基于Gabor小波和支持向量机的掌纹识别算法的研究

掌纹识别作为1种新兴的生物识别技术,因其识别区域大、易采集、精度高和可靠性高等优点得到了较快的发展。本文提出基于Gabor小波和支持向量机的掌纹识别算法。算法主要分三个步骤,首先将掌纹图像用5个尺度4个方向的2DGabor滤波器组对图像进行滤波并下采样得到Gabor特征矩阵,之后用二维主成分分析(two-dimen-sional principle component analysis2,DPCA)进行降维,最后将得到的特征向量送进支持向量机(support vector machine,SVM)进行学习分类。实验结果表明,该算法能够很好的解决小样本识别问题,有效的提高掌纹识别率。     

基于支持向量机的电气设备运行状态图像识别方法研究

针对电气设备运行状态图像的特点,提出将支持向量机（SVM）分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K—L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明：支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。     

轮廓波域Entropy—Fourier旋转不变算子在纹理分类中的应用

针对图像的旋转问题,提出一种基于contourlet域的旋转不变纹理描述算子.对contourlet变换后的系数进行处理,提取子带香农熵作为特征向量,然后对各个尺度的特征向量进行离散傅立叶变换,得到旋转不变的纹理特征.利用傅立叶谱的对称性,将特征向量进一步降维.最后采用支持向量机和欧式距离对纹理图像进行分类.在包含1456幅图像的自建图像库中进行分类实验,结果表明该方法在低计算复杂度的优势下,能获得较好的分类性能.     

基于纹理特征和支持向量机的玉米病害的识别

针对玉米病害叶片彩色纹理图像的特点，提出一种将支持向量机和色度矩分析应用于玉米病害识别的方法。首先利用色度矩提取玉米病害叶片纹理图像的特征向量，然后将支持向量机分类方法应用于病害的识别。玉米病害纹理图像识别实验结果表明：支持向量机分类方法对于病害分类训练样本较少时，具有良好的分类能力和泛化能力，适合于玉米病害的分类。不同分类核函数的相互比较分析表明，径向基核函数最适合于玉米病害的分类识别。     

基于双编码遗传算法的支持向量机作物病害图像识别方法

为了实现作物病害的计算机识别,采用基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法,对病害图像增强处理,彩色病斑分割,特征参数提取,构建双编码遗传算法优化特征子集,并赋予权重的一对一投票策略支持向量机来分类识别作物病害进行研究.结果表明:在同等条件下,该方法与没有采用遗传算法的支持向量机相比,特征向量减少了38％,正确率提高了6.29％.     

基于近红外光谱的纽荷尔脐橙产地识别研究

【目的】中国柑橘产区分布广、生态类型复杂,不同产地纽荷尔脐橙果实品质和市场效应具有较大差异。研究基于近红外光谱技术的柑橘产地识别技术,利于不同柑橘产地果品的识别和鉴伪。【方法】从中国南方17个纽荷尔脐橙主要产地选择代表性成年果园,分别采摘成熟鲜果样品100个。利用SupNIR-1500近红外分析仪采集脐橙果实赤道部、肩部表面以及果汁滤液的近红外反射光谱,光谱波长范围为1 000-2 499 nm。采用主成分分析法对原始光谱数据进行预处理,提取近红外光谱的特征信息以降低数据集维度以及噪声。研究人工神经网络理论,构建由一个输入层、一个具有非线性激励函数的隐藏层和一个输出层组成的典型的3层人工神经网络识别模型。研究由径向基函数作为核函数、以光谱主成分作为输入的支持向量机模型,构建由126个分类器组成的一对一扩展支持向量机模型。研究遗传算法优异的自然选择特性,利用遗传算法从光谱主成分中选择出最优的特征基因子集作为支持向量机的输入,构建遗传算法-支持向量机模型。利用3种模型分别对果汁滤液的近红外反射光谱数据进行分类,从而实现产地识别测试,并根据产地识别精度筛选出最优的产地识别模型。进一步对比该最优识别模型对果实赤道部、肩部反射光谱数据的识别精度,从而确定识别精度最高的光谱数据采集源。【结果】利用所建立的3层人工神经网络模型对纽荷尔脐橙果汁滤液的近红外光谱进行产地识别测试,确定当输入神经元数量为11、隐藏神经元数量为13时,模型对果实产地识别的最佳精度达81.45%。采用一对一扩展方式建立支持向量机产地识别模型,研究确定采用径向基函数作为核函数,当主成分数量为20时,脐橙产地识别精度最高可达86.98%。测试利用遗传算法-支持向量机混合模型进行脐橙产地分类识别,确定当种群数量为200、遗传代数为100、交叉概率0.7、突变概率0.01时,遗传算法选择出最优的基因子集进行产地识别,遗传算法-支持向量机模型的产地识别精度最高可达89.72%,优于人工神经网络分类模型和支持向量机分类模型的产地识别精度。进一步利用遗传算法-支持向量机产地识别模型对果实赤道部及肩部的果面反射光谱进行产地识别测试,得到对应的最高识别精度分别为80.00%和69.00%。【结论】遗传算法-支持向量机模型对果汁反射近红外光谱进行产地识别精度最高,优于人工神经网络模型和支持向量机模型。该模型对果实赤道部反射光谱进行分类的精度次于果汁滤液反射光谱但优于果实肩部反射光谱,因此,可利用赤道部的反射光谱实现非破坏性果实产地分类识别。     

基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于S变换谱图纹理特征的输油泵轴承故障诊断

为了实现输油泵轴承故障的智能诊断与识别,针对输油泵轴承振动信号S变换时频图包含丰富故障信息的特点,提出了一种利用纹理分析对S变换等高线时频图进行特征提取的输油泵滚动轴承智能故障诊断方法。该方法对轴承振动信号进行S变换,将S变换获得的等高线时频图作为纹理图像进行分析,提取其Tamura纹理特征中的粗糙度、对比度、方向度作为纹理特征组成特征向量,采用支持向量机作为分类器实现轴承故障的智能诊断。通过实测轴承故障信号表明:该方法能够获得较高的故障模式分类精度,实现滚动轴承的自动故障识别,因而具有较高的工程应用价值。     

基于支持向量机的油菜缺素诊断研究

针对油菜常见的缺素现象,提出将支持向量机应用于油菜缺素种类识别。首先,确定支持向量机 分类过程中所用的特征值,选择RGB 和HSV 颜色空间中的分量作为颜色特征,选择能量、熵、对比度、相关 性的均值和方差作为纹理特征;其次,将支持向量机用于分类模式识别,并与神经网络分类识别进行比较,仿 真结果表明：支持向量机的分类精度高,性能更好;最后,通过遗传算法对支持向量机参数进行优化,可以看 到最终的分类准确率有所提升,起到了优化的效果。     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.