章介绍本文设计的第三套检测算法,即基于分形概貌特征和Sobel滤波细节特征的混合特征向量和支持向量数据描述单类分类检测器的织物瑕疵检测算法。文中还对检测器相关参数的优化提出了更为可靠和实用的方法。本套算法在特征向量提取时沿用了第二套算法中提到的兼顾概貌与细节信息、经向和纬向信息的思想,不同之处在于,本套算法在细节特征提取时采用了与概貌特征即分形特征不同类别的一种特征,即在Sobel算子滤波基础上的仙农熵特征。本套算法的细节特征提取速度非常快,克服了第二套算法中细节特征提取运算量大的缺点,同时保留了上述混合特征向量提取思想的优点。此外,Sobel算子滤波基础上的特征与分形特征本身也具有很大的互补性,因而使得本套特征向量对纹理信息的描述更趋合理和全面。检测器方面,本套算法采用了一种先进的核函数机器学习方法,即支持向量数据描述(SVDD)。SVDD是一种特殊的单类分类支持向量机(SVM),能够有效地表征正常训练数据的分布,特别适合于各种异常检测的应用。实验结果表明,本套算法在总平均误检率为4.61%时,总平均漏检率为4.09%。本套算法在检测精度方面略优于检测效果较好的第二套算法,在检测速度方面则具有第一套算法的优点,因而是一套最具实用价值的算法。第七章是全文总结和后续研究展望。文中对上述三套算法的优缺点进行了小结,对本文的成果和不足进行了总结,还提出了后续研究的方向和重点。本文提出的三套检测算法是本文研究成果的综合表述,但在形成三套算法过程中的实质性成果主要是以下几个方面:1)兼顾纹理概貌与细节的特征提取思路考虑到织物瑕疵尺寸和外观形态的多样性以及单一特征对纹理描述的不足,结合织物纹理呈纵横取向和具有明显周期循环的特点,本文指出,所提取的多个特征对于纹理的描述应兼顾概貌与细节信息,以实现最大限度的特征互补进而更全面的纹理特点表征。本文第二套算法的多分形特征向量和第三套算法的由分形概貌特征和Sobel滤波细节特征组成的混合特征向量即是这种思路的体现,这与以往研究者只考虑单一方面的特征有很大不同。2)兼顾精密性和单类分类功能的检测器设计思想织物瑕疵的多样性和难以全面采集的特点决定了实用的检测器必须具有较深刻的数据挖掘能力和单类分类的功能。现有文献涉及的单类分类器主要是欧氏距离或某些简单的阈值法,这种检测器过于粗糙,难以深入地挖掘特征向量中隐含的信息;而现有文献中涉及的较精密和高级的检测器如神经网络或支持向量机又多不具备单类分类的功能,其模型的训练必须借助相当数量的瑕疵样本。有鉴于此,本文提出,织物瑕疵检测器在设计时应使其同时具备单类分类的功能和对信息更深层次挖掘的功能。本文第二套算法中的模糊c均值聚类单类分类检测器和第三套算法中的支持向量数据描述单类分类检测器即是这种设计思想的体现,且这两套检测器在织物瑕疵检测领域尚无应用先例,也无相关报导。3)检测算法全套流程中的实时性构思本文不仅仅追求检测算法的高检测准确性目标,也强调检测算法全套流程的实时性要求,为此,在算法设计的许多环节中都考虑到了这一点。例如,在图像预处理中提出了一种快速的消除光照不匀和增强图像对比度的算法。又如,利用机织物纹理和多数瑕疵具有经纬取向的特点,采用投影方式得到一维序列,从而使得特征提取在一维序列而不是二维图像基础上进行,极大地降低了计算量,AR谱特征和所有的分形特征的提取均是在一维时间序列基础上进行。又如,AR谱的估计选用具有递推特点的低阶Burg算法,使得涉及的计算量非常小。又如,为了保留第二套算法的特征向量对纹理描述细致的优点同时又降低计算量,第三套算法在细节特征方面以快速的Sobel滤波仙农熵特征取代了较为耗时的分形特征。再如,提出当数据量较大时,相应地采用较大的模糊c均值聚类加权指数以大幅度减少迭代次数,等等。4)基于织物纹理循环周期倍数的子窗口划分方法提出了依据织物的纹理循环周期倍数来划分子窗口的方法,从而提高了特征的稳定性,进而有助于检测错误率的降低。
徐文海[10](2010)在《基于分形理论的遥感影像纹理分析与分类研究》文中进行了进一步梳理随着遥感影像处理与分析的深入研究,人们发现仅仅利用波谱信息已经不能满足遥感应用的需要,而纹理特征作为遥感影像的重要信息之一,对于遥感影像的分类识别具有十分重要的作用。分形理论是非线性科学研究的一个活跃分支,由于分形维数与人类对图像表面纹理粗糙度的感知是一致的,利用分形理论进行遥感影像纹理分析具有潜在的理论和应用价值。本文首先介绍了目前广泛采用的纹理分析方法,对这些方法进行了归纳和总结。再以分形理论为基础,在Matlab平台下编写程序提取高分辨率的Worldview影像和中等分辨率的TM/ETM遥感影像的纹理特征,将获得的纹理特征与原始光谱信息相结合进行图像分割以及监督分类和非监督分类实验。通过实验分析,取得了以下研究成果:1.对于不同分辨率的影像,分形维数可以有效地反映出其纹理粗糙度,但采用不同的分形维数计算模型时效果不同,实验表明双毯覆盖模型比差分盒计数法的效果要好。2.相对于传统的灰度共生矩阵方法,在尺度选择适当时采用基于分形维数的纹理特征更能提高分类的精度,且受构造因子的影响较小。3.引入纹理特征后,影像的分类精度比单纯使用光谱信息有较大提高,不同纹理特征的组合对提高分类精度的贡献不相同,把基于分形维数和灰度共生矩阵的纹理特征相结合更有利于分类精度的提高。4.对图像变换处理后,利用原图像及其变换图像的多分维特征进行图像分割,效果要优于仅利用单分维特征的分割。本文的研究成果为基于分形理论的遥感影像纹理分析提供了有效的技术方法,为结合纹理特征的遥感影像分类提供技术指导和参考。
二、Texture image classification using multi fractal dimension(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Texture image classification using multi fractal dimension(论文提纲范文)
(1)基于彩色纹理特征的板材分类研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究目的及意义 |
1.2 板材纹理的国内外研究现状 |
1.3 本课题的研究内容与方案 |
1.4 论文章节安排 |
2 板材表面圈像的采集 |
2.1 图像采集系统 |
2.2 样本库的建立 |
2.3 图像预处理 |
2.4 本章小结 |
3 影色纹理分析方法 |
3.1 纹理基本概念 |
3.1.1 纹理定义 |
3.1.2 纹理类型与特性 |
3.2 纹理特征提取方法 |
3.2.1 统计法 |
3.2.2 频谱法 |
3.2.3 模型法 |
3.2.4 结构法 |
3.2.5 各类方法的优劣比较 |
3.3 颜色空间 |
3.3.1 RGB颜色空间 |
3.3.2 CMY颜色空间 |
3.3.3 L~*a~*b~*颜色空间 |
3.3.4 HSV颜色空间 |
3.4 颜色特征提取方法 |
3.4.1 颜色直方图 |
3.4.2 颜色矩 |
3.5 本章小结 |
4 板材表面影色纹理的模式识别方法 |
4.1 BP神经网络 |
4.1.1 BP神经网络结构 |
4.1.2 BP神经网络学习算法 |
4.1.3 BP神经网络设计 |
4.2 近邻法 |
4.2.1 最近邻法 |
4.2.2 K-近邻法 |
4.3 支持向量机 |
4.3.1 最优分类面 |
4.3.2 SVM结构模型 |
4.3.3 SVM核函数 |
4.4 本章小结 |
5 板材表面纹理及颇色特征的获取 |
5.1 Tamura纹理特征 |
5.1.1 Tamura纹理提取方法 |
5.1.2 Tamura纹理特征参数的获取 |
5.2 Gabor-Tamura纹理特征 |
5.2.1 Gabor滤波器纹理提取方法 |
5.2.2 Gabor-Tamura纹理特征参数的获取 |
5.3 颜色直方图特征参数的获取 |
5.4 颜色矩特征参数的获取 |
5.5 本章小结 |
6 板材分类实验与结果分析 |
6.1 不同分类器的分类实验 |
6.2 基于粒子群优化算法的SVM分类实验 |
6.2.1 粒子群算法 |
6.2.2 SVM分类器参数PSO优化 |
6.2.3 分类结果与分析 |
6.3 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
东北林业大学硕士学位论文修改情况确认表 |
(2)基于牛鼻纹理的牛个体识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 牛的个体识别现状研究 |
1.2.2 基于传统方法的图像识别方法研究 |
1.2.3 基于卷积神经网络的图像识别方法研究 |
1.3 本文研究内容 |
1.4 本文组织结构 |
第二章 相关理论基础 |
2.1 图像特征提取方法 |
2.1.1 LBP算法 |
2.1.2 Gabor滤波器 |
2.1.3 SURF算法 |
2.2 图像分类方法 |
2.2.1 KNN算法 |
2.2.2 决策树 |
2.2.3 支持向量机 |
2.3 迁移学习 |
2.4 本章小结 |
第三章 基于特征融合的牛鼻纹理图像识别方法 |
3.1 牛鼻纹理特征 |
3.2 数据获取以及处理 |
3.2.1 灰度处理 |
3.2.2 图像增强处理 |
3.2.3 图像尺寸归一化 |
3.3 混合特征提取 |
3.3.1 基于分块的LBP算法 |
3.3.2 韦伯局部描述符 |
3.3.3 改进的韦伯局部描述符 |
3.4 主成分分析降维 |
3.5 分类算法选择 |
3.6 实验结果与分析 |
3.6.1 LBP算法实验结果与分析 |
3.6.3 基于特征融合算法实验结果分析 |
3.7 本章小结 |
第四章 基于卷积神经网络的牛鼻纹理图像识别方法 |
4.1 基于CNN-12的牛鼻纹理图像分类模型 |
4.1.1 CNN-12模型的构建 |
4.1.2 优化器的选择 |
4.2 基于迁移学习的牛鼻纹理图像分类模型 |
4.2.1 基于VGGNet的网络结构 |
4.2.2 基于ResNet-18的网络结构 |
4.2.3 基于MobileNet的网络结构 |
4.3 实验结果与分析 |
4.3.1 基于CNN-12的识别结果与分析 |
4.3.2 基于迁移学习的识别结果与分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 本文总结 |
5.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(3)基于分形纹理的土地利用遥感信息提取研究与应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状与存在问题 |
1.2.1 纹理分析研究现状 |
1.2.2 分形理论用于纹理分析研究现状 |
1.2.3 影像分类研究现状 |
1.2.4 存在问题 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.3.3 论文创新点 |
2 分形的基本理论 |
2.1 分形概述 |
2.1.1 分形的定义 |
2.1.2 分形的发展历史与现状 |
2.2 分形维数 |
2.2.1 Hausdorff测度 |
2.2.2 Hausdorff维数 |
2.2.3 盒维数 |
2.2.4 自相似维数 |
2.2.5 容量维 |
2.3 遥感影像分形维数计算模型 |
2.3.1 分形布朗运动 |
2.3.2 双毯覆盖模型 |
2.3.3 差分盒维法 |
2.4 本章小结 |
3 研究区概况及数据处理 |
3.1 研究区概况 |
3.2 数据选取及预处理 |
3.3 分类及解译 |
4 基于分形纹理的影像分类 |
4.1 方法总体思路 |
4.1.1 影像分类 |
4.1.2 精度验证 |
4.2 GF1 数据分形波段及窗口选择 |
4.2.1 双毯覆盖模型分形波段及窗口选择 |
4.2.2 差分盒维法分形波段及窗口选择 |
4.2.3 精度比较 |
4.3 Landsat数据分形波段及窗口选择 |
4.3.1 双毯覆盖模型分形波段及窗口选择 |
4.3.2 差分盒维法分形波段及窗口选择 |
4.3.3 精度比较 |
4.4 本章小结 |
5 土地利用信息提取与应用 |
5.1 土地利用数量变化 |
5.2 土地利用结构变化 |
5.3 土地利用动态度 |
5.4 土地利用变化分析 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 不足与展望 |
致谢 |
参考文献 |
附录 |
(4)基于频谱的高分辨率遥感影像纹理尺度分析及选择(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 尺度问题的基本概述 |
1.2.1 尺度的定义 |
1.2.2 遥感尺度问题的研究 |
1.3 纹理尺度国内外研究现状 |
1.4 研究内容及方法 |
1.4.1 研究内容 |
1.4.2 纹理尺度选择方法 |
1.5 章节安排 |
2 遥感影像纹理尺度分析 |
2.1 纹理分析 |
2.2 基于灰度共生矩阵的纹理尺度分析 |
2.2.1 灰度共生矩阵方法原理 |
2.2.2 纹理尺度分析 |
2.3 基于分形理论的纹理特征尺度分析 |
2.3.1 分形方法原理 |
2.3.2 纹理尺度分析 |
3 联合频谱分析纹理尺度选择方法 |
3.1 图像频谱能量获取与频谱特性分析 |
3.1.1 图像频谱统计法 |
3.1.2 地物频谱特性分析 |
3.2 基于频谱统计分析的最佳纹理尺度选择方法 |
3.3 最佳纹理尺度选择 |
3.3.1 基于GLCM对比度特征图的最佳尺度选择 |
3.3.2 基于分形理论的纹理特征频谱分析及最佳尺度选择 |
3.3.3 基于局部方差的最优纹理尺度选择 |
4 基于最佳纹理窗口的分类实验 |
4.1 实验数据 |
4.2 实验验证 |
4.2.1 灰度共生矩阵方法验证试验 |
4.2.2 分形方法验证试验 |
4.2.3 频谱法与局部方差法的比较 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
一、个人简介 |
二、硕士期间发表的学术论文 |
(5)面向纹理图像识别的特征提取方法研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语 |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状以及存在的问题 |
1.2.1 研究现状 |
1.2.2 存在的问题 |
1.3 论文的主要工作与结构安排 |
2 基于局部特征描述和纹理基元学习的纹理特征提取方法研究 |
2.1 引言 |
2.2 纹理基元学习方法简介 |
2.3 本章方法描述 |
2.3.1 局部纹理特征描述 |
2.3.2 纹理基元字典学习 |
2.3.3 纹理基元编码和特征向量构建 |
2.3.4 分类器设计 |
2.4 实验与结果分析 |
2.4.1 纹理数据库和实验设置 |
2.4.2 最佳的纹理基元字典规模分析 |
2.4.3 纹理识别精度分析 |
2.4.4 实时性分析 |
2.5 本章小结 |
3 全局和局部编码Gabor特征融合的纹理特征提取方法研究 |
3.1 引言 |
3.2 Gabor滤波方法简介 |
3.3 本章方法描述 |
3.4 实验与结果分析 |
3.4.1 纹理数据库和实验设置 |
3.4.2 Gabor特征融合的最佳权值分析 |
3.4.3 Gabor滤波不同分量的识别性能分析 |
3.4.4 纹理识别精度分析 |
3.4.5 对训练样本个数的稳健性分析 |
3.4.6 实时性分析 |
3.5 本章小结 |
4 光照、旋转和尺度稳健的改进CLBP纹理特征提取方法研究 |
4.1 引言 |
4.2 基本的CLBP算法简介 |
4.3 本章方法描述 |
4.3.1 对光照变化的稳健性实现 |
4.3.2 对图像旋转的稳健性实现 |
4.3.3 对尺度变化的稳健性实现 |
4.3.4 多个半径的特征融合 |
4.3.5 本章方法的原理总结 |
4.4 实验与结果分析 |
4.4.1 纹理数据库和实验设置 |
4.4.2 最佳的高斯滤波次数分析 |
4.4.3 纹理识别精度分析 |
4.4.4 对训练样本个数的稳健性分析 |
4.4.5 实时性分析 |
4.5 本章小结 |
5 彩色纹理图像的特征提取方法研究 |
5.1 引言 |
5.2 颜色信息的作用和应用条件 |
5.3 彩色纹理图像的特征提取方法研究 |
5.4 实验与结果分析 |
5.4.1 彩色纹理图像特征提取和识别系统的构建 |
5.4.2 纹理数据库和实验设置 |
5.4.3 最佳的颜色量化等级个数分析 |
5.4.4 纹理识别精度分析 |
5.4.5 颜色信息的贡献分析 |
5.4.6 对训练样本个数的稳健性分析 |
5.4.7 实时性分析 |
5.5 本章小结 |
6 纹理图像特征提取方法的应用研究 |
6.1 引言 |
6.2 纹理图像特征提取方法的应用1:树皮分类 |
6.2.1 基于纹理特征提取的树皮分类系统设计 |
6.2.2 树皮纹理库和实验设置 |
6.2.3 树皮分类的结果分析 |
6.3 纹理图像特征提取方法的应用2:图像检索 |
6.3.1 基于纹理特征提取的图像检索系统设计 |
6.3.2 图像检索数据库和图像检索评价指标 |
6.3.3 图像检索实验和结果分析 |
6.4 纹理图像特征提取方法的应用3:纸币鉴别 |
6.4.1 基于纹理特征提取的纸币鉴别系统设计 |
6.4.2 纸币图像的倾斜校正 |
6.4.3 基于粗略颜色信息的纸币面额识别 |
6.4.4 基于灰度纹理特征的纸币真伪鉴别 |
6.4.5 纸币鉴别的结果分析 |
6.5 本章小结 |
7 总结与展望 |
7.1 论文工作总结 |
7.2 未来研究展望 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文和参加科研情况 |
(6)图像纹理分类方法研究进展和展望(论文提纲范文)
1 纹理分类的难点与挑战 |
2 纹理分类与纹理数据集 |
3 纹理特征提取方法研究进展 |
3.1 视觉词包模型 |
3.1.1 稀疏类纹理特征描述子 |
3.1.2 稠密类纹理特征描述子1) LM滤波器组方法 |
3.1.3 基于分形的纹理特征描述子 |
3.2 基于深度卷积网络的方法 |
3.3 基于纹理视觉属性的方法 |
4 对纹理分类的思考 |
5 结论 |
(7)作物诊断的叶片图像多重分形方法与建模 ——以油菜氮素营养和玉米病害诊断为例(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 本文的研究背景 |
1.2 本文的研究意义 |
1.3 国内外研究现状 |
1.3.1 基于叶片图像特征的营养、病害诊断的研究现状 |
1.3.2 多重分形理论在图像处理中的应用 |
1.4 本文的研究内容和目标 |
1.4.1 本文的研究内容 |
1.4.2 本文的研究目标 |
1.5 本文的结构安排 |
本章参考文献 |
第二章 叶片灰度图像非平稳性检测 |
2.1 引言 |
2.2 图像平稳性概述 |
2.2.1 图像平稳性定义 |
2.2.2 图像平稳性检测方法 |
2.2.3 图像平稳性检测实验 |
2.3 玉米叶片图像平稳性检测 |
2.4 本章小结 |
本章参考文献 |
第三章 纹理图像的多重分形去趋势波动分析 |
3.1 引言 |
3.2 一维纹理灰度值序列的多重分形去趋势波动分析 |
3.3 二维纹理图像的多重分形去趋势波动分析 |
3.3.1 全局多重分形去趋势波动分析 |
3.3.2 局部多重分形去趋势波动分析 |
3.4 图像纹理特征提取方法的稳定性比较 |
3.4.1 抗噪声能力比较 |
3.4.2 抗图像压缩能力比较 |
3.4.3 抗图像模糊化能力比较 |
3.5 图像分割的对比实验 |
3.5.1 对局部多重分形去趋势波动分析算法的评估 |
3.5.2 多种分割方法的对比实验 |
3.5.3 图像加噪后的分割实验 |
3.6 本章小结 |
本章参考文献 |
第四章 基于局部多重分形去趋势波动分析的叶片图像分割方法 |
4.1 引言 |
4.2 基于标准多重分形谱的图像分割方法 |
4.2.1 二维图像的多重分形特征参数 |
4.2.2 基于标准多重分形谱的分割 |
4.3 基于局部多重分形去趋势波动分析的图像分割方法 |
4.3.1 局部纹理特征提取 |
4.3.2 基于局部广义Hurst指数谱的分割 |
4.4 其他经典图像分割及边缘检测方法 |
4.4.1 基于阈值的分割 |
4.4.2 基于区域生长的分割 |
4.4.3 基于模糊C均值聚类的分割 |
4.4.4 基于微分算子的边缘检测方法 |
4.4.5 基于拉普拉斯算子的边缘检测方法 |
4.4.6 基于Canny算子的边缘检测方法 |
4.5 油菜缺素叶片图像的分割实验 |
4.5.1 实验材料 |
4.5.2 结果与分析 |
4.6 玉米病害叶片图像的分割实验 |
4.6.1 实验材料 |
4.6.2 结果与分析 |
4.7 本章小结 |
本章参考文献 |
第五章 基于叶片图像多重分形特征的油菜氮营养诊断模型 |
5.1 引言 |
5.2 实验材料 |
5.3 建模及识别、检验的数学方法 |
5.3.1 线性回归模型(Regress) |
5.3.2 稳健回归模型(Robust) |
5.3.3 多项式回归(Ployfit) |
5.3.4 逐步判别回归(Stepwise) |
5.3.5 费歇尔线性分类器(Fisher’s LDA) |
5.3.6 极限学习机(ELM) |
5.3.7 支持向量机(SVM) |
5.3.8 随机森林法(Random Forests) |
5.3.9 K-最近邻方法(KNN) |
5.3.10 方差分析(AVONA) |
5.4 叶片图像纹理的特征提取 |
5.5 油菜氮营养定量诊断模型 |
5.5.1 定量建模样本集 |
5.5.2 纹理特征参数与氮指标相关性分析 |
5.5.3 回归方法的比较 |
5.5.4 回归模型建立 |
5.6 油菜氮营养定性诊断模型 |
5.6.1 定性诊断样本集 |
5.6.2 特征参数选取 |
5.6.3 特征参数的显着性检验 |
5.6.4 模型结果与分析 |
5.7 本章小结 |
本章参考文献 |
第六章 总结和展望 |
6.1 本文的主要结论 |
6.2 本文的创新点 |
6.3 下阶段的研究展望 |
致谢 |
附录:读博期间的科研工作 |
(8)肝癌超声图像纹理特征识别中的关键技术研究(论文提纲范文)
摘要 |
Abstract |
目录 |
1 绪论 |
1.1 分形方法对肝癌超声纹理图像特征识别的意义 |
1.2 纹理特征与模型分析方法 |
1.3 模型方法对肝癌超声图像纹理特征进行研究的现状 |
1.4 研究的内容 |
1.5 论文的结构 |
2 分形理论及其参数估计方法 |
2.1 分形理论 |
2.1.1 分形理论产生的背景 |
2.1.2 分形理论的发展 |
2.1.3 分形的定义 |
2.2 分形性质 |
2.2.1 自然界中的分形 |
2.2.2 分形的性质 |
2.3 分形维数 |
2.3.1 拓扑维数 |
2.3.2 分形维数或Hausdorff维数 |
2.3.3 相似维数 |
2.3.4 分维基本估计方法 |
2.3.5 数字图像(二维数据)分维计算方法 |
2.4 孔隙度原理及其计算方法 |
2.4.1 孔隙度原理及一些主要性质 |
2.4.2 孔隙度计算方法 |
2.5 本章小结 |
3 肝癌超声图像纹理分形特征分析 |
3.1 超声波成像原理及肝脏超声图像样本信息 |
3.1.1 超声波成像原理及肝癌超声回声特征 |
3.1.2 肝脏超声图像资料及相关信息 |
3.2 分维方法 |
3.2.1 Blanket方法 |
3.2.2 FPS方法 |
3.2.3 FBM方法 |
3.3 正常肝和肝癌超声图像纹理分维特征统计分析 |
3.4 噪声和个体对分维方法结果的影响 |
3.5 孔隙度方法 |
3.5.1 Mandelbrot定义法 |
3.5.2 滑动盒(gliding box)算法 |
3.6 正常肝和肝癌超声图像纹理孔隙度特征统计分析 |
3.7 本章小结 |
4 肝癌超声图像纹理分形特征分类性能评估 |
4.1 支持向量机与其对应的统计学习理论 |
4.1.1 概述 |
4.1.2 学习问题的表示 |
4.1.3 统计学习理论的核心内容 |
4.1.4 支持向量机 |
4.1.5 支持向量机实现工具libsvm简介 |
4.2 分类器性能评价标准和ROC曲线 |
4.2.1 分类器性能评价标准 |
4.2.2 ROC曲线和AUC |
4.3 肝脏超声图像分维特征和孔隙度特征ROC评估 |
4.3.1 分维特征ROC分析 |
4.3.2 孔隙度特征的ROC分析 |
4.4 肝脏超声图像分维特征和孔隙度特征的SVM分类分析 |
4.4.1 分维特征的SVM分类 |
4.4.2 孔隙度特征的SVM分类 |
4.5 本章小结 |
5 肝癌超声图像纹理特征分类中分维和孔隙度的协同作用 |
5.1 引言 |
5.2 结果分析 |
5.2.1 统计分析 |
5.2.2 肝脏超声图像纹理分形和孔隙度特征分析 |
5.2.3 SVM分类及其分形和孔隙度的协同作用 |
5.2.4 SVM分类性能的ROC评估 |
5.3 本章小结 |
6 肝癌超声图像纹理特征的多重分形分析 |
6.1 多重分形原理及其数学表示 |
6.1.1. 以盒的合计值为测度的多重分形的描述 |
6.1.2 以小波系数(wavelet coefficient)为测度的多重分形描述 |
6.1.3 以小波主要指数(wavelet leaders)为测度的多重分形描述 |
6.2 正常肝和肝癌超声图像纹理多重分形特征个例分析 |
6.3 肝癌超声图像纹理特征的多重分形分析 |
6.3.1 q在不同数值范围内多重分形的奇异性强度α幅值的ROC分析 |
6.3.2 q ∈[-1,1]时三种测度的奇异性强度α幅值的ROC分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.1.1 总结 |
7.1.2 存在的问题 |
7.2 展望 |
参考文献 |
攻读学位期间的主要研究成果 |
致谢 |
(9)基于混合特征向量和单分类检测器的织物瑕疵自动检测研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题的行业背景与意义 |
1.2 课题的学术背景与意义 |
1.3 所在课题组已有的研究进展和存在的问题 |
1.4 本课题的研究目标 |
1.5 学位论文总体框架 |
参考文献 |
第二章 文献综述 |
2.1 模式识别和纹理分析有关术语和概念简介 |
2.1.1 模式识别的基本概念 |
2.1.2 纹理图像特征提取方法简介 |
2.1.3 典型异常检测器或分类器简介 |
2.2 文献综述 |
2.2.1 基于结构的特征提取 |
2.2.2 基于统计的特征提取 |
2.2.2.1 直接采用像素灰度值 |
2.2.2.2 像素灰度值基础上的简单统计特征提取 |
2.2.2.3 直方图统计特征提取 |
2.2.2.4 自相关函数法 |
2.2.2.5 Laws纹理能量度量法 |
2.2.2.6 Sobel算子 |
2.2.2.7 独立成分分析 |
2.2.2.8 数字滤波器 |
2.2.2.9 灰度差分方法 |
2.2.2.10 灰度共生矩阵 |
2.2.3 基于模型的特征提取 |
2.2.3.1 高斯-马尔科夫随机场模型 |
2.2.3.2 Wold纹理模型 |
2.2.3.3 分形模型 |
2.2.3.4 聚类模型 |
2.2.4 基于信号处理的特征提取 |
2.2.4.1 傅里叶变换 |
2.2.4.2 Gabor变换 |
2.2.4.3 小波及小波包变换 |
2.3 对现有文献的总体分析和评价 |
参考文献 |
第三章 检测样本采集与数据预处理 |
3.1 简单组织织物瑕疵样布收集及瑕疵种类与图像示例 |
3.2 织物纹理图像的获得与预处理 |
3.3 织物纹理图像子样本尺寸的确定 |
3.4 纹理图像特征的有效性检验及特征值规范化预处理 |
3.5 样本数据集及其分布 |
3.6 评估算法检测效果的考核指标体系 |
3.7 本章小结 |
参考文献 |
第四章 基于时间序列的自回归谱分析特征向量和单边距离检测器的织物瑕疵检测 |
4.1 引言 |
4.2 时间序列的Burg AR谱估计原理 |
4.2.1 功率谱密度和谱估计简介 |
4.2.2 AR模型简介 |
4.2.3 Burg算法简介 |
4.3 时间序列的AR谱特征提取 |
4.3.1 特征提取基本思路 |
4.3.2 AR模型阶数选择与特征提取 |
4.4 特征有效性的初步验证 |
4.4.1 必要说明 |
4.4.2 实例分析 |
4.4.3 常见瑕疵特征的有效性初步验证结果汇总 |
4.5 单边距离检测器设计 |
4.6 实验与结果讨论 |
4.6.1 实验流程 |
4.6.1.1 检测算法的训练流程图 |
4.6.1.2 检测算法的检测流程图 |
4.6.2 检测结果汇总与分析 |
4.6.3 实际检测效果示例 |
4.7 本章小结 |
参考文献 |
第五章 基于时间序列多分形特征向量和单类模糊聚类检测器的织物瑕疵检测 |
5.1 引言 |
5.2 分形定义与盒维数简介 |
5.2.1 分形的定义 |
5.2.2 分形维与计盒维 |
5.3 时间序列多分形特征的提取 |
5.4 特征有效性的初步验证 |
5.4.1 必要说明 |
5.4.2 实例分析 |
5.4.3 常见瑕疵的特征有效性初步验证结果汇总 |
5.5 模糊c均值聚类模型介绍 |
5.5.1 模糊聚类分析简介 |
5.5.2 FCM算法的理论背景 |
5.5.2.1 数据集的c划分 |
5.5.2.2 聚类目标函数 |
5.5.2.3 FCM算法流程 |
5.6 单类模糊聚类检测器的构造 |
5.6.1 单类模糊c均值聚类检测器的原理 |
5.6.2 单类模糊c均值聚类检测器的参数优选 |
5.7 单类模糊c均值聚类检测器的具体训练过程 |
5.8 实验与结果讨论 |
5.8.1 实验流程图 |
5.8.1.1 检测算法的训练流程图 |
5.8.1.2 检测算法的检测流程图 |
5.8.2 检测结果汇总与分析 |
5.8.3 部分检测效果示例图 |
5.9 本章小结 |
参考文献 |
第六章 基于分形概貌特征与Sobel滤波细节特征的混合特征向量和支持向量数据描述检测器的织物瑕疵检测 |
6.1 引言 |
6.2 Sobel滤波算子简介 |
6.3 基于Sobel滤波的局部特征提取具体方案 |
6.4 特征有效性的初步验证 |
6.4.1 必要说明 |
6.4.2 实例分析 |
6.4.3 常见瑕疵的特征有效性初步验证结果汇总 |
6.5 SVDD检测器介绍 |
6.5.1 统计学习理论与模式分析的核方法简介 |
6.5.2 SVDD的原理 |
6.6 SVDD参数的优选 |
6.6.1 SVDD中有关参数的说明 |
6.6.2 参数优选的具体方法 |
6.7 实验与结果讨论 |
6.7.1 实验流程图 |
6.7.1.1 检测算法的训练流程图 |
6.7.1.2 检测算法的检测流程图 |
6.7.2 检测结果汇总与分析 |
6.7.3 部分检测效果示例图 |
6.8 本章小结 |
参考文献 |
第七章 全文总结与展望 |
7.1 研究内容的简要回顾与三套检测算法的性能比较 |
7.2 本文在瑕疵检测算法方面的主要研究成果 |
7.3 本文的不足与后续研究重点 |
参考文献 |
附录一 第四章特征有效性检验实例的特征值计算结果 |
附录二 第四章算法对各类瑕疵的检测表格汇总 |
附录三 第五章特征有效性检验实例的特征值计算结果 |
附录四 第五章算法对各类瑕疵的检测表格汇总 |
附录五 第六章特征有效性检验实例的特征值计算结果 |
附录六 第六章算法对各类瑕疵的检测表格汇总 |
附录七 全文三套检测算法的检测效果示意图 |
攻读博士学位期间发表学术论文情况 |
致谢 |
(10)基于分形理论的遥感影像纹理分析与分类研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 论文的研究意义 |
1.2 纹理的定义 |
1.3 研究现状 |
1.3.1 纹理分析研究现状 |
1.3.2 分形理论用于纹理分析研究现状 |
1.4 论文的研究内容及创新之处 |
1.4.1 研究内容 |
1.4.2 创新之处 |
第二章 分形的基本理论 |
2.1 分形概述 |
2.1.1 分形的发展历史和现状 |
2.1.2 分形的定义 |
2.2 分形维数 |
2.2.1 Hausdorff测度 |
2.2.2 Hausdorff维数 |
2.2.3 盒维数 |
2.2.4 自相似维数 |
2.2.5 容量维 |
2.3 遥感影像分形维数计算模型 |
2.3.1 分形布朗运动 |
2.3.2 双毯覆盖模型 |
2.3.3 差分盒计数 |
2.3.4 性能比较 |
2.4 本章小结 |
第三章 分形在遥感影像纹理分析中的应用 |
3.1 基于多分维特征的遥感影像纹理分割 |
3.1.1 图像变换 |
3.1.2 分形维数计算 |
3.1.3 特征平滑 |
3.1.4 实验结果及分析 |
3.2 结合分形纹理的遥感影像分类 |
3.2.1 遥感影像分类方法 |
3.2.1.1 监督分类 |
3.2.1.2 非监督分类 |
3.2.2 结合分形纹理的遥感影像分类方法 |
3.3 本章小结 |
第四章 基于分形的多光谱遥感影像监督分类 |
4.1 数据准备 |
4.2 训练区选择 |
4.3 影像纹理特征提取 |
4.3.1 基于灰度共生矩阵的纹理特征 |
4.3.2 基于双毯法分形维数的纹理特征 |
4.3.3 基于差分盒维的纹理特征 |
4.4 实验结果及评价 |
4.5 本章小结 |
第五章 基于分形的多光谱遥感影像非监督分类 |
5.1 数据准备 |
5.2 影像纹理特征提取 |
5.3 实验结果及评价 |
5.4 本章小结 |
第六章 结论及展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 |
致谢 |
发表论文、参加学术会议和科研项目情况 |
四、Texture image classification using multi fractal dimension(论文参考文献)
- [1]基于彩色纹理特征的板材分类研究[D]. 林鑫. 东北林业大学, 2021(08)
- [2]基于牛鼻纹理的牛个体识别技术研究[D]. 丛思安. 中央民族大学, 2020(01)
- [3]基于分形纹理的土地利用遥感信息提取研究与应用[D]. 黄旭红. 中国地质大学(北京), 2020(09)
- [4]基于频谱的高分辨率遥感影像纹理尺度分析及选择[D]. 曹敏. 中国地质大学(北京), 2020(11)
- [5]面向纹理图像识别的特征提取方法研究[D]. 王军敏. 西北工业大学, 2019(04)
- [6]图像纹理分类方法研究进展和展望[J]. 刘丽,赵凌君,郭承玉,王亮,汤俊. 自动化学报, 2018(04)
- [7]作物诊断的叶片图像多重分形方法与建模 ——以油菜氮素营养和玉米病害诊断为例[D]. 王访. 湖南农业大学, 2013(07)
- [8]肝癌超声图像纹理特征识别中的关键技术研究[D]. 季桂树. 中南大学, 2013(03)
- [9]基于混合特征向量和单分类检测器的织物瑕疵自动检测研究[D]. 步红刚. 东华大学, 2010(05)
- [10]基于分形理论的遥感影像纹理分析与分类研究[D]. 徐文海. 中南大学, 2010(01)