针对目前的基于特征的图像检索中没有有效地结合图像中对象空间信息的问题,提 出了一种新的融合了颜色、空间和纹理特征的图像特征提取及匹配方法。为了减少时间 间复杂度,首先通过基于普通颜色直方图的检索得到初始图像集合,然后根据提出的结合空间、纹理特征加权度量对初始图像集合再进行检索,从而得到最后更符合要求的相似图象
上传时间: 2014-01-10
上传用户:wang5829
局部滤波器的特征提取方法,能够很好的反映图像的细节特征和纹理特征。
上传时间: 2013-12-21
上传用户:wl9454
特征提取:重点是几何特征(环,交叉点,端点)和变换,例子就是这些几何特征的提取。
上传时间: 2013-12-26
上传用户:sdq_123
人耳识别技术是20世纪90年代末开始兴起的一种生物特征识别技术,与其它生物特征识别技术比较具有以下几个特点:(1)与人脸识别方法比较,耳识别方法不受面部表情、化妆品和胡须变化的影响,同时保留了面部识别图象采集方便的优点,与人脸相比,整个人耳的颜色更加一致、图像尺寸更小,数据处理量也更小。(2)与指纹识别方法比较,耳图象的获取是一种被动方式,即通过非接触方式获取耳图像,不存在通过接触传染疾病的机会,因此,其信息获取方式具有容易被人接受的优点。(3)与虹膜识别方法比较,首先,由于人脸和头发的存在,需要在耳识别过程中增加一个耳区域定位步骤,这并不影响耳特征的提取,而眼毛对虹膜的遮挡将直接影响虹膜特征的提取。头发对于耳的遮挡可以容易地避免,而眼毛对于虹膜的遮挡是生理结构决定的,也是难以避免的。其次,就目前的技术而言,虹膜采集需要测试者与采集装置之间的位置在机器发出的语言提示下进行不断地调整,同时要瞪大眼睛,使虹膜尽可能暴露,初试者通常要反复多次调整才能够达到要求,而耳采集方式与脸采集方式基本相同,测试者很容易达到拍摄图象的要求条件。最后,虹膜采集装置的成本要高于耳采集装置。
上传时间: 2013-12-20
上传用户:坏坏的华仔
本文对两大类步态识别算法进行了深入研究,其主要内容集中于步态特征的提取和分类器的设计两部分。
上传时间: 2015-11-10
上传用户:拔丝土豆
并本文对两大类步态识别算法进行了深入研究,其主要内容集中于步态特征的提取和分类器的设计两部分。 在特征提取阶段采用多种不同的方法提取多种不同的步态特征,其中效果较好的是一种基于模型的特征提取方法。本文使用关键点和肢体角度构建人体的骨骼化模型, 并对模型的各项参数提取做了改进,从人体的骨骼化模型中提取人体的静态参数(如身高、步幅等)以及动态参数(如运动过程中关键点的位置、运动轨迹、肢体角度、
上传时间: 2014-01-15
上传用户:skhlm
为了降低图像高层语义与低层视觉特征之间的语义差异,本文以对象描述模型为基础,提出利用机器转换模型获取图像高层语义的方法。本方法首先利用图像分割技术对图像进行分割,然后利用机器学习的方法,得到训练样本集中高层语义与分割后低层视觉特征之间的先验概率关系 在查询的过程中,利用得到的先验概率模型计算与高层语义所对应的最大概率视觉低层特征,最后利用该低层特征进行检索,达到缩短高层语义与低层特征之间的语义差异的目的。在一个拥有5000 幅图像的图像库上所做的测试结果表明了该方法的有效性和可行性,同时该方法也为解决图像高层语义与视觉低层特征之间语义的矛盾开扩了思路。
上传时间: 2014-01-04
上传用户:comua
由于SAR和可见光成象传感器图象的物理特征不同,因此进行匹配难度很大.本文在深入分析了这两种传感器图象物理特征的基础上,提出了一种图象匹配的新方法.该方法运用形态学滤波方法去除SAR图象斑点噪声,利用图象的边缘特征进行匹配,并采用多分辨率分级搜索技术减少计算量,在对实验结果进行分析的基础上提出了搜索真实匹配位置的准则,大大提高了匹配的准确率.通过实验对SAR图象斑点噪声滤波和SAR与可见光 图象匹配算法进行了验证,实验证明本算法的SAR图象去噪效果明显优于传统的Frost方法,图象匹配精度高、稳定性好.
上传时间: 2016-10-21
上传用户:invtnewer
笔迹鉴别,主要针对于离线文本的,提取特征进行笔迹鉴别
标签: 笔迹鉴别
上传时间: 2015-04-28
上传用户:15502949116
心音信号是人体最重要的生理信号之一,包含心脏各个部分如心房、心室、大血管、心血管及各个瓣膜功能状态的大量生理病理信息。心音信号分析与识别是了解心脏和血管状态的一种不可缺少的手段。本文针对目前该研究领域中存在的分析方法问题和分类识别技术难点展开了深入的研究,内容涉及心音构成的分析、心音信号特征向量的提取、正常心音信号(NM)和房颤(AF)、主动脉回流(AR)、主动脉狭窄(AS)、二尖瓣回流(MR)4种心脏杂音信号的分类识别。本文的工作内容包括以下5个方面: a)心音信号采集与预处理。本文采用自行研制的带有录音机功能的听诊器实现对心音信号的采集。通过对心音信号噪声分析,选用小波降噪作为心音信号的滤波方法。根据实验分析,选择Donoho阈值函数结合多级阈值的方法作为心音信号预处理方案。 b)心音信号时频分析方法。文中采用5种时频分析方法分别对心音信号进行了时频谱特性分析,结果表明:不同的时频分析方法与待分析心音信号的特性有密切关系,即需要在小的交叉项干扰与高的时频分辨率之间作综合的考虑。鉴于此,本文提出了一种自适应锥形核时频(ATF)分析方法,通过实验验证该分布能较好地反映心音信号的时频结构,其性能优于一般锥形核分布(CKD)以及Choi-Williams分布(CWD)、谱图(SPEC)等固定核时频分析方法,从而选择自应锥形核时频分析方法进行心音信号分析。 c)心音信号特征向量提取。根据对3M Littmann() Stethoscopes[31]数据库中标准心音信号的时频分析结果,提取8组特征数据,通过Fihser降维处理方法提取出了实现分类可视化,且最易于分类的心音信号的2维特征向量,作为心音信号分类的特征向量。 d)心音信号分类方法。根据心音信号特征向量组成的散点图,研究了支持向量机核函数、多分类支持向量机的选取方法,同时,基于分类的目的 性和可信性,本文提出以分类精度最大为判断准则的核函数参数与松弛变量的优化方法,建立了心音信号分类的支持向量机模型,选取标准数据库中NM、AF、AR、AS、MR每类心音信号的80组2维特征向量中每类60组数据作为支持向量机的学习样本,对余下的每类20组数据进行测试,得到每类的分类精度(Ar)均为100%,同时对临床上采集的与上述4种同类心脏杂音信号和正常心音信号中每类24个心动周期进行分类实测,分类精度分别为:NM、AF、MR的分类精度均为100%,而AR、AS均为95.83%,验证了该方法的分类有效性。 e)心音信号分析与识别的软件系统。本文以MATLAB语言的可视化功能实现了心音信号分析与识别的软件运行平台构建,可完成对心音信号的读取、预处理,绘制时-频、能量特性的三维图及两维等高线图;同时,利用MATLAB与EXCEL的动态链接,实现对心音信号分析数据的存储以及统计功能;最后,通过对心音信号2维特征向量的分析,实现心音信号的自动识别功能。 本文的研究特色主要体现在心音信号特征向量提取的方法以及多分类支持向量机模型的建立两方面。 综上所述,本文从理论与实践两方面对心音信号进行了深入的研究,主要是采用自适应锥形核时频分析方法提取心音信号特征向量,根据心音信号特征向量组成的散点图,建立心音信号分类的支持向量机模型,并对正常心音信号和4种心脏杂音信号进行了分类研究,取得了较为满意的分类结果,但由于用于分类的心脏杂音信号种类及数据量尚不足,因此,今后的工作重点是采集更多种类的心脏杂音信号,进一步提高心音信号分类精度,使本文研究成果能最终应用于临床心脏量化听诊。 关键词:心音信号,小波降噪,非平稳信号,心脏杂音,信号处理,时频分析,自适应,支持向量机
上传时间: 2013-04-24
上传用户:weixiao99