共查询到18条相似文献，搜索用时 515 毫秒
1.
基于LSP与GLCM融合的禾本科牧草种子特征提取算法 总被引：1，自引：1，他引：0
针对禾本科牧草种子相似性较高、识别困难的问题,采用局部相似模式(LSP)和灰度共生矩阵(GLCM)的方法,对禾本科牧草种子的分类识别进行研究。结果表明:1)局部相似模式与灰度共生矩阵融合的方法可以有效的提取禾本科牧草种子的纹理特征,能够识别颜色、形状、大小等特征都十分相似的牧草种子,且其识别率优于传统的LSP特征算子和GLCM特征算子。2)与传统LSP算法相比,结合灰度共生矩阵算法后,得到的特征受到相似种类种子图像的影响较小,具有更广泛的适应性。因此,基于LSP和GLCM的融合算法可以有效地提取相似禾本科种子图像的纹理统计特征,采用线性判别分析分类器(LDA)进行分类,识别率最高达到98.64%。 相似文献
2.
为了确定东北虎个体识别的参数,根据灰度共生矩阵不同方向、不同像素间距、不同灰度级时的特征值变化情况,计算了灰度共生矩阵的7个特征参数.在确定灰度共生矩阵像素间距和灰度级别后,结合Hu不变矩抽象的形状特征公式,并利用BP神经网络对东北虎进行了分类识别,结果证明:灰度共生矩阵法生成的参数有效,可用于对东北虎个体的识别. 相似文献
3.
基于ETM~+的遥感影像信息提取研究 总被引：2，自引：0，他引：2
以沈阳市苏家屯区为试验区,对ETM+图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的.利用光谱信息提取水体、植被;采用基于灰度共生矩阵的纹理量的分类法,通过TM5波段提取灰度共生矩阵和灰度联合矩阵,计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离,得到最终的分类结果.结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度. 相似文献
4.
基于纹理的风蚀水蚀过渡区TM影像土地利用信息提取 总被引：1，自引：0，他引：1
【目的】探索在风蚀水蚀过渡区,利用TM遥感影像提取土地利用信息的方法。【方法】以榆林市西北部风蚀水蚀过渡区为对象,应用主成分变换与基于灰度共生矩阵纹理特征相结合的方法对TM影像进行分析,选取均值作为分类指标,采用分层分类法进行信息提取。【结果】不同土地利用类型之间纹理特征参数差异明显,荒漠化土地的均值、方差值较高,灰度分布不均匀,相邻像元反差明显,内部变化剧烈;水体和灌溉耕地的均值、方差值很低,灰度值均匀,内部变化小;林地和旱耕地信息介于上述两类土地之间。【结论】与传统分类方法相比较,纹理分析方法可以获得更高的分类精度。 相似文献
5.
首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类,以选出最佳的分类模型;然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征,并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集,利用选出的最佳分类模型对特征集进行离散水体提取,对其精度检验结果进行对比。结果表明,对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度,Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知,Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上,对于离散水体信息提取具有积极效果。 相似文献
6.
首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类，以选出最佳的分类模型；然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征，并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集，利用选出的最佳分类模型对特征集进行离散水体提取，对其精度检验结果进行对比。结果表明，对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度，Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知，Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上，对于离散水体信息提取具有积极效果。 相似文献
7.
基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法 总被引：3，自引：0，他引：3
针对木材缺陷这一自然纹理型事物,提出了一种基于灰度共生矩阵并结合模糊C均值聚类算法的纹理分割方法.对比了该方法与基于灰度-梯度共生矩阵二维阈值分割算法的分割结果,实验表明:对于木材表面缺陷这类自然纹理图像的分割,纹理分割是行之有效的方法. 相似文献
8.
图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。 相似文献
9.
采用灰度共生矩阵方法，利用Fisher系数提取出最佳分类位置算子和纹理特征参数，通过对实际回转窑窑头熟料图像分析,发现位置算子为（5，-5）即距离为5、方向为45°下的灰度共生矩阵对应的和平均、逆差距、差异熵、对比度、差方差和熵这6个参数具有较好的区分度，其表面纹理特征能客观地反映其烧结程度，并通过基于C4.5算法实现了过烧、欠烧和正常烧结3种不同状态下的熟料纹理分类，其精度达到了95.65%.同时结合实际工况对熟料纹理进行了分析，给出了各自的变化特点. 相似文献
10.
基于二维阈值向量的木材表面缺陷分割方法 总被引：1，自引：0，他引：1
根据木材表面缺陷图像的自身特点,提出了基于灰度—梯度二维阈值向量的缺陷区域分割方法。该方法以灰度—梯度共生矩阵为模型,通过计算基于灰度—梯度共生矩阵的二维熵并使边缘区域的熵最大化来选择二维阈值向量。该方法不仅利用了图像的灰度信息,也利用了图像的梯度信息。采用形态学运算对分割后的二值图像进行分割后处理,试验表明,分割效果良好。 相似文献
11.
一种基于混合纹理特征的木板材表面缺陷检测方法 总被引：1，自引：0，他引：1
利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。 相似文献
12.
【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。 相似文献
13.
遥感图像尤其是高分辨率（1~4 m）遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19 19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为最佳纹理组合,能有效减少数据冗余。高分辨率遥感数据纹理信息的运用为树种分类识别时的特征选择提供了有利技术参考。图4表3参19 相似文献
14.
基于高光谱图像技术的油菜籽品种鉴别方法研究 总被引：4，自引：1，他引：4
提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400～1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用. 相似文献
15.
大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。 相似文献
16.
以河北省秦皇岛市山海关公益林为研究对象,结合Landsat TM数据和森林资源二类调查数据,运用灰度共生矩阵分析法提取纹理信息,采用逐步回归法建立多元线性回归模型,进行森林蓄积量的估算。结果表明:选取纹理因子参与建模,建立的线性回归方程的拟合效果较好,估测模型的R~2值达0.766,估计值的标准误差最小,标准误差最小值为28.036,说明纹理因子对提高森林蓄积量的估测精度有重要影响。 相似文献
17.
基于高光谱成像技术的茄子叶片灰霉病早期检测 总被引：2，自引：0，他引：2
为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测. 相似文献
18.
The effect of probability-distance based re-weighting of image texture features on their discrimination ability was evaluated in this study. A quadratic surface smoothing function was developed from the Bhattacharyya probability distance between two classes of images. The function was used as a re-weighting function for standard grey level co-occurrence matrix (GLCM) textural features in two cases. Case 1 involved 42 images of health and smokers’ lungs. Case 2 involved 144 images of well watered; partially water stressed and dry Rhacomitrium canescens plants. Multilayer perception (MLP) neural networks (NN) classifiers based on standard weighted and probabilistic-distance based re-weighted GLCM textural features were developed for each case. The classifiers were trained and tested using the leave-one-out and the cross-validation evaluation strategies.Probability-distance based re-weighting of GLCM textural features resulted in 37% and 39.22% reduction in true classification error for cases 1 and 2, respectively. It was concluded that re-weighting image texture features based on the probability distance between the classes involved, makes the GLCM texture analysis technique more discriminative and adaptive. This modification will help to overcome the fixed nature of GLCM features which is an area of weakness open to further improvement. Although GLCM features were used in this study, the method can be extended to other co-occurrence-based methods. 相似文献