一种新的图像识别算法
一种新的脑部CT图像异常检测算法
一种新的脑部CT图像异常检测算法王珂雅;邱力军【摘要】Aiming at the problem of infarction CT image automatic interpretation, present a method based on random Hough transform and BP network brain anomaly detection algorithm. First, through the random Hough transform, die use of different brain CT image gray information, detect a round or oval area,preliminarily judge possibly abnormal regions,using RHT for the region center and radius;Then the acquisition may be the gray feature information of abnormal parts, using the trained BP network to compare, exclude normal region, define brain abnormalities site. The test shows that this method can read out of the brain abnormalities site, has high accuracy, can provide physician interpretation of brain CT images with basis for decision making.%针对脑梗CT图像自动判读问题,文中提出一种基于随机Hough变换和BP网络的脑部异常检测算法.首先通过随机Hough变换,利用不同脑组织CT图像的灰度信息,检测圆形或类圆形区域,初步判断可能异常的区域,利用RHT变换求出该区域中心位置及半径；然后采集可能异常部位的灰度特征信息,利用训练过的BP网络进行比对分析,排除正常区域,确定脑部异常部位.试验证明,该方法能够判读出脑部异常部位,准确率较高,可以为医生判读脑部CT图像提供决策依据.【期刊名称】《计算机技术与发展》【年(卷),期】2012(022)005【总页数】3页(P185-187)【关键词】图像识别;CT图像;RHT;BP网络【作者】王珂雅;邱力军【作者单位】第四军医大学生物医学工程系,陕西西安710032;第四军医大学生物医学工程系,陕西西安710032【正文语种】中文【中图分类】TP391.90 引言脑梗塞是由于脑动脉粥样硬化，血管内膜损伤使脑动脉管腔狭窄，进而因多种因素使局部血栓形成，使动脉狭窄加重或完全闭塞，导致脑组织缺血、缺氧、坏死，引起神经功能障碍的一种脑血管病。
浅谈神经网络的图像识别技术及方法
图像识别技术是近二十年发展 起来 的一 门新 型技术 科学 ， 它以研究某些对象 或者过程 （ 统称 图像 ）的分类 与 描述 为主要 内容 ， 图像识 别所提 出的问题 ， 是研究 用计算 机代替人们 自动地去处理大量的物理信息 ， 解决人类生理 器官所不能识别的问题 ， 从而部分 地替代人 的脑力 劳动 。
维普资讯
第２ ７卷第 ６期
Ｖｏ ． ７ Ｎｏ． １２ ６
济 宁师范专科 学校 学报
Ｊ ｕ ａ ｆ ｉｉｇＴ ａｈ ｒ ｏｌｇ ｏ ｒ ｌ ｎｎ ｅ ｃ ｅｓＣ ｌ ｅ ｎ ｏＪ ｅ
２０ ０ ６年 ｌ ２月
Ｄｅ ２ ０ ｅ． ０ ６
模式识别狭义地理解为图像识别 。 ２２ 图像识别 、 ． 图像处理与图像 理解 的关系 图像处理 ： 图像处理包括图像 编码 、 图像增 强、 图像压 缩、 图像复原 、 图像分割等 。处理的 目的 ， 主要在于解决二
自学 习能力等优点 ， 已经在信息处理 、 模式识别 、 智能控制
及 系统建模等领域得 到越 来越广 泛的应用 。尤其是 基于
足轻重 的关键技术 。 ２ 图像识别技术
２ １ 简 介 ．
图像理解 ： 它是在 图像 处理及 图像识 别 的基 础上 ， 再 根据分类作结构句法分析 ， 去描述图像和解释图像 。因而 图像理解包括图像处理 、 图像识别和结构分析。对理解部 分来说 ， 输入是 图像 ， 输出则是 图像 的描述 与解释
２ ３ 人工神经 网络 ． 人工 神 经 网 络 （ ｒｆ ｉ ｅｒ ｅ ｏｋ ）（ 称 Ａ ｔ ｃａ Ｎ ｕａ Ｎ ｔ ｒｓ 简 ｉ ｌ ｉ ｌ ｗ Ａ Ｎ 并不是一个十分 严格 的概念 ， Ｎ ） 现在 ， 人们倾向于把那 些具有大量 （ 或多个 ） 简单 计算 单元 、 单元 之间 具有 广泛 的连接 、 且连接 的强度 （ 时还包 括单 元 的计 算特 性 ） 有 可 根据输入输 出数据调节 的算法或结构 模型称 为一种 人工
图像识别中的图像分析算法比较研究
图像识别中的图像分析算法比较研究近年来，随着人们对图像识别技术的需求不断增长，图像分析算法作为其中重要的一部分，也得到了广泛应用和深入研究。
本文将探讨图像分析算法在图像识别中的重要性，并比较几种常用的图像分析算法，包括特征提取、分类算法和深度学习等。
通过对比研究，希望为今后图像识别技术的发展和应用提供一些有益的启示。
一、特征提取算法的比较研究特征提取是图像分析中的一项核心任务，它通过将图像转化为具有可辨识性的特征向量，提供给分类器进行进一步的处理。
常用的特征提取算法有边缘检测、纹理分析和颜色直方图等。
1. 边缘检测算法边缘检测算法是图像分析中最早被提出和广泛应用的算法之一。
它通过检测图像中亮度变化较大的区域边缘，提取出图像中的轮廓信息。
常用的边缘检测算法有Canny算子、Sobel算子和Prewitt算子等。
这些算法能够有效地提取图像的边缘信息，但在复杂背景和噪声较多的情况下，容易产生误检测和漏检测的问题。
2. 纹理分析算法纹理分析算法通过对图像局部领域的纹理特征进行分析，提取图像的纹理信息。
常用的纹理分析算法有LBP算子、Gabor滤波器和GLCM算法等。
这些算法能够有效地识别图像的纹理特征，但对于不同尺度和旋转角度的纹理分析仍存在一定的挑战。
3. 颜色直方图颜色直方图是一种常用的特征提取算法，它通过统计图像像素在颜色空间中的分布情况，提取出图像的颜色特征。
常用的颜色直方图算法有RGB颜色直方图、HSV颜色直方图和Lab颜色直方图等。
这些算法能够有效地描述图像颜色的分布情况，但对于复杂的多样化颜色分布仍存在一定的限制。
通过比较上述几种特征提取算法，我们可以发现它们各自有优势和局限。
因此，在实际应用中，我们常常需要综合运用多种特征提取算法，以提高图像识别的准确率和鲁棒性。
二、分类算法的比较研究特征提取后，我们需要使用分类算法将提取到的特征向量进行进一步的处理和分析，以实现对图像的准确分类。
常用的分类算法有SVM、KNN和决策树等。
图像识别中的SIFT算法实现与优化
图像识别中的SIFT算法实现与优化一、SIFT算法介绍SIFT算法（Scale-Invariant Feature Transform）是一种用于图像对比和匹配的局部特征提取算法，由David Lowe于1999年开发提出并持续改良。
SIFT算法可以检测出具有旋转、缩放、光照变化等不变性的图像特征点，被广泛应用于计算机视觉领域，如图像匹配、图像检索、物体识别等。
SIFT算法主要分为四步：尺度空间极值检测、关键点定位、关键点方向确定和描述子生成。
尺度空间极值检测：SIFT算法通过构建高斯金字塔来检测尺度下的极值点。
在高斯金字塔中，首先对原始图像进行下采样，生成一组不同尺度的图像。
然后在每个尺度上利用高斯差分来检测极值点，满足以下条件的点即为极值点：周围像素点中的最大值或最小值与当前像素点的差值达到一定阈值，而且是在尺度空间上达到极值。
关键点定位：对于极值点的定位，SIFT算法采用了一种基于拟合精细的方法来定位真实的关键点。
SIFT算法通过在尺度空间中计算极值点的DoG（高斯差分）的Hessian矩阵，来估计关键点的尺度和位置。
如果Hessian矩阵的行列式和迹符号都满足一定的条件，则认为该点为关键点。
关键点方向确定：在确定关键点的位置和尺度之后，SIFT算法还需要确定关键点的主方向。
该方向是通过计算关键点周围像素点的梯度方向和大小，并在组合后的梯度图像上寻找最大梯度方向得到的。
这个方向是在许多方向中确定的，而描述符是相对于主方向定义的。
描述子生成：最后，SIFT算法采用一个高维向量来描述关键点，并且具有不变性。
该向量的计算是在相对于关键点的周围图像区域内，采集图像梯度方向的统计信息来完成的。
描述符向量包含了关键点的位置、主方向，以及相对于主方向的相对性质。
二、SIFT算法优化思路尽管SIFT算法已经被广泛使用，但是由于算法复杂度和内存消耗等问题，使得在大数据和实时应用场景下，SIFT算法的运行速度和效果表现都有巨大限制。
一种新的基于单张图片的人脸识别算法
ｎｕｔａｏ．ｍｎ＠ｉａ．ａｃ．ｅｌｉ
ａｎ ａｃｔｉｖｅ ｒｅｓｅａｒｃｈ ａｒｅａ ｉｎ ｐａＲｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ，ｈａｓ ｍａｄｅ ｇｒｅａｔ ｐｒｏｇｒｅｓｓ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ．Ｉｔｓ ｉｔ ｉｓ ｒｅｍａｉｎ ｐｏｏｒ ｗｈｅｎ ｏｎｌｙ ａ ｓｉｎｇｌｅ ｆａｃｅ ｉｍａｇｅ ｉＳ ｕｓｅｄ ｔｏ ｔｒａｉｎｉｎｇ． ｍｕｌｔｉｐｌｅ ｆａｃｅ ｉｍａｇｅｓ ｉｓ ｓａｔｉｓｆｙｉｎｇ，ｂｕｔ Ａｃｃｏｒｄｉｎｇｌｙ．ｗｅ ｐｒｏｐｏｓｅ ａ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｏｆｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔｈａｔ ｂａｓｅｄ ｏｎ ａ ｓｉｎｇｌｅ ｆａｃｅ ｉｍａｇｅ ｉｎ ｔｈｉｓ ｐａｐｅｒ．ｎｌｅ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｃａｎ ｂｅ ｄｉｖｉｄｅｄ ｉｎｔｏ ｔｈｒｅｅ ｓｔ印ｓ：ｆｉｒｓｔ，ｗｅ ｃｏｍｐｕｔｅ ｈｏｒｉｚｏｎｔａｌ ａｎｄｖｅｒｔｉｃａｌ ｅｄｇｅ ｉｍａｇｅｓ ｆｒｏｍ ｔｈｅ ｇｒａｙ ｉｍａｇｅ；ｔｈｅｎ，ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ ｈｉｓｔｏｇｒａｍ ｉＳ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｔｈｏｓｅ ｔｗｏ ｅｄｇｅ ｉｍａｇｅｓ；ｆｉｎａｌｌｙ．ｅｌａｓｔｉｃ ｍａｔｃｈｉｎｇ ｉＳ ｕｓｅｄ ｔｏ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔ Ｏｎ ｓｏｍｅ ｓｔａｎｄａｒｄ蜢ＣＣ
一种新的基于单张图片的人脸识别算法
谭怒涛Ｌ２。黄磊１，刘昌平１
Ｌ中国科学院自动化研究所，北京１００１９０ ２．中国科学院研究生院，北京１００１９０ ｎｕｔａｏ．ｔａｎ＠ｉａ．ａｃ．ｃｎ 摘要：人脸识别一直是模式识别领域中的一个较为活跃的方向，近年来取｛导了重要的进展，基于多张图片的入脸识别已经 有比较满意的效果，但基于单张图片的人脸识别性能仍然较差。因此，本文在总结前人的基础Ｊ：提出了一种新的基于单张图 片的人脸识别算法。算法分为三个步骤：首先对灰度图像求取水平和垂直边缘图，然后分别在两个边缘图上提取局部二元模 式（ＬＢＰ）直方图，最后采用弹性匹配方法进行分类。在标准图像库上的实验结果表明本文算法性能优于传统的算法，能够获 得更高的识别率，且具有４ｉ敏感于姿态、光照、表情等变化的优点。 关键词：人脸识别；局部二元模式：弹性匹配；边缘图
图像识别算法
图像识别算法引言图像识别算法是一种计算机视觉技术，通过对图像进行分析和处理，将图像中的对象或特征识别出来，并按照一定的分类或识别规则进行判断。
随着计算机计算能力的增强和深度学习算法的发展，图像识别算法在诸多领域得到了广泛应用，如人脸识别、物体检测、车牌识别等。
常见的图像识别算法1. 基于特征提取的算法基于特征提取的图像识别算法是最早也是最经典的算法之一。
该算法通过提取图像中的局部特征，如角点、边缘等，然后将这些特征与预先训练的模型进行匹配，以实现图像的识别和分类。
常见的特征提取算法有Harris角点检测算法、Sobel边缘检测算法等。
2. 基于机器学习的算法基于机器学习的图像识别算法是近年来得到迅速发展的算法之一。
该算法将图像识别问题转化为一个分类问题，通过对大量的训练样本进行学习和训练，建立一个分类器，然后对未知图像进行分类。
常见的基于机器学习的算法包括支持向量机（SVM）、随机森林（Random Forest）等。
3. 基于深度学习的算法基于深度学习的图像识别算法是目前最先进、最有效的算法之一。
该算法使用深度神经网络模型，通过多层次的卷积和池化操作，提取图像中的高级特征，然后将这些特征送入分类器进行分类。
常见的深度学习算法有卷积神经网络（CNN）、循环神经网络（RNN）等。
图像识别算法的应用场景1. 人脸识别人脸识别是图像识别算法应用最广泛的领域之一。
通过对人脸图像进行特征提取和比对，可以实现人脸的自动识别和认证。
该技术在安全监控、身份认证等领域有着重要的应用。
2. 物体检测物体检测是指在图像中检测和定位物体的过程。
通过图像识别算法，可以在图像中准确地识别出各种物体，并给出其位置和边界框，这对于自动驾驶、智能交通等领域非常重要。
3. 文字识别文字识别是将图像中的文字内容转化为可编辑和可搜索的文本的过程。
通过图像识别算法，可以对印刷体、手写体等各种字体进行识别，该技术在身份证识别、车牌识别等场景中有着重要的应用价值。
基于深度学习的图像识别算法及使用技巧
基于深度学习的图像识别算法及使用技巧深度学习技术如今在图像识别领域取得了令人瞩目的成就。
本文将介绍基于深度学习的图像识别算法，并分享一些使用技巧，帮助读者更好地应用这些算法。
一、深度学习的图像识别算法1. 卷积神经网络（CNN）卷积神经网络是深度学习中最常用的算法之一，特别适用于图像识别任务。
CNN基于多层神经元组成的网络结构，每一层都包含卷积层、池化层和全连接层。
通过卷积层，CNN可以有效提取图像特征，池化层用于降低特征的维度，全连接层用于分类。
CNN的优点在于它可以自动学习特征，而无需手动设计特征。
2. 循环神经网络（RNN）循环神经网络在处理序列数据（如自然语言和时间序列）方面表现出色，对图像识别也有一定的应用。
RNN通过在网络内引入循环连接，可以记住之前的信息，并在当前任务中进行利用。
在图像识别中，RNN可以用来处理时序信息，比如图像描述生成和图像字幕等任务。
3. 迁移学习迁移学习是一种常用的图像识别方法，特别适用于数据集较小且相似的情况。
迁移学习通过利用已经训练好的模型，在新任务中进行微调。
例如，可以使用在大规模图像数据集上预训练过的模型（如ImageNet数据集），然后调整模型的最后几层或添加适应新任务的全连接层。
这样可以有效提高模型的识别准确率。
二、基于深度学习的图像识别算法的使用技巧1. 数据预处理在使用深度学习算法进行图像识别之前，需要对数据进行预处理。
预处理包括图像的归一化、去噪和增强等步骤。
归一化可以将图像的像素值范围调整到合理的区间，并减小图像灰度值的差异。
去噪可以通过滤波器等技术降低图像中的噪声干扰。
增强可以利用图像增强技术，提高图像的质量和对比度，以便更好地提取特征。
2. 数据增强数据增强是一种常用的技巧，可用于增加训练数据的多样性，减少过拟合。
数据增强通过对原始图像应用旋转、平移、缩放和镜像等操作，生成一系列经过变换的新图像。
这样可以扩大数据集，提高模型的泛化能力。
图像识别算法的使用方法
图像识别算法的使用方法图像识别算法是一种能够根据输入的图像内容自动识别和分类的技术。
随着人工智能和机器学习的发展，图像识别算法已经在许多领域得到广泛应用，如医疗诊断、安防监控、自动驾驶汽车等。
本文将介绍图像识别算法的基本原理和使用方法。
一、图像识别算法的基本原理图像识别算法的基本原理是通过对图像进行处理和分析，提取出图像的特征，然后将这些特征和预先训练好的模型进行匹配，从而确定图像的类别。
其主要步骤如下：1. 数据准备：首先，需要收集和准备一定数量的图像数据，这些数据包含了不同类别的图像样本。
例如，如果需要训练一个猫狗识别模型，就需要收集包含猫和狗的图像样本。
2. 特征提取：在图像识别算法中，通常会使用特征提取算法从图像中提取出有代表性的特征。
这些特征可以是图像中的边缘、角点、颜色等。
特征提取的目的是将图像转换成数值特征，方便后续的分类和匹配过程。
3. 训练模型：在得到特征之后，需要训练一个图像识别模型。
训练模型的过程就是将特征与对应的类别标签进行匹配，并不断调整模型参数，使得模型能够准确地预测图像的类别。
常用的图像识别算法包括卷积神经网络（CNN）、支持向量机（SVM）等。
4. 模型评估：训练完模型之后，需要对模型进行评估，统计模型在一组预测样本上的准确率、召回率、精确率等指标。
通过评估可以判断模型的性能和可靠性，并做出相应的调整和改进。
二、使用图像识别算法可以分为两个主要步骤：训练模型和应用模型。
1. 训练模型：①准备数据集：首先，需要准备一定数量的带有标签的图像数据集。
这些数据集应包含各个类别的图像样本，并按照一定比例划分为训练集和测试集。
训练集用于训练模型，测试集用于评估模型的准确性。
②特征提取和数据预处理：在开始训练之前，需要对图像进行预处理和特征提取。
预处理包括图像的缩放、裁剪、灰度化等操作。
特征提取可以使用一些经典的算法，如SIFT、HOG等。
同时，还可以考虑使用数据增强的技术，如旋转、平移、放缩等，增加数据集样本的多样性，增强模型的泛化能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
φ4 = (η30 + η12 ) 2 + (η21 + η03 ) 2 µ p+q 其中 η = pq γ= + 1, p + q = 2,3L 为图像的归 pq γ µ 00 2
一化中心矩 这样就得到了原图像的一组 144 维的特征向量 1.2 图像检测 采用多通道滤波的方法得到了原图像的一组 144 维的特 征向量 送入下面的分类器中分类 以判断目标图像是否所 需要的目标图像 这里采用 SVM 的二类分类算法来进行检 测 这里采用 200 幅图像作为目标样本进行测试 其中 100 幅图为各种不同的角度和型号的飞机 对这些飞机图像进行 归一化 首先确定飞机的重心和长轴 旋转使长轴和水平角 度为 45 度 保证飞机的旋转不变性 再平移飞机的重心到 图像中心位置以保证平移不变性 最后对飞机图像进行缩放 保证尺度不变形 再选取 100 幅图为其他目标 在所有的目 174
万方数据
n ∗ m 个节点 顶点 v ' 相互连接构成 即通过 x y 方向上 的 n ∗ m 个节点 顶点 v' 和边 e' 形成的矩形网格来覆 盖整个物体 传统的匹配算法能够在一定程度内保证识别结 果的正确率 但是计算量大 运算速度慢效率不高 并且由 于受环境条件的影响 或由于目标本身姿态改变的影响 将 导致目标与其模型之间存在一定程度的变形 这时 仅仅依 靠传统的匹配算法 不能够可靠地将目标识别出来 利用弹 性网格匹配 自动模拟物体的弹性变形能够大大克服对由于 背景和目标变化而引起的识别误差 目标图像 Gabor 小波分解与模型 Gabor 网格的相似性测 度采用弹性匹配算法 物体的弹性匹配识别过程包括 (1 模型网格排列 (2 弹性模型匹配 (3 匹配评估 输入目标图像的 Gabor 幅度响应与某一 假定模型之间的初始匹配过程如下 首先从输入目标图像中 找到感兴趣的区域 即图像中物体的大致位置,然后将模型网 格覆盖在物体区域上 而弹性匹配是基于可变形模型 Gabor 网格与目标图像间的匹配 通过 Gabor 相位信息来调整和评 估匹配结果 并且根据匹配评估规则来选择最佳的匹配模 型 从而得到最终的匹配识别结果 图 3 所示为模型 Gabor 网格在目标图像上的弹性匹配结果 其中(b),(d)分别对应米 格 29 和苏 27 的弹性匹配结果
向选择和频率选择特性 本文所采用的二维 Gabor 函数 它 的脉冲响应函数表达式如下
/ 2 / 2 p −π + ⋅ exp j u ( x − xi ) + v ( y − yi ) σ σ u = ωk cosθl , v =ω k sinθ l (1)
(20020358033) 作者简介 定稿日期 薛明东(1978 ) 男 硕士生 研究方向 2004-05-29 模式识别 图像处理 郭 立 教授 博导 张国宣 刘士建 博士生 E-mail mdxue@
173
万方数据
器组 F( i, j ) ( k , l ) 为二者经过卷积以后得到的一组滤波结果 由于滤波是对原图像逐点进行 即使采用频域运算 计算量 也很大 需要较长的时间 因为是对图像目标进行分类识别 为了提高速度 可以先对原图像进行阈值分割 提取出目标 物体后再进行滤波 采用双重卷积 ,就是纹理图像与对应每 个通道的奇 偶对称 Gabor 滤波器分别进行卷积 ,将两个卷 积后图像的和取平方根 ,得出每个通道的输出图像 图 1 给 出了 mig29 的小波变换结果 图 1(b) (c)分别是当 Gabor 小 波滤波器的调制频率和调制方向取值为 ω k =π/16 θ l = 0 ° 和
在图像处理与计算机视觉领域 图像识别是一项困难而 又关键的技术 图像识别的算法过程包括 3 个部分 1 特征提取 在某种意义上 对于目标识别任务而 言 图像特征提取结果的好坏直接影响到目标识别的结果 一般而言 影响图像识别结果的因素主要有目标特征的选取 以及分类算法两个方面 其中目标特征选择的是否准确 对 识别结果将起至关重要的作用 对于分类算法的运算量也有 很大的影响 由于 Gabor 小波变换较好地描述了生物视觉神 经元的感受野问题 根据特定的视觉需要可相应地调整它的 空间与频率采样特性 从而获得感兴趣的目标特征 因此 Gabor 滤波器及其在图像分类和计算机视觉方面的应用的研 究得到了广泛关注 2 图像检测 就是判断目标物体是否为需要识别的 物体 SVM 算法基于其分类问题具有良好的分辨率和扩展 性 利用该算法的二类分类对于图像的检测有广阔的应用前 景 3 图像识别 利用传统的网格匹配加以改进的弹性 网格算法对检测后的图像进行识别 其基于弹性网格的原理 能保证对图像较好的识别率 下面就这 3 个部分的算法作进 一步介绍
对于飞机图像来说 采用传统的形状特征或者用点匹配 的方法进行检测 对于遮挡问题都存在很难克服的困难 比 如飞机在云层中一部分机身被遮挡的情况是非常普遍的 而 采用本算法则因为 Gabor 滤波后只提取整体纹理特征均值和 方差作为特征向量进行检测 对于遮挡问题有良好的应用 下面是分别对目标样本采用不同大小的像素块进行遮挡的 误差测试结果 原始图像均为 256*256 的标准图 其中目标 物体的大小约为 12 000 像素 遮挡像素大小 检测错误率 16*16 0.437% 32*32 2.635% 64*64 7.769% 可以看到即使对于目标物体遮挡超过 1/4 时仍具有一定 的分辨率 而且根据 SVM 分类算法的性质 如果目标样本数增大 的话 只需适当的增加训练样本的个数同样能保证较好的分 类正确率 1.3 图像识别 为了实现目标的识别 首先要建立一个目标的模型库 该模型库由选定的一些物体图像经过 Gabor 小波分解后得到 的 Gabor 网格组成 目标模型 Gabor 网格的形成过程为 物 体图像 I x 的 Gabor 小波分解结果是一个多分辨率的图像 模板 它可以通过物体图像与复 Gabor 小波滤波器的卷积得 到 利用像素之间的相关性 对这个物体图像的模板进行亚 抽样就形成了一个 Gabor 网格 Gabor 网格由 x y 方向上的
x y
(b) 软阈值误差图 图 2 目标图像分类误差
µ pq = ∑∑(x − x )p ( y − y)q f (x ,y ) 其中 x , y 是图像重心
坐标 定义以下 4 个对平移 旋转和尺度变换不变的矩 φ1 = η 20 +η02
2 φ2 = (η 20 − η20 ) 2 + 4η11 2 φ3 = (η 30 − 3η12 ) + (3 η 21 −η 03 )2
第 31 卷 Vol.31
第9期 9
文章编号
计 算 机 工 程 Computer Engineering
1000 3428(2005)09 0173 03 文献标识码 A
2005 年 5 月 May 2005
中图分类号 TP391.41
人工智能及识别技术
一种新的图像识别算法
薛明东 郭 立 张国宣 刘士建
中国科技大学电子科学与技术系 合肥 230026 摘 要 提出了一种图像的识别算法 首先对图像进行 Gabor 小波变换 为了解决图像中的平移 旋转 尺度不变性 以及局部遮挡问题,
对滤波结果计算其 4 个不变矩作为反映整体形状特征的特征向量,再对提取的特征向量利用 SVM 算法进行图像检测 检测结果表明该算法 具有较好的抗噪性并能解决目标检测中的遮挡问题 最后利用弹性网格的方法对其进行识别 文中的检测和识别结果表明 多通道的 Gabor 滤波器对于纹理图像的特征描述比较充分 关键词 Gabor 小波变换 支持向量机 该识别算法有比较理想的鲁棒性和容错性,能得到较好的识别结果 弹性匹配
A New Method of Image Recognition
XUE Mingdong , GUO Li , ZHANG Guoxuan , LIU Shijian
Department of Electronic Science and Technology, University of Science and Technology of China, Hefei 230026 Abstract The paper introduces a system of image recognition, first abstract image characters based on Gabor transform, the gabor wavelet is a kind of multi-resolution representation of images. Using Gabor magnitude, Gabor frequency, and Gabor phase, the object image can be represented. Then using the SVM classification to check the plane images, the test shows that the arithmetic can solve the problem of image noise and image cover, and using SVM classification can be expanded simply with the target image.The image recognition result finally is got by using the flexible grid method. The recognition result shows that this Gabor wavelet transform can describe the image character more fully, and this recognition system has better robust and error-tolerated to a certain extend, and it can get the better classification and recognition results. Key words Gabor wavelet transform Support vectors machines Flexible marching