基于联合特征与中心方向信息的图像哈希算法

为了提高哈希技术对旋转操作的识别能力,提出了全局-局部联合特征耦合中心方向信息估计的图像哈希认证技术.首先,引入2D线性插值技术,对输入的图像进行预处理,使其对任意的缩放操作都具有固定尺寸的哈希序列;然后,将预处理图像转变为HSV彩色空间,借助二维离散小波变换(Discrete Wave Transform,DWT)处理V分量,利用其低频系数形成二次图像;再引入奇异值分解(Singular Value Decomposition,SVD)处理二次图像,提取其全局特征,将其作为第一个中间哈希序列;基于Fourier机制,借助残差方法,确定图像的显著区域,获取其位置与纹理的局部特征,作为第二个中间哈希序列;随后,引入Radon变换,通过计算图像的中心方向信息,将其与2个中间哈希序列组合,形成过渡哈希数组;借助Logistic映射,定义动态引擎参数,从而设计了分段异扩散技术,对过渡哈希数组进行加密,输出最终的哈希序列;最后,通过估算原始哈希序列与待检测哈希序列的Hamming距离,将其与用户阈值进行比较,完成图像认证.实验结果显示:与当前的图像哈希技术相比,所提算法具有更高的鲁棒性与安全性,对旋转攻击能力具有更好的识别能力.     

符号树的最小秩问题

对于符号模式矩阵P,可借助于它的伴随图来分析P的符号特征.本文研究了对称符号树和非对称符号树的最小秩问题,并将符号树转换为有向二部图,给出了计算对称符号树和非对称符号树的最小秩的算法.     

基于数据挖掘技术的乳腺癌亚型识别方法

随机森林算法可对特征进行重要性排序,并能提高运行效率和分类的准确率.采用方差分析、随机森林算法对乳腺癌基因进行筛选,使得用随机森林算法、支持向量机算法和k近邻算法测试集的准确率分别达到95.6%,92.9%和92.7%,并发现了区分乳腺癌不同亚型的两种最重要的基因GATA3和ESR1.     

基于 MF-DCCA 的港口与非港口地区PM2.5与NOX互相关性分析

针对PM_(2.5)与NO_X序列间的互相关性特征,采用多重分形去趋势波动互相关分析法(MF-DCCA),对香港葵涌(港口)和沙田(非港口)地区的PM_(2.5)与NO_X浓度序列进行了研究.首先,基于整体数据进行研究,发现港口和非港口地区的PM_(2.5)与NO_X的互相关性均具有长程相关性和多重分形特征,港口地区的多重分形特征比非港口地区的要弱.然后,对四季数据进行研究,结果表明港口和非港口地区的PM_(2.5)与NO_X的互相关性在四个季节均具有长程相关性和多重分形特征.而且PM_(2.5)和NO_X互相关性多重分形特征具有明显的季节变化,春、夏、秋季时港口地区的PM_(2.5)与NO_X的互相关性多重分形特征比非港口地区的弱,冬季则相反.     

基于多形性胶质母细胞瘤的关键基因筛选研究

多形性胶质母细胞瘤(GBM)是一种最常见且致死率极高的脑部肿瘤.为了解决传统生存模型不能处理变量p远大于样本数n的基因表达数据的缺点,本文构建了一个关键基因筛选算法——SSLC算法.该算法结合限制性优化算法和生存模型筛选出了与生存时间相关的GBM关键基因,并通过比较证明了此算法优于传统经典算法,最后通过文献查找证明筛选出的部分基因是已经证实的和GBM高度相关的基因,为GBM的靶向制药打下基础.     

THT机制耦合高斯模糊的图像融合方案

为了提高当前红外(IR)与可见光(VI)图像的融合质量,保持良好的可视化细节和突出IR目标,有效减少模糊,降低信息冗余,通过改进THT(Top-Hat Transform)机制,设计了一种新的红外-可见光图像融合算法.首先,为了有效地提取源图像的特征和细节,在传统的高帽变换(Top-Hat Transform,THT)中引入了多尺度计算,分别在不同尺度上提取红外和可见光图像的不同亮(暗)特征区域;其次,通过多判别对比融合规则来综合两个图像中的同一尺度的特征区域,将所有尺度上的特征进行累加,获取特征图像;然后,通过最大尺度结构元素的开、闭运算得到源图像的平滑明亮、暗图像,在平滑图像上利用Gaussian模糊逻辑融合规则获取基础图像;最后,将提取的亮与暗特征图像导入基础图像中形成新图像,输出图像融合.实验表明:与当前流行的融合方法相比,本文方法具有更好的视觉质量和定量分析结果.     

三峡库区漆树资源优树初选研究

为选育三峡库区漆树(Toxicodendronw acifluum)优良树木,于2015年在重庆市城口、开县、奉节、巫溪、巫山等区县对100株漆树的立地条件、生长状况、果实等情况开展调查.研究共设置26个调查指标,设定2种情景:各指标权重相等(情景1)、各指标权重不等(情景2).在情景2中,根据26个评价指标,采用层次分析法(AHP)构建以目标层、项目层、指标层为3个层次的漆树优选评价指标体系,根据两两比较法设置26个指标的相对权重.分别计算2种情景下100株漆树的综合评价指数,根据综合评价指数大小进一步筛选优良漆树.结果发现,2种情况下100株漆树综合评价指数差异无统计学意义.依据筛选目标,最终选取在情景2中排名靠前的60株漆树作为所筛选出的三峡库区优质漆树.其中,城口14株,奉节19株,巫山11株,巫溪16株.     

基于跟踪—关联模块的多目标跟踪方法研究

多目标跟踪面临的最大挑战是身份转换问题,其由目标物体间的相互遮挡造成.针对该问题,提出一种基于跟踪模型和关联模型的多目标跟踪方法.首先在跟踪模块针对每一个跟踪个体采用粒子滤波器还原其各自轨迹片段,并计算可信因子评估遮挡程度;然后在关联模块,将人体分割为头部、躯干和腿三部分,将人的面貌分为前侧和背侧两种,利用HSV颜色直方图方法提取各部分特征描述符,利用K最近邻方法探测个体之间的匹配程度,进行再次识别以实现轨迹片段的融合.实验结果表明,同传统的方法相比,提出的算法可有效避免由于遮挡引起的身份转换问题,且目标检测准确率有较大提高,检测准确率达到90.5%.     

一种过载系统下的非正交多用户检测方法

为了提高系统容量、频谱效率和传输速率,可以允许接收端的天线数小于发送端的天线数,即所谓的系统过载情况.而业界提出的针对第五代通信网络的功率域非正交多址接入(PDNOMA,Power Domain Non-Orthogonal Multiple Access)方式,通过功率域叠加复用可以增加用户接入数量.该研究结合系统过载和用户非正交叠加复用,介绍了过载的非正交多用户系统的基本原理,并在接收端提出一种多用户检测方法,基于迭代干扰消除的串行干扰消除算法(IICSIC,Iterative Interference Cancellation based Successive Interference Cancellation).仿真表明:与PDNOMA系统的串行干扰消除(SIC,Successive Interference Cancellation)算法和过载系统的迭代干扰消除(IIC,Iterative Interference Cancellation)方法相比较,所提的方法性能明显较好.     

基于机器视觉的丘陵山区田间道路虚拟中线提取方法

田间道路识别是农业机械在田间道路上自动行驶的基础.针对丘陵山区田间道路复杂多变、无车道线和无明显边界等特点,提出一种基于机器视觉的道路虚拟中线提取算法.首先将道路RGB图像转换到HSI空间,选择与图像彩色信息无关的I分量;然后利用二维Otsu阈值分割法提取道路区域特征,去噪处理后选取目标区域分块求取质心点,对求取的质心点进行基于曲率变化的拟合,得到田间道路的虚拟中线.试验结果表明,在光照、水渍等不利因素影响较小的情况下,该算法拟合确定的道路中线与实际的道路中线相差最大不超过5%,准确性较高,能够有效实现丘陵山区田间道路的识别和虚拟中线的提取.     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

语音特征参数在说话人识别中的应用

在噪声环境下,用传统特征参数如LPCC、MFCC说话人识别往往达不到很好的识别效果。用加权、差分和组合的方法对原始特征参数进行二次处理,并对处理的结果进行PCANN变换,可得到一种新的说话人特征参数。新特征实现了对原特征的降维和去冗余,丢弃了分布在高维的噪声信息,实验表明,新特征增强了说话人识别系统的鲁棒性,提高了系统的识别性能。     

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。      

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

特征选择模糊加权多通道Gabor人脸识别

对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法：依据各通道特征可分离性判据确定特征提取区域、计算通道权值，采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度；考虑了各通道识别能力的差异性；更好地解决了分类“边界”问题.在AR, CAS-PEAL-R1, YaleB和ORL人脸库上的实验结果表明，本文方法较传统多通道Gabor表征方法具有更高的识别率，平均识别时间较传统整体表征有较大的优势.     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

基于ACO-SVM的粮虫特征提取研究

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

基于ACO-SVM的粮虫特征提取研究(英文)

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

基于数学形态学的植物叶片图像预处理

植物叶片图像的预处理是进行叶形特征提取和识别的重要前提,获得高质量的预处理叶片图像对计算机辅助植物识别十分重要.本文提出了基于数学形态学的植物叶片图像的预处理方法,运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞.该方法保持了原图像的基本形状特征并能获得清晰的边缘,为叶片特征提取创造了良好的前提.