检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于半色调图像的邻域相似性描述子方法

山东大学学报（工学版） 2016年第3期46卷 58-64 73,73页

作者：钟智彦文志强张潇云叶德刚湖南工业大学计算机与通信学院湖南株洲412007

局部二值化模式是对局部信息进行特征提取,适合解决纹理特征不明显的图像特征提取问题,但这种方法存在特征维数高的问题。针对此问题,提出一种适用于半色调图像特征提取的邻域相似性描述子方法。该方法将8个邻域分别与中心像素值进行比... 详细信息

局部二值化模式是对局部信息进行特征提取,适合解决纹理特征不明显的图像特征提取问题,但这种方法存在特征维数高的问题。针对此问题,提出一种适用于半色调图像特征提取的邻域相似性描述子方法。该方法将8个邻域分别与中心像素值进行比较运算,然后求这8个运算值间的相似性指标。相似性指标的统计量进行归一化后作为图像的纹理特征向量。试验中,采用BP神经网络对提取图像特征进行分类试验。试验结果表明,在计算复杂度、识别精度等方面,本研究提出的方法优于单纯使用局部二值化模式算法。

关键词：半色调图像局部二值化模式特征提取中心像素邻域相似性描述子

在线全文

学校读者我要写书评

暂无评论

自适应边缘相似度非局部均值图像去噪方法

西北师范大学学报（自然科学版） 2021年第6期57卷 50-56,87页

作者：张蕾马慧芳河西学院信息化建设管理服务中心甘肃张掖734000 西北师范大学计算机科学与工程学院甘肃兰州730070

空间域去噪方法中的非局部均值去噪算法(Non-local means,NLM)在图像去噪方面应用较为广泛.然而,传统NLM方法在对图像边缘结构信息处理上易产生过平滑现象,且算法的固定参数对不同图像特征难以自适应调整.针对NLM算法中相似性权重忽略... 详细信息

空间域去噪方法中的非局部均值去噪算法(Non-local means,NLM)在图像去噪方面应用较为广泛.然而,传统NLM方法在对图像边缘结构信息处理上易产生过平滑现象,且算法的固定参数对不同图像特征难以自适应调整.针对NLM算法中相似性权重忽略边缘信息而导致的上述问题,文中提出了一种自适应边缘相似度非局部均值(Adaptive non-local mean based on edge similarity,ANLM-ES)图像去噪方法.在NLM相似性权重的基础上,依据图像边缘信息构造基于距离与角度双维度边缘相似性的图像相似性权值,并通过加权其自身和相邻像素来估算中心像素,从而保留局部邻域信息,将所有生成的中心像素进行组合构成最终的去噪图像.最后,自适应参数的选择运用4方向差分因子检测模板提取的边缘信息及噪声方差确定.文中ANLM-ES方法与传统NLM算法、NLM-SVB算法及NLM-BDPCA算法在公开数据集上的实验结果表明,ANLM-ES方法能够更好地保留图像的边缘细节信息,提升图像的去噪性能.

关键词：边缘相似度图像去噪中心像素局部邻域信息

在线全文

学校读者我要写书评

暂无评论

高光谱遥感图像分类算法研究

高光谱遥感图像分类算法研究

作者：李宁阳海南大学

学位级别：硕士

高光谱遥感图像(Hyperspectral Image,HSI)可以利用数百个连续波段描述不同地物细致的光谱特征,HSI分类则旨在利用光谱及空间特征为每个像素分配一个最佳的类别,这项技术已受到相关领域越来越多的关注。传统的机器学习方法只能提取浅特... 详细信息

高光谱遥感图像(Hyperspectral Image,HSI)可以利用数百个连续波段描述不同地物细致的光谱特征,HSI分类则旨在利用光谱及空间特征为每个像素分配一个最佳的类别,这项技术已受到相关领域越来越多的关注。传统的机器学习方法只能提取浅特征,鲁棒性差,分类结果往往不理想。近年来,来自深度学习领域的卷积神经网络模型,尤其是残差网络,已经成为提取深度光谱-空间特征的首选架构。但是,由于高光谱分类样本的独特构造机制,在待分类样本的中心像素的邻域中,通常存在一些不利于特征提取的干扰像素,这仍然会限制模型的分类性能。目前不少研究引入了注意力机制来强调样本的显著波段和关键性空间位置,然而,这类方法仍然存在一些不足。首先是光谱和空间注意力分别用于辅助提取光谱和空间特征,这会限制光谱和空间特征之间的互补性;另一个更重要的问题是现存的注意力模块不擅长强调中心像素对空间注意力获取的促进作用,这往往会使空间注意力偏离相关的空间区域,将直接影响判别性特征的提取,并可能导致错误的分类结果。为了解决第一个问题,提出了一种光谱-空间融合注意力模块。它包含光谱注意力、空间注意力、光谱-空间融合注意力三个部分。光谱注意力旨在提取波段之间的相关性;空间注意力旨在提取普遍空间特征;光谱-空间注意力则致力于探索稳定特异的空间结构并突出邻域对中心像素的贡献。通过顺序地堆叠这些光谱-空间融合注意力模块,进一步提升了所构建的融合注意力网络的特征提取及分类能力。针对第二个问题,提出了两个模型,即中心化空间注意力限制网络(Centralized spatial attention constrained network,CSpa ACN)和基于光谱相似度的空间注意力网(Spectral similarity based spatial attention network,SAM-Net)。后者对前者的空间注意力模块进行全方位加强,具备更强大的空间注意力推理能力。CSpaACN模型包含中心化空间注意力模块、光谱注意力模块、光谱-空间特征提取模块。中心化空间注意力模块基于欧氏光谱相似性和反向-漂移-放缩sigmoid激活函数,能够从样本中捕获由与中心像素相同类别的像素组成的相关空间区域。光谱注意力旨在选择有利于光谱特征表示的波段。特征提取模块用于提取深度判别性光谱空间特征。CSpa ACN部署了两个中心化空间注意力模块,分别用于引导光谱注意力模块和特征提取模块工作。在此基础上,提出了空间一致性损失函数来保持两个空间注意力之间的一致性,从而使网络能够准确地区分相关性特征和干扰特征。SAM-Net模型的核心模块SAM采用加权欧几里得距离和加权余弦距离来度量中心像素与其邻域之间的光谱相似性。为了缓和光谱变异性的负面影响,在计算光谱相似度时,利用全波段卷积对波段重加权以获得稳健的光谱相似度。然后,通过自适应融合这两种加权光谱相似度,充分考虑它们的相对重要性。最后,提出一种动态抑制干扰像素的可放缩高斯激活函数,将光谱相似度转化为合理的空间权重。通过集成SAM与残差网络构建的SAM-Net模型,具备更强的判别性光谱-空间特征表示能力。在多个HSI数据集上的实验结果及分析证明了所提出的三种模型的有效性和出色的分类表现。

关键词：高光谱图像分类空间注意力光谱相似性中心像素融合注意力深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于像素值分类的脉冲噪声检测与恢复算法

自动化仪表 2020年第12期41卷 13-18页

作者：雷继海陇东学院电气工程学院甘肃庆阳745000

针对图像中脉冲噪声恢复问题,提出了一种基于像素值分类的脉冲噪声检测与恢复滤波(BPVCF)算法。该算法首先假设图像中像素值为0或255的点是噪声点。以噪声点为中心选取滤波窗口,并对窗口内除中心点外的像素进行分类:存在像素值为(0,10)... 详细信息

针对图像中脉冲噪声恢复问题,提出了一种基于像素值分类的脉冲噪声检测与恢复滤波(BPVCF)算法。该算法首先假设图像中像素值为0或255的点是噪声点。以噪声点为中心选取滤波窗口,并对窗口内除中心点外的像素进行分类:存在像素值为(0,10)范围内的点;存在像素值为[10,240]范围内的点;存在像素值为(240,255)范围内的点;像素值全为0和255。然后,根据分类结果,对窗口内像素值为0或255的点作进一步判断,剔除噪声点,保留可疑与非噪声点。最后,根据窗口内剩余点的数目完成对中心点像素值的恢复。试验结果表明,使用该算法处理密度为80%以下的噪声图像时,其主观视觉效果和客观数据评价均优于现有的多种算法,可有效提高机器视觉检测精度。

关键词：图像处理脉冲噪声像素值分类中心像素滤波窗口去噪