应用改进的灰度共生矩阵识别木材纹理多重特征值

目前木材的主要分类方式是由人的经验进行分类,分类的好坏取决于人的经验。因此机器自动检测分类木材种类变得迫在眉睫,目前机器识别木材种类最主要的方法是应用灰度共生矩阵(GLCM)提取木材纹理特征识别木材种类。但是基于灰度共生矩阵(GLCM)特征提取分类存在缺陷,这是由于木材图片旋转再识别时导致分类精度下降。本研究应用改进的灰度共生矩阵(I-GLCM)提取木材多重特征值,较前人提取的灰度共生矩阵(GLCM)识别木材种类,具有旋转不变性。应用matlab模式识别算法进行训练、分类。结果表明,应用本方法对木材进行分类,分类精度比应用灰度共生矩阵(GLCM)精度高,分类效果较好,是一种新的木材识别方法。     

半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法，以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换，再以任一像素点为中心，取适当的距离提取八个方向的像素相关值作为图像的特征向量，最后将提取的特征通过BP神经网络进行分类。实验结果表明，提出的算法适用于二值图像的特征提取，能够降低局部二值模式的特征维数，提高时间效率和空间利用率；相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

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。     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。      

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。      

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法

为实现鲜烟叶采收部位的数字化识别,进一步提升采收鲜烟叶素质的一致性,利用轮廓纹理特征和线性判别分析（LDA）技术对不同着生部位鲜烟叶进行研究,首先,对采集的鲜烟叶图像进行图像缩放、灰度化、二值化等预处理操作,提取狭长度、矩形度等4个轮廓特征参数,进而提取鲜烟叶图像的灰度共生矩阵（GLCM）特征,并通过LDA进行特征降维,之后利用K近邻算法（KNN）对鲜烟叶部位进行分类。结果表明,所提取未经降维处理的轮廓纹理特征在不同分类模型中的识别准确率均达到0.80以上,可有效反映鲜烟叶部位特征。相对于主成分分析（PCA）处理和未经降维处理,采用LDA降维处理的模型识别准确率最高。所构建的基于KNN算法的鲜烟叶部位识别模型,其精确率、召回率、F1分数、准确率均达到0.99,能够较好地识别鲜烟叶着生部位。     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

基于计算机视觉和XGBoost的虾体活力检测

以南美白对虾为研究对象,提出一种基于计算机视觉和XGBoost的虾体活力检测方法：跟踪对虾应激前后的运动轨迹,提取运动行为特征参数;根据应激性红体现象提取对虾的颜色特征,通过灰度共生矩阵(GLCM)提取虾体应激形成水面波动的纹理特征;运用XGBoost 算法筛选出评价因子,通过加权融合确定评价因子的最佳权重;根据融合后特征对虾体活力强度进行检测。结果表明,提出的方法决定系数为0.905 6,识别准确率为98.61%,较单一颜色、单一纹理以及光流与纹理相结合的方法,识别准确率分别提高6.63%、2.05%和1.61%。     

依据彩色共生矩阵对木质板材的识别

为了实现对木质板材种类识别智能化,提出一种基于彩色灰度共生矩阵的识别方法。将原彩色图像色调、饱和度、明度颜色空间3个通道的图像作为伪灰度图像,分别获取其灰度共生矩阵纹理特征参数,组成一个42维特征向量。使用遗传算法进行特征选择后,得到优化后的22维特征向量,在此特征向量形成的特征空间中,概率神经网络(PNN)分类器的识别率为96.0%。试验结果表明,此方法用于解决木质板材分类识别的问题是可行的。     

Identification of nine Iranian wheat seed varieties by textural analysis with image processing

Applying machine vision techniques to classify wheat seeds based on their varieties is an objective method which can increase the accuracy of this process in real applications. In this study, several textural feature groups of seeds images were examined to evaluate their efficacy in identification of nine common Iranian wheat seed varieties. On the whole, 1080 gray scale images of bulk wheat seeds (120 images of each variety) were acquired at a stable illumination condition (florescent ring light). Totally, 131 textural features were extracted from gray level, GLCM (gray level cooccurrence matrix), GLRM (gray level run-length matrix), LBP (local binary patterns), LSP (local similarity patterns) and LSN (local similarity numbers) matrices. The so-called stepwise discrimination method was employed to select and rank the most significant textural features of each matrix individually as well as features of all matrices simultaneously. LDA (linear discriminate analysis) classifier was employed for classification using top selected features. The average classification accuracy of 98.15% was obtained when top 50 of all selected features were used in the classifier. The results confirmed that LSP, LSN and LBP features had a significant influence on the improvement of classification accuracy compared to previous studies.     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

一种基于混合纹理特征的木板材表面缺陷检测方法

利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。     

叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法

针对基于叶片特征进行树种识别的问题,本文在结合叶片纹理、不变矩以及传统形状共25维传统特征的基础上,自定义了叶尖角、边角均值等2个叶片轮廓特征,并以相似多边形定义及其推论作为理论依据,提出了一种基于叶片轮廓构建距离矩阵与角点矩阵进行树种识别的分类方法。该方法首先对树木叶片图像进行预处理,提取出归一化的叶片特征向量,然后利用KNN最近邻分类器筛选出相似度最高的前20个结果集(Top 20),然后构建距离矩阵和角点矩阵进行更为精确的识别匹配。在图像预处理阶段,为获取更为准确的叶片轮廓特征,利用叶片在HSV颜色空间中饱和度特征以及色度特征方面的显著差异性,设计了一种消除叶片阴影的图像预处理算法。在识别匹配阶段,利用Douglas Peucker approximation算法提取叶片轮廓的近似多边形,定义了距离矩阵、角点矩阵、矩阵中元素间相似度、矩阵相似度以及综合相似度计算方法,设计了全局匹配与局部匹配相结合的算法。该算法在Android系统的手机平台上进行了实现和运行验证,结果表明:在Flavia数据集中,对32种共1 907个正常叶片样本的识别准确率为99.61%,对32种共851个残叶样本的准确率为94.92%;在Leafsnap数据集中,对185种共23 147个Lab样本前5个结果集(Top 5)的识别准确率为98.26%。相对其他算法,该算法识别准确率更高,对叶片外形描述能力更强,对残叶、扭曲叶、阴影叶具有更好的鲁棒性,算法的实用性和适应性更强。      

基于无人机多光谱影像和随机森林的蔬菜识别

实时准确的蔬菜种植信息是实现水肥精准管理和产量准确估算的重要基础。对无人机多光谱影像进行分割，以光谱特征（spectrum features，SPEC）为基础，分别引入指数特征（index features，INDE）、纹理特征（grey-level co-occurrence matrix features，GLCM）和几何特征（geometric features，GEOM）构建8个分类方案（S1～S8），使用随机森林算法进行分类并分析分类效果。结果表明，方案S5（SPEC+GLCM+INDE）的分类效果最好，总体精度和Kappa系数分别为92.75%和0.92。几何特征的引入降低了分类精度，而纹理和指数特征则与其相反；仅依靠光谱、指数和纹理特征仍难以有效区分白菜和包菜，为提高精度后续研究有必要引入植株高度等特征；在4大类特征中，重要性排在首位的是光谱特征，其次为指数特征。基于无人机多光谱影像和随机森林算法能获得较高的蔬菜分类精度，并能确认影响精度的重要特征，可为其他作物的精准识别提供借鉴。     

基于透射光和反射光图像同位分割的小麦品种识别方法研究

为提高基于机器视觉的小麦品种识别准确性,本文通过透射光和反射光同位图像分割对种子颜色特征参数进行了优化提取.采用透射光图像辅助反射光图像分割的方式从种子图像中分割出胚部区域,并分别提取小麦整粒、种胚、胚乳区域的颜色特征参数.以济麦22、济麦44、京麦9、京麦11共4个品种种子作为研究对象,利用HALCON机器视觉软件获...     

木材表面缺陷特征轮廓提取算法研究

虫眼、活节和死节是最常见的木材表面缺陷,是木材分选过程主要的识别目标,精确提取木材表面缺陷轮廓特征能大幅提高木材分选的准确率。本研究提出一种针对木材表面虫眼、活节、死节缺陷轮廓提取方法。针对木材表面常见黑点和纹理等非线性噪声,使用中值滤波方法平滑图像。然后分别应用OTSU算法与全局阈值分割算法分离图像背景与目标,对结果二值图像使用数学形态学方法进行滤除和填充,最终用sobel算子提取缺陷边缘。结果表明,采用OTSU算法分割和数学形态学相结合的方法可以很好地提取木材表面缺陷特征,用sobel算子能够提取到比较完整、准确、连续的木材表面缺陷边缘轮廓,提高了目标图像的可视性和精准性。