機(jī)器學(xué)習(xí)技術(shù)已被廣泛接受，并且很適合此類分類問(wèn)題。基于卷積神經(jīng)網(wǎng)絡(luò)的雙重特征提取方法。提出的模型使用Radon拉冬變換進(jìn)行第一次特征提取，然后將此特征輸入卷積層進(jìn)行第二次特征提取。
2023-10-16 11:30:38
98 
圖像預(yù)處理的主要目的是消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性、最大限度地簡(jiǎn)化數(shù)據(jù)，從而改進(jìn)特征提取、圖像分割、匹配和識(shí)別的可靠性。一般的預(yù)處理流程為：1灰度化->2幾何變換->3圖像增強(qiáng)
2023-09-20 09:35:40105 圖像識(shí)別是人工智能領(lǐng)域的一個(gè)重要方向。經(jīng)過(guò)多年的研究，圖像識(shí)別技術(shù)取得了一定的研究進(jìn)展。圖像識(shí)別主要包含特征提取和分類識(shí)別，而其中的特征 提取是圖像識(shí)別技術(shù)發(fā)展的瓶頸問(wèn)題，直接決定著識(shí)別性
2023-07-19 10:27:04
2 0引言 視覺(jué)顯著性估計(jì)中通常以彩色圖像為輸入，因此，本文以３個(gè)相鄰波段的高光譜影像為輸入，進(jìn)行顯著性特征提取，然后沿光譜維度利用滑窗法獲取各個(gè)波段的顯著性特征，最后將各個(gè)波段的顯著性特征進(jìn)行堆疊形成
2023-01-12 09:45:55643 
的桿狀物提取方法，該方法在線運(yùn)行，計(jì)算量小。該方法直接對(duì)由3D 激光雷達(dá)掃描產(chǎn)生的Range圖像進(jìn)行計(jì)算，避免了對(duì)3D 點(diǎn)云的顯式處理，并能快速提取每次掃描的桿狀物。
2022-10-09 14:48:37783 , 而特征提取作為降維的一種重要方法,具有降維速度快等優(yōu)點(diǎn)。 因此,特征提取對(duì)高光譜圖像的利用有重要意義。
2022-09-26 13:53:003254 
特征提取是計(jì)算機(jī)視覺(jué)中的一個(gè)重要主題。不論是SLAM、SFM、三維重建等重要應(yīng)用的底層都是建立在特征點(diǎn)跨圖像可靠地提取和匹配之上。特征提取是計(jì)算機(jī)視覺(jué)領(lǐng)域經(jīng)久不衰的研究熱點(diǎn)，總的來(lái)說(shuō)，快速、準(zhǔn)確、魯棒的特征點(diǎn)提取是實(shí)現(xiàn)上層任務(wù)基本要求。
2022-07-11 10:28:141799 基于中軸變換的改進(jìn)骨架特征提取方法
2021-06-27 15:38:1925 圖像作為一種典型信號(hào)，理論上可由一系列基本信號(hào)構(gòu)成。為尋找一組可重構(gòu)圖像的基本信號(hào)，提出了基于特征的基圖像提取和重構(gòu)方法，使得可由任意圖像集進(jìn)行基圖像提取并可由提取的基圖像重構(gòu)內(nèi)容無(wú)關(guān)的任意圖像
2021-06-16 16:01:254 。首先，采用小波變換的方法處理往復(fù)壓縮機(jī)的振動(dòng)信號(hào)，生成時(shí)頻圖像;其次，利用灰度共生矩陣（GLCM）和方向梯度直方圖（HOG）的方法提取時(shí)頻圖像特征，融合構(gòu)建GHCM-HOG特征;最后，將融合特征輸入支持向量機(jī)（SVM）進(jìn)行分類，以判別往復(fù)壓縮
2021-06-01 14:06:187 圖像特征 傳統(tǒng)的圖像特征提取（特征工程）主要是基于各種先驗(yàn)?zāi)Ｐ停ㄟ^(guò)提取圖像關(guān)鍵點(diǎn)、生成描述子特征數(shù)據(jù)、進(jìn)行數(shù)據(jù)匹配或者機(jī)器學(xué)習(xí)方法對(duì)特征數(shù)據(jù)二分類/多分類實(shí)現(xiàn)圖像的對(duì)象檢測(cè)與識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)
2021-05-20 10:49:083873 
圖像特征 傳統(tǒng)的圖像特征提取（特征工程）主要是基于各種先驗(yàn)?zāi)Ｐ停ㄟ^(guò)提取圖像關(guān)鍵點(diǎn)、生成描述子特征數(shù)據(jù)、進(jìn)行數(shù)據(jù)匹配或者機(jī)器學(xué)習(xí)方法對(duì)特征數(shù)據(jù)二分類/多分類實(shí)現(xiàn)圖像的對(duì)象檢測(cè)與識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)
2021-04-30 09:11:572208 
識(shí)別方法.最后,定義規(guī)則整合各項(xiàng)標(biāo)記,實(shí)現(xiàn)了對(duì)圖像內(nèi)容的劃分,提取其布局信息.實(shí)驗(yàn)結(jié)果表明,該方法應(yīng)用于常見(jiàn)幾種布局的戶外建筑目標(biāo)圖像都能收到較好的效果【關(guān)鍵詞】：超像素;;圖象分割;;特征提取;;D
2010-04-24 09:47:27
基于深度學(xué)習(xí)的圖像融合技術(shù)易丟失網(wǎng)絡(luò)淺層特征信息，難以實(shí)現(xiàn)圖像的精準(zhǔn)識(shí)別。提出一種利用全卷積神經(jīng)網(wǎng)絡(luò)（FCN）提取特征的紅外與可見(jiàn)光圖像融合方法。采用非下采樣剪切波變換（NSsT）對(duì)源圖像進(jìn)行多尺度
2021-03-30 10:32:286 導(dǎo)讀鑒于顯著性目標(biāo)和偽裝目標(biāo)研究的相似性，本文作者將顯著性目標(biāo)與偽裝目標(biāo)合在一起進(jìn)行研究，文章重點(diǎn)是特征提取網(wǎng)絡(luò)與特征融合技術(shù)，主要介紹了三種方法EGNet，PFANet和SINet。
2021-03-12 10:13:578924 
ORB特征是一種圖像識(shí)別、追蹤和匹配中常用的特征，大名鼎鼎的ORB-SLAM就是使用的這一特征。它提取FAST特征點(diǎn)，并通過(guò)特征點(diǎn)附近的窗口矩計(jì)算特征點(diǎn)的方向，含方向的FAST特征也被稱為oFAST
2020-09-26 11:43:234373 
是DimensionalityReduction（降維）的兩種方法，針對(duì)于the curse of dimensionality(維災(zāi)難)，都可以達(dá)到降維的目的。但是這兩個(gè)有所不同。 特征提取（Feature Extraction
2020-09-14 16:23:203360 
研究圖像特征檢測(cè)已經(jīng)有一段時(shí)間了，圖像特征檢測(cè)的方法很多，又加上各種算法的變形，所以難以在短時(shí)間內(nèi)全面的了解，只是對(duì)主流的特征檢測(cè)算法的原理進(jìn)行了學(xué)習(xí)研究。
2020-08-31 10:26:555843 
本文主要闡述了語(yǔ)音識(shí)別算法及語(yǔ)音識(shí)別特征提取方法。
2020-04-01 09:24:4928871 
本文檔的主要內(nèi)容詳細(xì)介紹的是圖像邊緣檢測(cè)和特征提取實(shí)驗(yàn)報(bào)告的詳細(xì)資料說(shuō)明目的包括了：1.了解圖像邊緣檢測(cè)的原理。自己實(shí)現(xiàn)邊緣檢測(cè)算法，對(duì)特定的幾幅圖像進(jìn)行邊緣檢測(cè)，并達(dá)到較好的效果。2.了解特征提取的原理，并對(duì)圖像中存在的一些特征進(jìn)行特征提取。
2019-04-19 08:00:002 深度卷積特征能夠?yàn)?b style="color: red">圖像內(nèi)容描述提供豐富的語(yǔ)義信息，為了在圖像表示中突出對(duì)象內(nèi)容，結(jié)合激活映射中較大響應(yīng)值與對(duì)象區(qū)域的關(guān)系，提出基于多中心卷積特征加權(quán)的圖像表示方法。首先，通過(guò)預(yù)訓(xùn)練深度模型提取出圖像
2018-12-13 17:56:5913 針對(duì)液壓泵故障特征提取問(wèn)題，提出了一種基于奇異值分解和小波包變換的液壓泵振動(dòng)信號(hào)特征提取方法。通過(guò)奇異值分解將噪聲非均勻分布的液壓泵振動(dòng)信號(hào)正交分解為噪聲分布相對(duì)均勻的分量，對(duì)各分量進(jìn)行小波包閾值去
2018-03-05 14:07:530 域相子方法對(duì)電壓暫降的幅值和相角特征進(jìn)行了有效提取。通過(guò)小波域相子的幅值和相位信息構(gòu)造出電壓暫降成因辨識(shí)特征指標(biāo)。最后采用支持向量機(jī)（SVM）方法進(jìn)行了電壓暫降成因的辨識(shí)。結(jié)果表明，所提方法可以有效實(shí)現(xiàn)電壓暫降的
2018-03-01 14:39:450 特征，利用時(shí)間鄰接矩陣提取樣本的時(shí)間特征，利用置信傳播方法將各層局部特征組進(jìn)行匯總歸類，得到整體特征組，作為該圖像幀的時(shí)空特征。此外，在節(jié)點(diǎn)操作中引入張量代數(shù)，從而避免出現(xiàn)高維特征，將特征送入支持向量機(jī)（SVM）分
2018-01-17 17:27:250 為實(shí)現(xiàn)井壁圖像上平面地質(zhì)特征的自動(dòng)提取，研究了圖像中單周期正弦曲線的檢測(cè)方法。提出一種改進(jìn)的霍夫變換，該方法基于正弦曲線上的三個(gè)相關(guān)聯(lián)點(diǎn)在二維累加器中進(jìn)行投票，從而確定相位與基線深度；然后在一維
2018-01-09 10:48:261 捕獲問(wèn)題，并對(duì)其特征參數(shù)提取算法進(jìn)行了研究。針對(duì)跳頻信號(hào)的特征提取，研究了一種基于小波脊線的特征提取算法，通過(guò)matlab仿真實(shí)驗(yàn)對(duì)方法的性能進(jìn)行了驗(yàn)證，實(shí)驗(yàn)表明基于小波脊線的特征提取算法有很大的性能優(yōu)勢(shì)，進(jìn)一步提
2018-01-04 14:04:490 針對(duì)現(xiàn)有行為特征提取方法識(shí)別率低的問(wèn)題，提出了一種融合稠密光流軌跡和稀疏編碼框架的無(wú)監(jiān)督行為特征提取方法（ DOF-SC）。首先，在稠密光流（DOF）軌跡提取的基礎(chǔ)上，對(duì)以軌跡為中心的原始圖像塊進(jìn)行
2017-12-26 18:48:520 圖像與圖像之間沒(méi)有清晰的空間結(jié)構(gòu)，這樣就不能有效利用圖像間空間結(jié)構(gòu)上的相關(guān)性信息，針對(duì)此問(wèn)題提出一種基于新的空間關(guān)系特征的圖像檢索方法。首先，提取待查詢圖像在內(nèi)的全部圖像的特征向量。然后，計(jì)算
2017-12-15 17:17:351 針對(duì)復(fù)雜環(huán)境下的深度圖像手勢(shì)特征提取信息冗余量大、編碼不穩(wěn)定等問(wèn)題，提出了一種改進(jìn)的基于曲率局部二值模式（ LBP）的深度圖像手勢(shì)特征提取算法。該算法首先通過(guò)坐標(biāo)轉(zhuǎn)換將分割出的手勢(shì)深度數(shù)據(jù)轉(zhuǎn)換為點(diǎn)云
2017-12-11 16:21:063 針對(duì)眼底出血圖像中出血形態(tài)各異、干擾目標(biāo)多的特性，為提高出血檢測(cè)精度，同時(shí)降低非出血目標(biāo)引起的干擾，提出了一種基于眼底圖像三個(gè)彩色通道的出血特征提取方法。該方法利用眼底出血圖像在不同彩色通道的表現(xiàn)
2017-12-11 16:13:000 針對(duì)傳統(tǒng)分割方法處理具有復(fù)雜性、多樣性的室外彩色圖像存在明顯不足，本文提出一種融合Gabor紋理特征的室外彩色圖像均值偏移分割方法。首先，采用Gabor濾波器組對(duì)圖像進(jìn)行紋理特征提取，將特征進(jìn)行多方
2017-12-07 15:17:151 特征表示是人臉識(shí)別的關(guān)鍵問(wèn)題，由于人臉圖像在拍攝過(guò)程中受光照、遮擋、姿勢(shì)等因素的影響，如何提取魯棒的圖像特征成了研究的重點(diǎn)。受卷積網(wǎng)絡(luò)框架的啟發(fā)，結(jié)合K-means算法在卷積濾波器學(xué)習(xí)中所具有的效果
2017-12-06 15:54:370 基于SIFT特征點(diǎn)的配準(zhǔn)是圖像配準(zhǔn)領(lǐng)域里常采用的一種方法。但是，在復(fù)雜背景下，圖像SIFT特征點(diǎn)通常量大且冗余，這會(huì)帶來(lái)浪費(fèi)存儲(chǔ)空間、容易誤配、配準(zhǔn)耗時(shí)多等問(wèn)題。針對(duì)這些缺點(diǎn)，提出了一種去冗余
2017-12-01 15:08:380 的空域和頻域局部特性，是又一個(gè)新的圖像多尺度兒何分析工其，其相對(duì)于小波的優(yōu)勢(shì)在于更加適合描述圖像的幾何特征，因此也更適合人臉特征提取及識(shí)別分析。。
2017-11-30 15:09:363242 
極光分類對(duì)于太陽(yáng)活動(dòng)對(duì)地球的影響方式的研究具有非常重要的意義，現(xiàn)有的極光分類方法主要是基于極光圖像的局部特征，這些局部特征對(duì)噪聲干擾及極光圖像的位置、方向等變化較為敏感，很難滿足實(shí)際應(yīng)用的要求。本文
2017-11-30 14:13:311 圖像檢測(cè)就是通過(guò)圖像對(duì)感興趣的特征區(qū)域（檢測(cè)目標(biāo)）進(jìn)行提取的過(guò)程，檢測(cè)目標(biāo)需要事先進(jìn)行圖像特征提取、歸納，最終通過(guò)相應(yīng)算法分離出來(lái)，可對(duì)圖像中的背景和目標(biāo)進(jìn)行有效的分離，檢測(cè)方法可分為單幀和多幀圖像
2017-11-24 10:03:1420 利用數(shù)據(jù)挖掘方法對(duì)醫(yī)學(xué)圖像做分析是目前研究的熱點(diǎn)之一，常用的挖掘方法首先需要從醫(yī)學(xué)圖像中提取特征，然后進(jìn)行分類分析。目前，應(yīng)用最多的是提取圖像的統(tǒng)計(jì)特征，這種方法對(duì)所提取的特征有很強(qiáng)的依賴性。采用
2017-11-22 16:32:238 識(shí)別特征。針對(duì)激光網(wǎng)格標(biāo)記圖像的特點(diǎn)，在隨機(jī)抽樣一致性RANSAC算法的基礎(chǔ)上，提出了像素權(quán)重化和假設(shè)模型預(yù)檢驗(yàn)的方法，用于激光網(wǎng)格標(biāo)記的直線特征提取。實(shí)驗(yàn)結(jié)果表明，該方法不僅克服了RANSAC算法計(jì)算量大和參數(shù)敏感的缺點(diǎn)
2017-11-17 17:26:003 計(jì)算機(jī)視覺(jué)的特征提取算法研究至關(guān)重要。在一些算法中，一個(gè)高復(fù)雜度特征的提取可能能夠解決問(wèn)題（進(jìn)行目標(biāo)檢測(cè)等目的），但這將以處理更多數(shù)據(jù)，需要更高的處理效果為代價(jià)。而顏色特征無(wú)需進(jìn)行大量計(jì)算。只需將數(shù)字圖像中的像素值進(jìn)行相應(yīng)轉(zhuǎn)換，表現(xiàn)為數(shù)值即可。因此顏色特征以其低復(fù)雜度成為了一個(gè)較好的特征。
2017-11-16 14:12:124082 自計(jì)算機(jī)視覺(jué)產(chǎn)生開(kāi)始，視覺(jué)信息則自動(dòng)成為其處理的對(duì)象。紋理特征作為視覺(jué)信息的重要部分，成為圖像特征提取的重點(diǎn)。針對(duì)紋理特征提取中，傳統(tǒng)LBP算法作為一種基于灰度的算法，僅僅局限對(duì)低分辨率圖片，其
2017-11-10 14:35:2211 紋理是表征圖像的一個(gè)重要特征，它廣泛存在于各類圖像中。紋理圖像的分類在圖像處理、計(jì)算機(jī)視覺(jué)和模式識(shí)別中有著極其重要的作用。紋理分類的一個(gè)重要研究內(nèi)容是紋理特征的提取，期望所提取的特征能有效地刻畫紋理
2017-11-02 17:19:382 從人臉彩色視頻圖像序列中能夠分離出光電容積脈搏波（PPG ）信號(hào)，進(jìn)而提取人體的心率值，為了保證提取心率值的實(shí)時(shí)性和準(zhǔn)確性，降低對(duì)外界光照環(huán)境的依賴性，研究使用對(duì)角累積量算法和Robust ICA
2017-10-30 18:25:1428 傳統(tǒng)方法采用小波動(dòng)態(tài)特征提取方法，受到梯度向量運(yùn)算閾值的干擾導(dǎo)致特征提取困難。提出一種基于倍頻信號(hào)濾波的非規(guī)則圖像動(dòng)態(tài)特征提取方法。采用有限元方法進(jìn)行圖像湍流模型建模和流場(chǎng)分析，采用加速度傳感器采集
2017-09-21 13:45:292 礦物顯微圖像中的直線段特征提取算法_閔濤
2017-03-04 18:04:530 基于脈搏的心沖擊信號(hào)特征提取方法研究_王春武
2017-03-04 18:01:312 紅細(xì)胞SEM圖像的三維重構(gòu)及形狀特征提取_唐思源
2017-03-01 21:14:110 基于多特征融合半自動(dòng)巖心圖像顆粒提取_侯情緣
2017-02-27 17:40:290 基于多尺度融合的甲狀腺結(jié)節(jié)圖像特征提取_王昊
2017-01-08 11:13:290 基于加權(quán)多尺度張量子空間的人臉圖像特征提取方法_王仕民
2017-01-08 10:57:061 基于最優(yōu)Morlet小波自適應(yīng)包絡(luò)解調(diào)的弱故障特征提取方法_侯新國(guó)
2017-01-07 18:21:311 特征從高維特征空間壓縮到低維特征空間，并提取有效故障特征以提高故障診斷率就成了一個(gè)重要的課題。本文將簡(jiǎn)要介紹部分模擬電路故障診斷中使用的特征提取方法的原理步驟及其優(yōu)缺點(diǎn)，為進(jìn)一步的研究打下基礎(chǔ)。
2016-11-28 17:24:264336 針對(duì)人臉識(shí)別中的特征提取問(wèn)題，提出一種新的基于Gabor的特征提取算法，利用Gabor小波變換良好的提取區(qū)分能力和LDA所具有的判別性優(yōu)勢(shì)來(lái)進(jìn)行特征提取。首先利用Gabor小波變換來(lái)提取人臉特征
2013-01-22 14:25:2654 研究了基于小波分析的車牌圖像定位、分割、大小歸一化方法，并分析了奇異值分解算法的數(shù)學(xué)原理和算法。利用奇異值分解作為代數(shù)特征提取方法，獲得圖像的有效特征描述。以Mat
2012-10-17 11:08:0128 針對(duì)傳統(tǒng)漢字字符特征提取方法的不足，提出了一種基于Gabor變換，對(duì)圖像紋理特征的方向性敏感的字符特征提取方法。先將灰度字體圖像進(jìn)行二值化、歸一化處理，再利用Gabor濾波器進(jìn)
2012-08-29 17:10:0214 根據(jù)視覺(jué)注意機(jī)制的經(jīng)典模型Itti模型來(lái)提取圖像的低層特征，利用局部迭代的特征合并策略并在此基礎(chǔ)上綜合自動(dòng)閾值分割和種子點(diǎn)的區(qū)域生長(zhǎng)方法得到感興趣區(qū)域的提取方法。實(shí)驗(yàn)結(jié)
2012-05-09 15:40:0483 為了使計(jì)算機(jī)能更好的識(shí)別人臉表情，對(duì)基于Gabor小波變換的人臉表情識(shí)別方法進(jìn)行了研究。首先對(duì)包含表情區(qū)域的靜態(tài)灰度圖像進(jìn)行預(yù)處理，包括對(duì)確定的人臉表情區(qū)域進(jìn)行尺寸和灰
2012-02-29 14:46:4739 文中主要介紹了基于分形維數(shù)提取法、小波提取法、Gabor濾波器提取法、灰度共生矩陣提取法等紋理特征提取的原理和步驟等,并對(duì)各個(gè)方法的優(yōu)、缺點(diǎn)進(jìn)行了歸納總結(jié)。
2012-02-22 11:11:2610 本文通過(guò)對(duì)已有圖像拼接算法的分析研究，改進(jìn)了拼接算法中的特征點(diǎn)匹配問(wèn)題。首先利用Harris角檢測(cè)算法提取特征點(diǎn)，然后通過(guò)歸一化相關(guān)法進(jìn)行初始匹配，接著引入馬氏(Mahalanobis
2011-12-29 16:31:3328 提出了一種新的橫向和縱向模板算法,通過(guò)仿真實(shí)驗(yàn),獲得了優(yōu)于梯度算子提取圖像邊緣的結(jié)果。并對(duì)以上算法進(jìn)行改進(jìn),在邊緣圖像信息衰減微小的情況下,有效地改善了圖像邊緣的提取時(shí)
2011-11-11 14:26:4918 該文針對(duì)Mallat快速離散小波變換，提出了一種利用變換平移不變性的離散小波變換的彩色圖像分割方法。首先對(duì)原始圖像進(jìn)行平移不變性的小波變換，然后提取顏色和紋理特征，并采用
2011-10-12 16:00:5819 采用了基于多 小波變換 的文本圖像文種識(shí)別方法，提取多小波變換各子帶系數(shù)的能量特征，構(gòu)造特征矢量，并采用LIBSVM進(jìn)行多文種的分類。通過(guò)對(duì)10種語(yǔ)言文字的文本圖像進(jìn)行實(shí)驗(yàn)，表
2011-08-15 10:34:4625 紅外圖像受噪聲污染嚴(yán)重，邊緣模糊，應(yīng)用傳統(tǒng)的邊緣提取算法提取邊緣較為困難。本文根據(jù)人眼微動(dòng)視覺(jué)成像的基本原理，結(jié)合紅外圖像的特點(diǎn)進(jìn)行了邊緣提取的研究。
2011-07-09 17:15:161061
特征提取是聲目標(biāo)識(shí)別的關(guān)鍵。由于車輛噪聲信號(hào)的非平穩(wěn)特性，傳統(tǒng)特征提取方法有很大局限性。介紹小波分析方法在車輛噪聲信號(hào)特征提取中的應(yīng)用，仿真結(jié)果證
2010-12-31 17:16:2832 對(duì)果實(shí)圖像進(jìn)行實(shí)時(shí)、準(zhǔn)確的目標(biāo)提取是獼猴桃采摘機(jī)器人研究的關(guān)鍵技術(shù)。本文在對(duì)各種背景圖像進(jìn)行顏色特征分析的基礎(chǔ)上, 利用RGB顏色模型中的R-B顏色分量實(shí)現(xiàn)圖像分割，并通
2010-03-01 14:29:3310 遙感圖像為地理信息系統(tǒng)數(shù)據(jù)的更新和應(yīng)用提供了有利條件,遙感圖像的特征提取是其中的關(guān)鍵問(wèn)題。針對(duì)灰色絕對(duì)關(guān)聯(lián)度計(jì)算模型的特點(diǎn),提出一種基于灰色絕對(duì)關(guān)聯(lián)度和圖像子塊標(biāo)
2010-03-01 14:15:327 基于小波變換的圖像融合方法已成為現(xiàn)今研究的熱點(diǎn),針對(duì)圖像融合過(guò)程中由于各種因素不同將會(huì)對(duì)最后融合的性能產(chǎn)生較大的影響,利用了不同的小波基和分解層次對(duì)比分析了融合結(jié)
2010-03-01 14:12:4420
本文提出一種特征點(diǎn)與模板匹配相結(jié)合的圖像拼接方法,先對(duì)相鄰兩幅圖像利用Harris算子提取特征點(diǎn),然后根據(jù)特征點(diǎn)的位置確定模板的大小和位置,大大減小了圖像拼接的計(jì)算量,
2010-02-21 14:38:1438 借助小波變換在時(shí)頻分析上的優(yōu)點(diǎn)，提取地面運(yùn)動(dòng)目標(biāo)的回波信號(hào)特征在目標(biāo)識(shí)別中加以應(yīng)用。首先對(duì)目標(biāo)的回波信號(hào)進(jìn)行預(yù)處理，獲取目標(biāo)的瞬時(shí)多普勒頻率信號(hào)，然后對(duì)該信
2009-12-18 16:51:369 特征提取是模式識(shí)別中的關(guān)鍵技術(shù)之一，本文提出了一種基于改進(jìn)ReliefF 算法的主成分特征提取方法，通過(guò)該方法進(jìn)行主特征特征提取可以有效降維，大大減輕了后續(xù)的分類器的
2009-12-12 13:47:4527 雙密度雙樹(shù)復(fù)數(shù)小波變換綜合了雙密度小波、雙樹(shù)小波和復(fù)數(shù)小波的優(yōu)點(diǎn)，具有平移不變性以及良好的方向性，將其引入圖像融合能夠更好地提取原始圖像的特征，為融合圖像提供
2009-11-25 14:58:3415 改進(jìn)分形特征是用指數(shù)小波在一個(gè)尺度上對(duì)檢測(cè)圖像濾波，針對(duì)特定大小目標(biāo)用能量關(guān)系函數(shù)求得各像素點(diǎn)的分形特征。該文研究了利用改進(jìn)分形特征對(duì)SAR圖像進(jìn)行目標(biāo)檢測(cè)的方法
2009-11-25 14:35:4120 該文提出了一種基于小波域非負(fù)矩陣分解特征提取的合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法。該方法對(duì)圖像二維離散小波分解后提取低頻子帶圖像，用非負(fù)矩陣分解對(duì)低頻子帶圖像提取特
2009-11-21 11:58:4821 基于邊界特征的圖像二值化方法應(yīng)用研究:邊界特征是圖像的重要信息，閾值是區(qū)分圖像象素點(diǎn)的主要依據(jù)。研究了基于圖像邊界特征的二值化方法在齒輪圖像處理中的應(yīng)用，將最
2009-11-08 16:28:2225 基于廣義典型相關(guān)分析的仿射不變特征提取方法:該文結(jié)合廣義典型相關(guān)分析(GCCA)理論，提出了一種新的圖像仿射不變特征提取方法。首先，基于多尺度自卷積變換(MSA)構(gòu)造了一組新
2009-10-29 12:52:5317 SISAR功率譜特征提取方法:文主要研究了對(duì)SISAR全息信號(hào)功率譜歸一化處理獲得識(shí)別特征的方法。通過(guò)分析側(cè)影成像全息信號(hào)和目標(biāo)側(cè)影雷達(dá)截面積的關(guān)系，導(dǎo)出由計(jì)算雷達(dá)截面積的方
2009-10-23 10:26:2112 小波變換在過(guò)零調(diào)制信號(hào)特征提取中的應(yīng)用
介紹小波變換理論和算法，說(shuō)明去除信號(hào)噪聲原理；給出了以db2為小波函數(shù)和選用閾值方法去噪的
2009-10-12 23:47:451352 
圖像特征識(shí)別的方法及其技術(shù)實(shí)現(xiàn)系當(dāng)前模式識(shí)別研究領(lǐng)域中最為熱門的研究課題之一。本文針對(duì)NMI（歸一化轉(zhuǎn)動(dòng)慣量）特征識(shí)別、不變矩
2009-09-11 09:54:4214 為了解決強(qiáng)背景噪聲下采集到的管道壓力參數(shù)信號(hào)中泄漏特征信號(hào)難以準(zhǔn)確提取的難題，本文提出利用獨(dú)立分量分析技術(shù)（ICA）對(duì)負(fù)壓波信號(hào)進(jìn)行處理，提取泄漏信息特征信號(hào)，
2009-09-01 11:17:4221 基于小波變換的“多分辨”特性,采用一種利用小波模極大值，找到圖像中的邊界點(diǎn),從而實(shí)現(xiàn)對(duì)灰度圖像的邊界檢測(cè)的方法.通過(guò)分析圖像中是否有灰度突變特征, 來(lái)判斷邊界的存在。
2009-08-31 16:28:206 研究了小波技術(shù)在圖像邊緣提取中的應(yīng)用，解決了目前圖象中存在的局部分割問(wèn)題，提出了鏈的百分比概念；針對(duì)分割結(jié)果的不封閉性，采用邊緣點(diǎn)生長(zhǎng)的方法，有效地解決了區(qū)域
2009-06-06 16:09:1512 提出在Gabor 濾波理論的基礎(chǔ)上，結(jié)合Fisher 線性判別方法，對(duì)手寫數(shù)字圖像的所有特征點(diǎn)尋找局部最優(yōu)濾波頻率和濾波方向，從而提取最優(yōu)Gabor 特征的方法。對(duì)MNIST 手寫體數(shù)據(jù)庫(kù)的
2009-06-06 14:15:0912 本文運(yùn)用主成份分析法對(duì)鑄造零件表面缺陷數(shù)字圖像進(jìn)行特征提取，提出了簡(jiǎn)化零件表面質(zhì)量自動(dòng)檢測(cè)計(jì)算量的新方法，具體地闡述了主成份分析法的原理、計(jì)算方法、數(shù)字圖像
2009-05-30 14:52:4914 提出了一種新的人臉特征提取方法，該方法采用DCT對(duì)人臉圖像進(jìn)行降維和去噪，并通過(guò)KDA提取人臉特征。基于該特征，采用NN分類器，對(duì)ORL人臉庫(kù)進(jìn)行分類識(shí)別，僅用28個(gè)特征平均
2009-05-25 22:04:1015 提出一種利用興趣點(diǎn)進(jìn)行局部特征提取及檢索的新方法。該方法利用圖像中興趣點(diǎn)的位置信息，提取興趣點(diǎn)周圍局部區(qū)域的顏色及紋理特征作為刻畫圖像內(nèi)容的主要特征，結(jié)合興趣
2009-04-23 09:17:0528 計(jì)算信息特征(屬性)的權(quán)重問(wèn)題在信息分類及模式匹配中是一個(gè)研究熱點(diǎn)。該文提出一種基于改進(jìn)ReliefF算法的主成分特征提取方法，利用此算法刪除原始特征中與分類不相關(guān)的特征
2009-04-15 10:06:267 摘要：提出了一種基于小波和熵提取圖像字符特征的方法。該方法利用小波變換對(duì)圖像字符進(jìn)行多尺度分解，用marr零交叉邊緣檢測(cè)算子提取邊緣；用基于判別熵最小化提取每
2006-03-24 13:30:02633 
摘要：針對(duì)常規(guī)特征提取方法存在著問(wèn)題不足，提出了基于BP神經(jīng)網(wǎng)絡(luò)和基于互信息熵的特征提取方法，并通過(guò)特征提取實(shí)例加以說(shuō)明。結(jié)果表明這兩種方法是可行和有效的。
2006-03-11 13:14:211192 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論