简介:摘要:基于内容的图像检索离不开特征提取,而局部特征提取是当前研究热点之一,由于局部特征之间的独立性和高语义性,此种方法在基于内容的图像检索领域有着良好的表现[1]。为了进一步提高局部特征的语义性、提升特征提取模型的表现力,本文引入视觉注意力机制与分组卷积思想对当前的局部特征提取模型进行优化,经实验证实,优化后的模型提取出的局部特征在Oxford数据集以及Paris数据集有着更好的检索效果。
简介:传统的遥感图像机场跑道自动目标检测由于仅提取灰度特征常产生过分割现象,本文采用灰度特征和纹理特征相结合的方法进一步提高跑道的检测精度。利用阈值对遥感图像进行初始分割,以定位感兴趣区域(ROI),再利用EM算法估计ROI区域训练样本,引入马尔可夫随机场(MRF)模型,分割机场跑道。实验表明MRF可以很好地描述空间连续性,可以达到精确检测机场跑道的目的。
简介:摘要目的通过观察研究B超图像中的特征及有用信息来判断脂肪肝的严重程度,给予较为准确的分级诊断。方法采用图像纹理分析方法和模式识别技术对48例脂肪肝患者的B超图像进行研究分析,以临床诊断不同程度脂肪肝B超图像纹理的变化和标准来研究的出发点,选择每一幅图像上感兴趣的区域,计算远场灰度比、多重谱面积、奇异标度差和基于小波变换的角二阶距等特征量。根据每一幅图像的特征矢量进行分类识别,识别方法有无监督识别—C-均值聚类和有监督识别—基于反向神经传播方向两种。结果正常肝脏识别率为96.0%,重度脂肪肝识别率为92.0%,中度脂肪肝识别率为88.0%,轻度脂肪肝识别率为80.0%。结论根据B超图像的特征能够有效的区分出正常肝脏与轻中重度脂肪肝,应用于脂肪肝的常规检查,能减少医生的工作量,避免造成误诊漏诊。
简介:1引言矩理论是图像处理领域的重要内容。通常希望用一系列符号或某种规则来具体地描绘一幅图像的特征,以便在进一步地识别、分析或分类中有利于区分不同性质的图像。同时,也可以减少图像区域中的原始数据量。不变矩(Invariantmoments)是一种高度浓缩的图像特征,具有平移、灰度、尺度、旋转等多畸变不变性,因此矩和矩函数被广泛用于图像的模式识别、图像分类、目标识别和场景分析中。M.K.Hu[1]在1961年首先提出不变矩的概念,证明了矩组(7)对于平移、旋转和大小比例变化都是不变的,因此用它们可以描绘一幅给定的图像。由于不变矩具有良好的平移、旋转和尺度缩放不变性及抗干扰性,一直是图像识别领域的重要研究课题。
简介:摘 要:通常我们所了解的人脸识别算法是指将人的五官特征或者局部特征经过图像处理,上传到系统后端,再和数据库的人脸照片进行比对,最终识别出所需要的类别。人脸识别算法比较广泛应用于监控、公安系统、考试系统、门禁检查、身份识别等领域,而基于特征提取的人脸识别算法是人脸识别系统中的关键部分,接下来我们将通过本文了解一下关于人脸识别算法的特征提取需要注意的事项。