项目名称: 基于随机投影的图像纹理特征及其应用研究

项目编号: No.61202336

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 刘丽

作者单位: 中国人民解放军国防科学技术大学

项目金额: 25万元

中文摘要: 纹理是图像的主要特性之一,在图像分析与模式识别领域占有重要地位。如何简单、高效提取具有光照、旋转、视点和尺度不变性的纹理特征,实现高性能图像分析一直是人们关注的研究热点之一。本课题以纹理分类和分割为主要研究对象,研究基于随机投影的纹理特征理论和方法,旨在提取简单、低维、有效、稳健的多类型新纹理特征,建立组合这些新特征进行纹理图像分类与分割方法,提高处理性能及适应多应用领域的能力。本课题拟开展如下研究:(1)在特征提取方面,利用纹理图像的稀疏性,引入随机投影和压缩感知理论,提出新随机纹理特征和有序随机投影旋转不变纹理特征,并研究增强其抗噪性的方法;(2)在特征组合与分类器方面,在所提新纹理特征基础上,设计面向应用的基于支持向量机和多核学习的自适应最优特征学习方法;(3)在应用方面,构建基于随机投影或组合随机特征的高效、稳健的纹理分类和材质识别系统以及研究纹理分割框架的设计及其快速实现。

中文关键词: 纹理分类;纹理分割;随机投影;压缩感知;局部二值模式

英文摘要: As one of the fundamental characteristics of images, texture plays an important role in the areas of image analysis and pattern recognition. The question of how to extract simple, yet highly efficient texture features robust to imaging environment changes including both geometrical and photometric, such as changes in illumination, image rotation, view point and scale, is therefore still acute and of high importance in many image analysis application and has received considerable attention during the past decades. The purpose of this project is the development of texture feature, based on the random projection (RP) technique. The two application areas studied in this project are texture classification, material categorization and segmentation. The overall goal of this work is to explore simple, low dimensional, highly effective and robust texture features, which are nevertheless capable of encapsulating different types of complimentary texture information, to develop feature combination approaches to combine the proposed texture features, to design texture classification framework and segmentation framework with the proposed single or combined texture features and to increase the robustness and universality of their application in multiple applications. To this end, we intend to conduct research in the following

英文关键词: Texture Classification;Texture Segmentation;Random Projection;Compressed Sensing;Local Binary Pattern

成为VIP会员查看完整内容
0

相关内容

基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
94+阅读 · 2021年2月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
主成分分析用于可视化(附链接)
大数据文摘
1+阅读 · 2022年3月14日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
图像美学质量评价技术发展趋势
科技导报
18+阅读 · 2018年6月25日
图像检索研究进展:浅层、深层特征及特征融合
机器学习研究会
65+阅读 · 2018年3月26日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
31+阅读 · 2021年3月29日
Arxiv
29+阅读 · 2020年3月16日
小贴士
相关VIP内容
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
94+阅读 · 2021年2月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
相关资讯
主成分分析用于可视化(附链接)
大数据文摘
1+阅读 · 2022年3月14日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
图像美学质量评价技术发展趋势
科技导报
18+阅读 · 2018年6月25日
图像检索研究进展:浅层、深层特征及特征融合
机器学习研究会
65+阅读 · 2018年3月26日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员