导读:本文包含了纹理图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:纹理,图像,局部,特征,模式,算子,卷积。
纹理图像论文文献综述
陈静,张艳新,姜媛媛[1]（2019）在《融合多特征与随机森林的纹理图像分类方法》一文中研究指出针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。(本文来源于《传感器与微系统》期刊2019年12期）
王军敏,李宁,王艳辉[2]（2019）在《基于Gabor特征和局部二值模式融合的纹理图像识别》一文中研究指出传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显着超越了传统Gabor滤波方法和LBP算法的纹理识别精度.(本文来源于《平顶山学院学报》期刊2019年05期）
徐歆冰[3]（2019）在《多重纹理图像相似模式精确识别方法仿真》一文中研究指出图像相似程度识别是图像高效利用的基础,针对当前相关成果存在的问题,提出基于LBP的多重纹理图像相似模式识别方法。引入模糊松弛迭代法进行图像增强,根据图像基本信息,设置图像模糊松弛参数,设计构建模糊松弛相应映射函数,实现图像可控迭代式增强,并以适当迭代次数当作增强结束条件。基于增强后图像提取纹理特征,对增强后的图像进行粒的划分,依据图像区域分割结果提取出粒边缘,得到粒边缘详细信息,将合并后的粗糙粒边缘当作图像纹理特征。结合特征提取结果,采用LBP算子对图像进行精细划分,得到LBP直方图分布情况,并基于训练模型及测试样本特征,通过加权特征向量之间的距离计算得到图像相似模式识别分类最终结果。仿真结果表明,上述方法识别率高,且识别过程能耗低。(本文来源于《计算机仿真》期刊2019年10期）
郭二军[4]（2019）在《云平台网络多重纹理图像匹配融合方法研究》一文中研究指出传统的图像匹配融合方法在匹配多重纹理图像时,很容易出现误差匹配,融合后的图像清晰度不高,轮廓不鲜明,针对上述问题,在云平台网络上研究了一种新的多重纹理图像匹配融合方法。首先,计算多重纹理图像的匹配代价,分析图像像素的相似度和特异性,构建动态规划路径,在不同网络结构下匹配多重纹理图像;然后,建立树状图对图像进行融合;最后,利用视察矫正方法将匹配融合得到的误差点消除。为验证该方法的工作效果,与传统匹配融合方法进行实验对比,结果表明,给出的方法能够清晰地得到像素点云,使融合后的图像轮廓鲜明,画质清晰,适用于图像重构。(本文来源于《现代电子技术》期刊2019年19期）
王田玉[5]（2019）在《基于邻域差分的纹理图像分类方法》一文中研究指出在计算机视觉和模式识别领域,纹理分类是一个重要的研究课题。纹理分类方法已经成功应用到很多领域。近年来,人们提出了各种特征提取的方法用于纹理分类。一般来说,分为两大类:空域方法和频域方法。空域方法用于处理图像矩阵空间像素之间的关系。频域方法利用变换系数进行纹理分析。纹理分类方法仍存在以下问题:纹理特征维度高,对旋转、光照、尺度变化、视角变化、噪声等不具有鲁棒性。针对以上的问题,本文提出两种纹理分类方法。基于跳跃细分化局部模式的纹理分类方法包含跳跃性局部差分模式和细分化完整局部二值模式。跳跃性局部差分模式里包含局部区域中的跳跃信息,提取局部区域内邻域像素间的二阶差分计数特征和基于指定距离的对角方向特征,用于抑制噪声和旋转对图像分类的影响。为了捕获被跳跃性局部差分模式遗留下来的细节信息,细分化完整局部二值模式被提出,它是对中心像素及其邻域像素间的非统一模式差分特征进行重新的划分,提取了图像的微观结构信息和宏观结构信息。而且该方法的特征维度较低,计算量小。基于方向极值化局部模式的纹理分类方法包含图像纹理的方向信息和像素强度信息。此方法由局部方向差分计数模式和邻域极值局部模式组成。前者从中心像素的奇数邻域和偶数邻域中提取不同方向的差分信息。后者提取的是局部区域内极值的位置信息(最大值,最小值),局部区域内极值与邻域像素点间的旋转不变统一模式信息,以及引入求余模型,获得基于极值的中心像素点压缩信息。在国际上公认的标准纹理数据库(Brodatz,CUReT,UIUC,VisTex,Kylberg,Kth-tips2-a,Outex_TC_00010,DTD,Prague,Stex,Kth-tips2-a)上的实验证明,本文所提出的两种纹理图像分类方法与其它六种具有代表性的纹理分类方法相比,对不同的成像条件,例如旋转、光照,尺度变化、视角变化,噪声等具有鲁棒性,可以获得更令人满意的分类性能。(本文来源于《河南科技大学》期刊2019-05-01）
周力[6]（2019）在《基于局部算子的复杂纹理图像分割方法研究》一文中研究指出纹理图像分割是图像处理领域的重要研究方向之一,同时也是图像处理领域的重要基础问题。但是,由于纹理具有数量繁多、结构复杂以及形态各异的特点,且人们对于人类视觉系统感知纹理的机制认识不成熟,纹理图像分割依旧是图像处理领域的一大难题,同时也是图像处理领域的研究热点之一。纹理图像分割一般分为两个步骤进行:首先利用特征提取算子提取纹理特征,然后通过构建能量泛函等方法进行纹理图像分割。纹理的多样性和纹理模式的复杂性造成现有的纹理特征提取算子难以准确描述纹理特征,从而导致最终的分割结果不够精确。在提取纹理特征后,一般利用分割模型结合纹理特征完成纹理图像分割,其中水平集方法具有分割结果是闭合曲线、有完整的数学理论支撑、拓扑不变等优点,在图像分割领域表现了良好的性能。本文基于局部算子对纹理图像分割问题进行研究,利用局部算子提取局部区域的特征,并将纹理特征融入到水平集方法中完成纹理图像的分割。主要工作如下:(1)介绍并总结了纹理图像分割的研究意义、难点和常用的方法,局部算子的研究现状及其在纹理图像分割中的应用;随后选出几种常用的纹理图像分割技术进行简单的介绍。(2)提出了一种基于多特征的水平集方法用于纹理图像分割。具体的,提出了局部连接度算子和局部差异度算子两种新的局部算子,并将灰度信息和两种局部特征算子所提取的纹理特征融入到水平集方法中,得到最终的分割结果。其中局部连接度算子用来描述局部区域中与中心点相连接且具有相似灰度的点的数量,局部差异度算子用来描述局部点和中心点的灰度差异程度。最后通过一系列的实验,证明该方法的有效性和优势。(3)提出了利用Gabor滤波器和改进的LTP算子相结合提取纹理特征的方法。具体的,利用Gabor滤波器提取具有相似性的纹理特征,利用LTP算子描述局部的差异性,并对原始LTP不能准确描述局部特征的问题进行改进,得到改进的LTP算子。将Gabor滤波器与改进的LTP算子融合到水平集方法中,完成纹理图像的分割。并通过实验,验证该方法的有效性和优势。(本文来源于《合肥工业大学》期刊2019-05-01）
黎明,邢冬冬,汪宇玲[7]（2019）在《基于多分辨率Trace变换的纹理图像分类》一文中研究指出针对Trace变换提取的图像特征缺乏对纹理边缘信息描述和计算代价高的问题,利用小波变换对图像轮廓的表征优势,提出了多分辨率Trace变换并应用于纹理图像分类.首先,将小波变换引入到Trace变换中,对纹理图像进行非下采样小波变换,得到不同频率的低频特征子图及高频边缘子图;其次,在各级子图上进行一组泛函的Trace变换,获取纹理图像的融合特征,在获得图像边缘信息的同时避免了Trace变换不同泛函组合计算代价过高的问题;最后,把融合特征送入支持向量机对图像进行分类.实验结果表明,对图像采用多分辨率Trace变换提取的融合特征具有更好的纹理描述能力,相对于传统Trace变换及MCM等对比方法具有更高的鉴别性能,且在时间效率上相对于传统Trace变换有大幅提升.(本文来源于《电子学报》期刊2019年04期）
刘嘉政,王雪峰,王甜[8]（2019）在《基于深度学习的5种树皮纹理图像识别研究》一文中研究指出【目的】针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。【方法】本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。【结果】对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。【结论】本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。(本文来源于《北京林业大学学报》期刊2019年04期）
刘涛[9]（2019）在《基于几何约束稀疏表达的纹理图像分割研究》一文中研究指出纹理图像分割是计算机视觉中的经典问题,其将纹理图像划分为不同的纹理区域。作为一项关键技术,纹理图像分割已经广泛用于许多视觉应用中,如自动机器人导航,遥感图像分析和医学图像分析。纹理图像分割关键的一点是要正确地找出不同纹理区域内的纹理基元。这个任务可以被视为挖掘高维纹理图像的低维子结构的过程,其可以通过基于字典学习的稀疏表达来有效地完成。本文专注于研究用于纹理图像分割的稀疏表达模型。在实际场景中,纹理图像分割输出的预期标签图像通常会显示出一些几何特性,例如标签图像的分块恒定性与区域边界的连通性。然而,传统的稀疏表达模型不能表征这些几何特性。本文的主要内容是提出有效的稀疏表达模型来进行纹理图像的分割,其可以很好地诱导分割结果的几何特性。此外,论文还研究了相关的纹理特征提取方法以及后处理技术。基于所提出的模型与技术,本文设计了两种完整的纹理图像分割方法,一种用于允许用户交互的情况,另一种用于全自动分割的情况。本文的主要工作总结如下:(1)提出了一种用户交互式的纹理图像分割方法。该方法允许用户以简单而有效的方式为小的纹理区域提供初始标签。利用这些标签,纹理图像分割问题被转化成了弱监督的图像块分类问题。然后就提出了一种弱监督的稀疏表达模型来利用给定的标签进行分割。所提出的模型还利用了分割标签图像的几何特性的先验。通过控制标签图像的小波系数的7)_0范数来引入标签的分块恒定性。通过约束标签图像为闭运算的不动点来保证区域边界的连通性。为了获得更全面的纹理特征作为输入,提出了一种基于局部直方图多特征融合的纹理特征提取方法。(2)通过特征量化将上述弱监督模型扩展到无监督模型,提出了一种全自动纹理图像分割方法。为了提高无监督模型的性能,本文还采用降维技术对上述特征提取方法进行了改进。所提出的方法在两个基准数据集上使用多种不同的指标进行了评估。实验结果表明了所提方法的有效性。(本文来源于《华南理工大学》期刊2019-04-15）
丁雪晶[10]（2019）在《基于SVM的压缩域纹理图像自动分类系统设计》一文中研究指出为了提高对压缩域纹理图像的自动识别和检测能力,需要进行图像分类处理.提出一种基于支持向量机的压缩域纹理图像特征提取和自动分类技术.采用连续模板匹配和自适应分块技术进行压缩域纹理图像的纹理特征检测,采用稀疏角点标注方法进行压缩域纹理图像的关键特征点定位.在压缩域纹理图像的分块区域内进行图像的分类特征提取,对提取的压缩域纹理图像特征量采用支持向量机学习方法进行分类识别,结合对图像的颜色特征、纹理特征和形状特征进行分类,实现图像的自动分类优化.测试结果表明,采用该方法进行压缩域纹理图像特征提取和分类的准确性较高,误分率较小,提高了图像的自动识别和分类能力.(本文来源于《周口师范学院学报》期刊2019年02期）
纹理图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显着超越了传统Gabor滤波方法和LBP算法的纹理识别精度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
纹理图像论文参考文献
[1].陈静,张艳新,姜媛媛.融合多特征与随机森林的纹理图像分类方法[J].传感器与微系统.2019
[2].王军敏,李宁,王艳辉.基于Gabor特征和局部二值模式融合的纹理图像识别[J].平顶山学院学报.2019
[3].徐歆冰.多重纹理图像相似模式精确识别方法仿真[J].计算机仿真.2019
[4].郭二军.云平台网络多重纹理图像匹配融合方法研究[J].现代电子技术.2019
[5].王田玉.基于邻域差分的纹理图像分类方法[D].河南科技大学.2019
[6].周力.基于局部算子的复杂纹理图像分割方法研究[D].合肥工业大学.2019
[7].黎明,邢冬冬,汪宇玲.基于多分辨率Trace变换的纹理图像分类[J].电子学报.2019
[8].刘嘉政,王雪峰,王甜.基于深度学习的5种树皮纹理图像识别研究[J].北京林业大学学报.2019
[9].刘涛.基于几何约束稀疏表达的纹理图像分割研究[D].华南理工大学.2019
[10].丁雪晶.基于SVM的压缩域纹理图像自动分类系统设计[J].周口师范学院学报.2019