自动识别与提取论文（共10篇）
自动识别与提取论文 篇1
摘要：研究了一种基于灰度数学形态学和二维小波变换的指节折痕特征提取和识别算法。该算法首先利用灰度形态学对指节折痕子图进行预处理增强,通过选择合适的结构元素来施行对指节折痕子图图像进行灰度形态学处理,大大地改善了折痕线的对比度,然后利用二维小波分解的方法将增强后的图像进行二维分解,得到不同分辨率和不同方向的小波变换子图,最后根据折痕线的分布特征选择所需子图并计算它们的不变矩构成特征矢量来表征指节折痕特征。实验结果验证了方法的有效性。
关键词：生物特征识别,指节折痕,灰度形态学,二维小波分析
随着计算机网络与通信技术的高速发展,生物特征识别技术在信息安全领域发挥着重要的作用,是替代传统身份识别方法的最佳选择[1,2]。当前,用于生物特征识别领域的生物特征有指纹、掌纹、人脸、声音、虹膜等。近年来,手指的指节折痕特征也引起了许多学者的关注[3,4,5,6,7,8,9]。应用手指指节折痕特征作为一种生物特征,并提出了一种基于灰度数学形态学和二维的小波变换的指节折痕识别方法。使用灰度数学形态学运算来增强指节折痕线的算法,大大地改善了折痕线的对比度,使指节折痕线能较清晰地显示出来。然后对经过形态学运算处理后的灰度图像利用二维小波变换对其进行J层的小波分解,得到3J+1幅小波变换子图像,这些子图像构成了分解后的塔式数据结构,计算每个小波子图的7个不变矩,对每幅子图像的不变矩进行组合,构成指节折痕特征向量,最后计算不同样本间的Euclidean距离并利用最近邻法完成匹配识别。
1基于灰度数学形态学的指节折痕线特征的增强
灰度数学形态学的基本运算,即膨胀、腐蚀、开启和闭合,通过组合可以推导出各种数学形态学组合运算,利用闭合变换可以定义以下的bot-hat运算。
式中f(x,y)是输入图像;b(x,y)是结构元素,它本身也是一幅子图像;f·b为用b(灰度)闭合f,其定义为:f·b=(f b)b。
该运算可以用来检测图像中的脊谷线[10],而分布在手指内侧指节上的折痕线是一些低灰度值线状区域,因此可以用其来检测折痕线。在形态学中,结构元素是最重要最基本的概念。结构元素在形态变换中的作用相当于信号处理中的“滤波窗口”。结构元素对形态运算的结果有决定性作用,要结合实际应用背景和期望来合理选择结构元素的大小和形状。根据指节折痕线的特征,选择图1所示的三个方向的线结构元素来对ROI图进行形态学的bot-hat运算处理。
图2显示了处理结果(关于指节折痕图像的预处理过程可参见文献[7])。其中图2(b)为选用°方向的结构元素时bothat运算分别与原图像图2(a)卷积的结果f0(x,y),图2(c)为选用135°方向的结构元素时bothat运算分别与原图像图2(a)卷积的结果f135(x,y),图2(d)为选用45°方向的结构元素时bothat运算分别与原图像图2(a)卷积的结果f45(x,y),最终的处理结果由下式给出(见图2(e))。
式中O(x,y)是ROI图经过形态学处理后的输出图像。从图2的最后处理效果可以看出,ROI图像上的指节折痕线得到了明显的增强。
2基于二维小波分析的图像分解和不变矩特征矢量的提取
手指指节折痕图像经过上述的灰度形态学处理后,极大地增强了图像中的折痕信息,利于后续对其进行进一步的分析和处理。下面应用二维小波分析理论对增强了折痕信息的图像进行分解,然后利用图像不变矩来表达图像特征。
2.1二维小波分析和图像分解
为了将小波变换应用于图像,可采用分离变量方法由一维小波函数和尺度函数构造二维小波函数和二维尺度函数。设ψ(x)、ϕ(x)分别为一维小波函数和尺度函数,则二维小波函数和二维尺度函数由式(3)构造。
二维小波变换可以将图像在不同分辨率(尺度)不同方向上进行分解,因而很适合用来刻画指节折痕图像。根据式(3)的分离变量的性质,二维分解可以通过行处理和列处理两步完成。即二维小波变换可以看成两个一维小波变换:其中一个一维小波对行进行变换,然后再对按行变换后的数据按列进行一维小波变换来完成。图3给出了二维图像进行小波分解的过程,图中L, H分别代表一个低通滤波器和一个高通滤波器,↓2是二抽取操作(即隔一列取一列)。二维小波分解包括两个步骤,图像先分别由一个一维的低通滤波器L和高通滤波器H在行方向上进行滤波,接着对这两个被滤波处理的图像沿行方向进行二抽取操作。在第二阶段,将第一阶段处理后的两幅图像分别用L和H在列方向上进行低通和高通滤波并进行二抽取操作。通过一级二维小波变换原始图像被分解成四个分量,分别对应于LL(代表图像在水平方向和垂直方向的低频信息,是原始图像的近似图像), LH(代表图像在水平低频和垂直高频的信息), HL(代表图像在水平高频和垂直低频的信息),HH(代表图像在水平高频和垂直高频的信息)。从原始的ROI图像开始,经过J级的分解,得到3J+1幅小波子图:
(4)式中,cAJ是ROI图像的近似图像,cHk、cVk、cDk分别是ROI图像在水平方向、垂直方向和对角线方向的细节图像。
图4给出了两个原始图像二维小波分解和增强后图像的二维小波分解对比的例子。从这些图像可以看出,增强后的图像经过二维小波变换后,图像在各级的细节图像更加清晰,特别是垂直方向的细节子图。这说明经过形态学变换处理后的图像小波分解效果更加良好。
2.2不变矩特征矢量的构成
不变矩是非正交矩的一种,属于统计特征的范畴,主要应用于图像的检索、识别和配准。手指指节折痕图像在获取和处理的过程中容易发生平移旋转或尺度变换等情况,影响识别率,M. K. Hu[11]在1962 年就证明了不变矩具有在平移、旋转和比例变化的情况下不发生改变的特性,用不变矩做为特征进行提取恰好可以解决生物特征图像中容易存在的问题。在对图像进行J层分解后得到3J+1幅小波子图后,分别计算各级垂直方向、水平方向和最后一级的近似子图像的不变矩,为了计算方便,最后的不变矩值按式(5)进行调整。然后将它们头尾相接组成一个一维的特征矢量,即构成了代表指节折痕图的不变矩特征矢量。
ψi=|log(ϕi)| i=1,2,…,7 (5)
3实验结果与分析
算法是在自建的手指图像数据库中进行测试。该库拥有来自103个人的103只中指图像(每人采集8幅)共824个手指图像样本。实验时,将该库分为两个子库,其中一个用来训练,包括412个手指图像样本(每只手指四个样本);另一个同样也包括412个手指图像样本用来测试,每个子库样本的选择是随机的。首先分别计算训练库中每个手指的4个样本的指节折痕特征矢量,然后用它们的均值作为最终代表该手指指节折痕的特征来注册,产生注册集存入特征模板数据库;然后计算测试库中的每个ROI图像的指节折痕特征矢量。采用欧氏距离计算待识别指节折痕特征矢量与各模板特征矢量的距离。最后由最近邻法完成分类判别任务,即待识别样本分别与注册库中的各类进行特征匹配。距离最小的类就是该待识图像的类别,即:如果
在不同的小波函数和不同的分解级条件下进行了算法测试实验,实验结果列于表1。
从表1可以看出,采用Coiflet1和Bior1.3小波函数,分解级数为5级时识别效果较好,正确识别率分别为98.49%和98.57%。在同样的条件下,采用Bior1.3小波函数直接在原始图像施行二维小波分解进行特征提取时,识别率为93.76%。说明经过形态学处理后提高了算法的识别率。
4结论
在介绍数学形态学的bot-hat运算和二维小波变换的基础上,提出了一种基于灰度数学形态学和二维小波变换的指节折痕特征提取方法。利用灰度数学形态学,通过选择合适的结构元素对指节折痕子图施以形态学运算处理,大大地改善了指节折痕线特征。然后应用二维小波变换理论对增强后的指节折痕子图进行小波分解得到不同分辨率和不同方向的小波子图;最后,通过计算特定的小波子图的不变矩来构造表征指节折痕特征的特征矢量。实验结果验证了算法的有效性。
参考文献
[1] Jain A K, Ross A, Prabhakar S. Biometrics: a tool for information security. IEEE Transaction on Information Forensics and Security, 2006; 1(2): 125—143
[2]Jain A K,Ross A,Prabhakar S.An introduction to biometric recog-nition.IEEE Trans on Circuits and Systems for Video Technology,2004;14(1):4—19
[3]Doi J,Yamanaka M.Discrete finger and palmar feature extraction for personal authentication.IEEE Trans on instrumentation and measure-ment,2005;54(6):2213—2219
[4] Ribaric S, Fratric I. A biometric identification system based on eigenpalm and eigenfinger features. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005; 27(11): 1698—1709
[5]Joshi D G,Rao Y V,Kar S,et al.Computer-vision-based approach to personal identification using finger crease pattern.Pattern Recogni-tion,1998;31(1):15—22
[6]Li Q,Qiu Z D,Sun D M,et al.Personal identification using knuckleprint.Advances in Biometric Person Authentication,5th Chi-nese Conference on Biometric Recognition,Sinobiometrics2004.Springer2004:680—689
[7] Luo R F, Lin T S, Finger crease pattern recognition using legendre moments and principal component analysis. Chinese Optics Letters, 2007, 5(3): 160—163
[8]Doi J,Yamanaka M.Biometric personal authentication using discrete points on finger and palmar creases.In:Proc2004IEEE Int Conf Virtual Environments,Human-Computer Interfaces,and Measure-ment Systems(VECIMS2004):72—76
[9]Doi J,Yamanaka M,Kajita H.Discrete finger and palmar feature ex-traction for personal authentication.In:Proc2003IEEE Int Symp In-telligent Signal Processing(WISP03),2003:37—42
[10]Wu X Q,Wang K Q,Zhang D.A novel approach of palm-line ex-traction.Proceedings of the Third International Conference on Imageand Graphics,Hongkong,2004:230—233
[11] Hu M K. Visual pattern recognition by moment invariants. IRE Trans. Information Theory, 1962; 8(2): 179—187
自动识别与提取论文 篇2
关键词：MODIS；比值植被指数；归一化植被指数
引言
洪水灾害是我国常见的一种自然灾害，其发生一般具有突发性的特点，洪涝灾害的预警预报、救灾减灾以及灾后重建工作都需要对洪灾时空演变过程信息进行及时反馈和精准分析[1]。遥感，作为采集地球数据及其变化信息的重要技术手段，得到了包括我国在内世界各国政府部门、科研单位和公司的广泛应用。随着航空、航天技术的飞速发展，遥感技术大面积同步观测、时效性、数据的综合性和可比性、经济性等特点日益显现，已成为研究地质灾害防治、全球环境变化重要的科学技术手段。
根据遥感数据对水体进行提取的技术如今已在水资源变化检测、洪水淹没范围判读和海岸线变化识别等领域得到了广泛的应用。国内相关研究已经展开，肖干广等[2]利用AVHRR的通道2（近红外波段）和通道1（可见光波段）的差值法，水体得到了有效的识别。盛永伟等[3]利用AVHRR的信道2和信道1的比值法，从而使薄云覆盖下的水体得到了很好的识别。都永康等[4]利用SPOT卫星信息，采用决策树分类方法，山区中的水体信息得到了有效识别。Jun Li等[5]利用MODIS信息能够有效监测清澈水体。赵书河等[6]采用迭代混合分析方法，对中巴资源一号卫星的遥感数据进行分析，把水体与山区阴影进行了有效分离。
1.水的提取原理
遥感影像记录的是地物的光谱特征，不同地物在部分波段呈现较大的反射率特征差异，通过定量化分析和比较这些差异可以达到识别地物的目的。在大部分遥感传感器的波长范围内，由于水体对入射能量具有强吸收性的特点，导致水体的反射率总体上较弱，并具跟波普长度长成反比。水体对蓝光波段（CH3），绿光波段（CH4）的反射率较强，并且水体在蓝光波段有明显的散射，与其他地物在此波段的反射率特征差异不明显；相比于红光波段（CH1），水体在近红波段（CH2）的吸收性要更强烈一些，几乎吸收了全部的入射能量，吸收率较高、反射率较低；而土壤、植被在这个波段内的反射率较高、吸收率较低。这种明显的差异使得水体在近红外波段上很容易与植被、土壤形成鲜明的对比，易于区分。在MODIS影像上，水体在近红外波段上呈现暗色调，而土壤和植被则呈现亮色调。同时，在山区由于受山体阴影的影响，使得阴坡面的地物在近红外波段反射能量降低，因此阴影中的地物在近红外波段影像上呈现为明显的暗色调；在城市建筑物密集地区，由于高层建筑物阴影的影响，也存在同样的问题，因此通过单一阈值（近红外波段）来区分水体和阴影中的地物存在一定的难度。
在一定条件下，植被指数能够定量地说明植物的生长状况，其原理是根据在可见光波段植物叶面有很强的吸收特性，在近红外波段植物叶面有很强的反射特性，通过不同波段的组合，植被指数能够将植物与其他地物有效区分开来。常用的植被指数包括比值植被指数和归一化植被指数等。
2.MODIS的光谱特点及当前主要应用范围
2.1MODIS的数据特点
与之前常用的几种遥感数据相比，美国国家航天局（NASA）最新的数据主要有三个特点：一是数据涉及波段范围比较广（36个波段，0.4-14.4um）；二是空间分辨率较之前有了更大的进展（250 m、500m、1000m）；三是数据更新频率快，对实时监测有较高的应用价值。
2.2MODIS影响上的水体表现特征
根据已有研究表明的水体波普特征和MODIS有感数据36个通道的波长分布，可以分析并确定适合于水体信息提取的波段。在MODIS遥感数据的36个通道中，1、3、4、8～15通道在可见光范围内，水体与其它地物的反射率差别不大，即从水体到陆地的过度特性不明显。2、5、6、7、16～19、26通道处于近红外波段范围，水体吸收率高、反射率低，而对土壤、植被的吸收率低、反射率高，水体在影像上表现为比其他地物都暗的色调，其边界轮廓十分清楚。故在这些通道的单波段影像上，水陆界线比通道1、3、4、8～15影像更加清晰可辨。20～25、27～36为热红外通道，主要反映地物自身的热辐射效应，应用MODIS数据进行水体提取，对于小水域范围，通道2是最佳波段，有着仅0.03m的波段宽度和250m的空间分辨率[8]。
3.MODIS影像水体提取方法及研究
3.1MODIS影像水體提取模型
单波段阈值法和多波段阈值法是目前利用遥感信息提取水体信息最常见的两种方法。
单波段阈值法主要是选取近红外波段并利用阈值来提取水体信息，它是提取水体的最简单易行的方法，基本原理是利用水体在近红外波段上吸收率高、反射率低，其他地物吸收率低、反射率高的特点，经过多次试验确定一个灰度值，作为区分水体与其它地物的阈值，其缺点是水体与山区的阴影难以区分，提取的水体往往比实际要多。部分文献叙述由于遥感影像的时空性变化较大，且时常因为时空的变化，阈值变化的不确定性使得该方法具有局限性，但在特定时相和区域里，对于非山区水体信息的提取，因为MODIS光谱的细分已经将上述问题大大减弱，首先应选取阈值法进行试验。
单纯使用单波段阈值法无法有效区分地物时，需引入多波段法，常见方法包括：谱间关系法和多光谱分析法。利用谱间关系建立的模型很多，比如对波段进行如下运算CH7/CH6、CH7/CH5，从而找出组合图像上水陆分界非常明显的影响。以CH7/CH6为例，可以采用如下方法剔出非水体：在ENVI软件下输入CH7/CH6波段，运算波段计算功能，将公式CH7/CH6输入，载入影像，在放大窗口中，手工裁取明水水域范围，生成多边形，对各种多边形赋予一个感兴趣区（AOI）文件，并将其输出为ENVI等矢量文件即可。
nlc202309012145
采用基于多波段分析原理的植被指数法，能有效增强水体与陆表的差异，从而能后有效区分和识别水体。
植被指数最早是1969年Jordan为了估计热带雨林的叶面积指数而提出来的比值植被指数（RVI）为了提高对地面植被指数检测效果，又有人提出了将比值限定在（-1，1）之间的归一化植被指数（NDVI）[9]，其原理是通过遥感光谱通道间组合运算获得的无量纲数据，是对地面植被状况的一种经验或半经验的观测。
NDVI广泛用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大，根据此特点便可进行水体信息提取。
MODIS数据第一波段是红光区（0.62～0.67μm），水体的反射率高于植被，波段2是近红外区（0.841～0.867μm），植被的反射率明显高于水体，因此，采用归一化植被指数NDVI来进行处理可以增强水陆反差，其计算公式是
NDVI=（CH2-CH1）/（CH2+CH 1）（1）
（1）式中CH1、CH2分别是MODIS数据波段1，2的地标反射率。在NDVI图像中，水体的NDVI值很低，为负值，而植被、土壤的NDVI值较高，为正值。在此基础上，通过选一个合适的取阈值范围，即可构建区分水体和植被、土壤的模型。
比值植被指数（RVI）也能增强水陆分界差异，其计算公式为
RVI=CH2/CH1（2）
由于水体在MODIS第二通道（CH2）上的地标反射率很低，而其他地物相对较高，而在第一通道上，水体的地标反射率虽然比在第二通道上高，但土壤、植被等地物的地标反射率比水体更高，利用RVI可以增强这种差异，然后设定一个阈值，也可构建一个能够有效区分植被、土壤的模型。
多光谱混合分析法主要针对所研究区域及其周围的典型地物（如草地、林地、阴影、城镇等）进行分析，标出他们在各个波段上的光谱亮度值，查找同一波段地物的异同，必要时对个别波段进行加、减、乘、除等运算，找出唯有水体满足的关系，由此构建水体的提取模型。
4.实验结果及精度分析
为了验证NDVI和RVI进行水体提取的有效性，分别选取了河流、湖泊、海洋这三种主要水体对NDVI和RVI指数进行了水体信息提取试验。为了使试验结果具有代表性，选取的试验区的背景地物有的以植物为主，有的以建筑物为主；以保证客观的评价性。遥感影像处理采用的是ENVI软件。
试验区的水体以河流、湖泊、海洋为主，用公式（1）和公式（2）分别生成了RVI和NDVI影像。
此外NDVI和RVI指数影像更能详细的表现遥感影像的信息，反应影像上的细微差别。如河流的细小分支、植被覆盖等在原始遥感影像上表现得并不明显，而在NDVI和RVI指数影像上表现得很详细。同时NDVI和RVI影像还能达到去除云层的效果，在图四中这种效果表现的最为明显。这是由于在CH2中云层的地标反射率比在CH1中的较高，水体在CH2中的地表反射率比在CH1中的较低，在CH2上两者的地标反射率差别不大，但用比值法能使这种差别扩大，因此达到较好的去除云层的效果。
5.结论
MODIS采用一系列低轨道卫星对地球进行连续综合观测的计划，在保证大范围获取地物信息的同时大大缩短了卫星的重访周期，为突发性洪水灾害的检测和评价提供了有力支撑。利用MODIS的1，、2通道遥感数據计算归一化植被指数、比值植被指数，对影像进行水体自动提取得到以下结论：
（1）本文利用RVI和NDVI指数对MODIS影像进行水体的自动提取，并以河流、湖泊、海洋水体为试验区，结果发现NDVI和RVI指数提取的水体的轮廓很清晰，且较窄的河流也能清晰的表现出来，漏提的水体较少，且没有发现将阴影、云、居民地等误当水体提取出来。
（2）在MODIS遥感数据的36个通道中，进行水体提取的优先选取波段是2、5、6、7通道，其中最佳波段是通道2。很多复杂的地物都可以通过MODIS光谱数据细分出来，单波段阈值法从而成为首选方法。
（3）在采用单波段阈值法对水体进行提取研究时，其准确性取决于阈值的大小，如果选取的阈值大，当然可以减少云，阴影等造成的误差，但可能会造成部分水体的漏提；如果选取的阈值过小，会有可能将阴影、云、居民地等当做水体提取出来，采用单一通道法无法将水体像元有效地提取出来。
参考文献：
[1]徐冠华，田国良，王超，等.遥感信息科学的进展和展望[J].地理学报，1996，51（5）：397-406.
[2]肖乾广，陈秀英，王葳.气象卫星影像用于松花江洪水检测[J]，遥感信息，1987，（4）：26-27.
[3]盛永伟，肖乾广.应用气象卫星识别薄云覆盖下的水体[J]，环境遥感，1994，9（4）：247-255.
[4]都永康，黄永胜，冯学智.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5（3）：214-219.
[5]赵书河，冯学智，都永康，中把资源一号卫星水体信息提取方法研究[J].南京大学学报（自然科学），2003，39（1）：106-112.
[6]刘玉洁，杨忠东等编著.MODIS遥感信息处理及算法[M].北京：科学出版社，2004.1-4，185-192，233-260.
作者简介：李晓星（1990-），男，山东平度人。硕士研究生，研究方向为土地利用与遥感监测。
通讯作者：王周龙（1959-），男，陕西杨凌人人。博士，硕士生导师，2002年8月至今，在鲁东大学地理与规划学院从事遥感、地理信息系统研究与教学工作。先后承担国家科技攻关项目、973基础研究项目、国家自然科学基金项目、国际合作研究项目等。作为主要科研骨干，曾获中国科学院科学技术进步一等奖、二等奖各一项。在《科学通报》、《遥感学报》、《遥感技术与应用》、《遥感信息》、《国土资源遥感》、《计算机应用研究》等学术期刊上发表论文60余篇。
自动道路种子点提取与模板生成 篇3
目前从高分辨率影像中提取道路是计算机视觉、人工智能、摄影测量和遥感的研究重点之一,它对GIS数据的自动获取与更新、目标追踪、自动化数字测图等都具有重要的意义[1]。现阶段提取道路的方法分为基于辐射特征、几何特征、拓扑特征、背景特征等几类提取方法[2],其中剖面匹配和矩形模板匹配的方法被认为是较为实用有效的提取方法[3]。在基于模板匹配的道路追踪中,关键是道路种子点的选取和道路追踪模板的生成。目前研究中存在种子点提取方法可分为自动提取和人机交互提取两大类,人机交互式的提取方法在道路追踪起始位置和追踪中断时采用人工方式指导完成道路的提取工作[4,5]。人机交互的方法提取的道路准确度较高,但需要人机交互,提取效率较低,难以满足实时追踪的要求。目前道路的种子点选取主要是基于道路的统计特征[6,7],或基于特征方向直方图的道路区域计算[8],基于分割方法的道路种子点提取方法[9],基于条带检测算法的道路监测[10],再基于种子点计算道路模板,完成道路追踪。目前的方法由于应用的要求,通常在图像整个像幅内进行计算提取,计算量较大,存在冗余计算,影响提取效率。为此本文通过分析面向交通流监测应用的高分辨率无人机影像中的道路特征,发现道路在图像截面中的特征较为明显,可用于标记道路区域,生成追踪模板;并提出了一种基于一维无标记分水岭分割的种子点提取方法和基于放射搜索的道路模板生成方法。
1 面向交通流提取的先验条件
道路是空间位置的函数,即L(28)f(x,y)。在高分辨率的影像中,道路一般呈现为条带状,具有明显的双边缘、连续的灰度表面等[2]。首先定义道路L的一个剖面P为一个四元组:
其中:EL,ER分别为剖面P的左右边界坐标位置,C0为剖面P的中心点坐标,V为描述剖面P的特征值集合,包括剖面的灰度均值、灰度方差、道路的方向等。
那么连续道路L可以离散表示为剖面P的集合,即:
在面向交通流监测的图像处理中,通过提取道路、车辆等分析交通流的参数信息,实时性获取交通流信息是应用的关键。由于监测道路的连续性,可以采用模板匹配的方法来进行实时追踪,其中关键是模板的制作和模板的更新。
在面向交通流监测的无人机图像处理中,通常道路是影像的主体,并且无人机定位定姿系统提供图像的姿态参数信息。这些为道路提取提供了一定的先验条件,如由道路的实际宽度可以估算图像中道路的像素宽度;图像中道路一般位于图像的中部;道路一般贯穿整个图像等。本文重点探讨如何将这些先验条件应用于道路种子点提取,为实时道路追踪生成追踪模板。
2 基于一维无标记分水岭分割的种子点提取与模板生成
为实时的提取道路种子点,本文提出了一种基于一维分水岭分割算法的道路种子点提取方法。分水岭分割算法借助地形学的概念,将一幅图像看作一种地理表面,用灰度值来表示地表的高程,从盆地底部涌出泉水,首先涌到较低的盆地,然后涌到较高的盆地,当两个盆地的水即将汇合时,建立一道水坝,对整个地表实施淹没就会分割出许多区域,达到对图像分割的目的[11]。如图1所示为分水岭分割示意图。
图1中波谷区域可看作是盆地,波峰是盆地之间的分水岭,按照分水岭分割算法的思想,本文设计了一种无标记追踪波峰的一维分水岭分割算法。算法依据像素的灰度值进行分割,在先验条件的约束下,确定出最佳道路种子点区域,然后在待选区的一定邻域范围内,分析邻域的相关特征,最终计算出道路的位置,并提取道路追踪模板。
2.1 无标记分水岭分割
为了实现道路的实时追踪,传统的带标记分水岭分割方法精度高,但由于需要人机交互标记,时间消耗相对较多。本文无标记分割方法是分水岭分割算法在一维情况下的改进实现。一维情况下像元邻域由原来的4邻域或8邻域变为2邻域(左右像元),在数据处理方面复杂度降低,分割效率提高。
本文方法分为初分割、区域合并两部分,在图像初分割阶段,首先进行图像的预处理,出去噪声,特别是去除虚假的“波峰”;然后通过追踪图像中灰度(梯度)极值点,将图像划分为一个个由极大值点(波峰)包围的积水盆地。
由于地物在光照条件不同下的差异性,会导致初分割产生过分割的现象,需要进行相邻区域的相似合并来得到最终的分割结果。在图像的合并阶段,通过考察各个区域之间的特征向量的相似程度来进行区域的合并,区域的特征向量由若干区域的特征值组成,包括均值、方差、区域一致性指标、极值等。
分割的流程描述如下:
Step1:从图像M中随机选取一个数据剖面P;
Step2:在P的一定邻域范围内,对P进行图像预处理,尺度变换、灰度化、平滑滤波、计算梯度值等;
Step3:如图2所示,标记P的极大值点max,通过相邻极值点maxi与maxi+1分割出区域Ri(start,end,V),其中V为区域特征集;
Step4:如图3所示,对相邻区域Ri-1、Ri进行相似度计算,若Dist(Ri-1,Ri),其中为阈值,则合并Ri-1、Ri;
Step5:输出分割结果{R1,R2,…,Rn}。
2.2 生成道路追踪模板
道路追踪模板是用于道路匹配追踪的依据,是反复修正的道路特征值集合,可以通过若干道路剖面统计生成。
首先定义追踪模板:
其中:S为模板位置;W为模板宽度;V为模板其他特征值集合。依据道路的先验条件,通常道路区域灰度一致性较好、灰度值较高;道路的双边缘特征明显,边缘梯度方向对称且梯度值接近等。
在面向交通流监测的应用中,可以通过无人机的姿态数据空间分辨率获得道路的近似像素宽,在道路像素宽度的近似值已知的条件下,可以按照分割区域的宽度对区域进行初步筛选,然后按照区域灰度一致性指标对待选区域进行排名,作为后续处理的输入。
按照排名结果在待选区域中扩大范围设置ROI进行放射搜索,如图4所示。由于道路双边缘特征明显,可以用于判断候选区域是否为道路区域;在ROI内按照等间隔θ设置搜索截面,在每个截面中采用类似上述图像分割的方法,提取极值点,探测道路边缘点L、R,通过若干截面的计算,可以判断出是否存在双边缘地物,如果存在则继续,否则仿射搜索另一区域。
如果是道路区域,则通过截面计算出若干对道路边缘点,按照最小二乘直线拟合来计算左右边缘方向,平均得到道路主方向,并统计道路区域的其他特征(均值、方差等),生成道路追踪模板。
3 实验结果及分析
为验证本文方法的有效性,利用C++和Opencv图像处理库实现了本文无标记分割和模板生成算法。
实验区域如图5所示,道路区域比较清晰,且道路有明显的边缘白线,适合选择图像亮度作为分割标准,对道路会有较好的分割效果。
按照上述方法,实验首先对图像进行随机抽取图像截面;对待处理行图像进行预处理操作,灰度化、平滑滤波去除噪声以及其他预处理,如图6(a)所示;然后进行无标记分割,如图6(b)所示;进而通过放射搜索,生成追踪模板。
实验结果表明:图像的初步分割结果破碎,即使按照区域之间的相似程度进行合并,除了一致性较好道路区域分割较好,其他的植被、裸地等区域由于光照变化、图像阴影干扰等因素的影响,纹理特征明显,按照灰度值的分割效果不够理想。
在图像放射搜索中,通过平均左右边缘的方向来获得道路的主方向,最终得到模板:
计算结果与实际一致。
在同一计算机、相同图像、相同尺度情况下,本文对照了Canny边缘提取(第一阀值180,第二阀值200)和Canny+Hough直线提取在较好道路提取效果下平均耗时情况。如表1所示。
由于Canny与Hough方法针对全幅图像进行提取,时间消耗较多;且Canny的两个阈值需要反复实验调整;而Hough提取效果依赖于边缘提取的效果。且边缘提取和直线提取后还需要对结果进行筛选、计算,来获取所需道路模板信息。若为非直线道路,可以想象Hough检测不会得到理想效果。
4 结论
通过图像剖面的分割在得到道路大致区域的基础上,结合道路模板搜索算法,利用道路自身双边缘特性计算出道路的精确位置及道路的走向等。本文方法在不需要复杂道路特征计算的情况下,可以较好地定位到道路区域并获取追踪道路的模板。
提取所依据的特征需要根据图像中道路的特征来确定。为了提高准确率和效率,可以通过增加图像剖面输入数量的方法,加快寻找道路区域所在位置,并生成用于追踪的道路模板。另外为提高计算速率,可以在图像的较低尺度上进行本文分割与模板生成操作。
参考文献
[1]史文中,朱长青,王昱.从遥感影像提取道路特征的方法综述与展望[J].测绘学报,2001,30(3):257-262.SHI Wenzhong,ZHU Changqing,WANG Yu.Road Feature Extraction from Remotely Sensed Image:Review and Prospects[J].Acta Geodaetica et Cartographica Sinica,2001,30(3):257-262.
[2]吴亮,胡云安.遥感图像自动道路提取方法综述[J].自动化学报,2010,36(7):912-922.WU Liang,HU Yunan.A Survey of Automatic Road Extraction from Remote Sensing Images[J].Acta Automatica Sinica,2010,36(7):912-922.
[3]林祥国,张继贤,李海涛,等.基于T型模板匹配半自动提取高分辨遥感影像带状道路[J].武汉大学学报:信息科学版,2009,34(3):293-296.LIN Xiangguo,ZHANG Jixian,LI Haitao,et al.Semi-automatic Extraction of Ribbon Road from High Resolution Remotely Sensed Imagery by a T-shaped Template Matching[J].Geomatics and Information Science of Wuhan University,2009,34(3):293-296.
[4]朱长青,杨云,邹芳,等.高分辨率影像道路提取的整体矩形匹配方法[J].华中科技大学学报:自然科学版,2008,36(2):75-77.ZHU Changqing,YANG Yun,ZOU Fang,et al.Total rectangle matching approach to road extraction from high resolution remote sensing images[J].J.Huazhong Univ.of Sci.&Tech:Natural Science Edition,2008,36(2):75-77.
[5]孟樊,方圣辉.利用模板匹配和BSnake算法准自动提取遥感影像面状道路[J].武汉大学学报:信息科学版,2012,37(1):39-42.MENG Fan,FANG Shenghui.Quasi-automatic Extraction of Zonal Roads from Remote Sensiong Images Using Template Matching and BSnake Model[J].Geomatics and Information Science of Wuhan University,2012,37(1):39-42.
[6]张睿,张继贤,李海涛.基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取[J].遥感学报,2008,12(2):42-50.ZHANG Rui,ZHANG Jixian,LI Haitao.Semi-automatic Extraction of Ribbon Roads from High Resolution Remotely Sensed Imagery Based on Angular Texture Signature and Profile Match[J].Journal of Remote Sensing,2008,12(2):42-50.
[7]Rathinam S,Whan K Z,Sengupta R.Vision-Based Monitoring of Locally Linear Structures Using an Unmanned Aerial Vehicle[J].Journal of Infrastructures Systems(S1076-0342),2008,14:52-63.
[8]张道兵,张慧,张正,等.一种稳健的道路主方向提取算法[J].光子学报,2007,36(B06):326-330.ZHANG Daobing,ZHANG Hui,ZHANG Zheng,et al.A Robust Main Direction Extraction Method for Road Segment[J].Acta Pgotonica Sinica,2007,36(B06):326-330.
[9]吴小波,杨辽,沈金祥,等.利用空间连续性进行高分辨率遥感影像道路提取[J].武汉大学学报:信息科学版,2011,36(11):1298-1301.WU Xiaobo,YANG Liao,SHEN Jinxiang,et al.Road Extraction from High-resolution Remote Sensing Images with Spatial Continuity[J].Geomatics and Information Science of Wuhan University,2011,36(11):1298-1301.
[10]Steger C,Glock C,Eckstein W,et al.Model based Road Extraction from Images[C]//Proceedings of Automatic extraction of Man-made Objects from Aerial and Space Images,Basel:Birkhauser Verlag,1995:275-284.
自动识别与提取论文 篇4
关键词：图像识别；特征提取；图像识别
中图分类号： TP391 文献标识码： A 文章编号： 1673-1069（2016）14-158-2
0 引言
主成分分析的基本思路是找出最优的单位正交矢量集，在线性组合下重建原始样本，重建后样本和原样本间会出现比较小的误差。一般情况下会采用训练样本协方差矩阵方法作为开展基，选择适合的若干最大非零特征的特征向量最终成为主成分或是主分量，模式样本在主成分中的投影系数被称为主成分特征。
1 非线性投影分析
1.1 在流形基础上的特征提取
复杂高维模式样本可能会通过一组维数中出现严重低于样本特征维数实现确定。就几何学而言，上述属性数据简称为流形。将流形假设当成基础，利用流形中的基本性质，研究高维空间数据并简化数据，降低维数，对复杂式的内在规律学习方法进行探寻叫作流形学习。更加严格的表述是：假设数据是均匀采样在一个高维空间中的低维流形，求得对应的嵌入映射，目的是实现维数约减或者是对其可视化需求进行满足。Seung等人在2000年站在的认知角度上对流形角度开展了讨论，确定感知是在流形的方式下存在，并在实验中证明了人脑的确存在稳态流形，这就是在模式识别以及人类的感知中构架其连同桥梁，使得流形学习存在了较为坚实的理论基础。主流行、谱分析以及变分法在本世纪初流形的学习研究中是三个热点，具有代表性的方法是同构映射、局部线性嵌入和拉普拉斯本征映射等。通过以上方法会获取较好的低维可视效果，针对映射非线性，如何得到测试样本低维将会存在一定的困难，对此不适合对特征降维实现直接性的应用。
此时需要注意，若将流形的学习映射转为限制线性投影，流形学习方法线性化方式，取得测试样本低维表示形式会更加容易。在如此的初衷基础上，He等人提出了局部的保持投影以及邻域保持嵌入等，分别通过LE和LLE的线性化方法的基础上，成功应用在人脸识别当中。
1.2 稀疏学习上特征中的提取
针对以上线性投影方法，学习投影向量在所有原始特征变量基础上实现线性组和，做出特征和变量层方面的解释含义较为困难，这是其不能说明什么变量在数据中的表示和分类中的十分关键作用的原因。实践性利用线性投影抽取特征，不但会获取最有效低维特征，还能更清楚了解什么样的维数在压缩中的作用更加关键，进而对未来的数据特征的采集当作指导和参考，同时也可以进一步加深人们对数据的更深层次的理解。一方面可以对关键特征进行少量的收集，降低工作难度及强度；此外还能对算法的时间以及空间效应进行提升。也就是在这一应用背景下，提取样本稀疏特征，正确方式是模式的识别舞台。[1]对系数特征进行提取，在一定基础上引入L0和L1范数同时对其实现优化，其中的一部分表征变量权重系数将0作为目的。0元素对应的变量在特征提取中未做到贡献，因此，稀疏特征就提取本质上可看作特征选择。
2 相关投影分析
2.1 典型相关分析的基本理论和研究
典型相关分析属于经典的多元统计方法，该方法的首次提出者是Hotelling，CCA在很多的领域中都被进行了应用，除了应用价值，在理论上也存在着较为深刻的意义，因而被研究学者所重视，多元回归分析在某种意义上，可以判别分析等数据，被看作归结典型分析的特例。
典型相关分析主要是研究两组的随机矢量数据相关性问题，具体来讲，已经存在的两个已被去掉的均值随机矢量样本X=[x1，x2，…，xn]∈Rp×N和Y=[y1，y2，…，yn]∈Rp×N，CCA的目的是要找出一对投影的方向w和u，对投影后的样本特征进行满足后，z1=wTX和z2=uT之间是存在最大相关性的。通常情况下，投影方可以在最大化准则下将得到函数：
2.2 偏最小二乘基本理论
偏最小二乘的回归分析是在应用领域中对新型多元数据分析法来提取，该理论是Word等人在1983年提出的。近20年后，PLS通过方法、理论、应用取得了十分快速的发展。PLS模型的鲁棒性使得其出现了回归性的分析以及维数压缩分类中的有力工具，在最近几年被广泛应用在了程序控制、图像处理等领域内。
偏最小二乘的基本思想是对两个去掉均值的随机样本X=[x1，x2，x3，…，xN]∈Rp×N和Y=[y1，y2，y3，…，yN]∈Rq×N，找出一对投影方向上w和u，对于投影后样本特征z1=wTX与Z2=uTY相互的最大协方差系数。在投影的方向选择中，可以在最优化情况获得最优的目标函数：
JPLS（w，u）=Cov（z1，z2）=wTSxyu
上式中的约束条件为：wTw=uTu=1，Sxy表示的为两组特征相互间的协方差矩阵。对函数极值准则进行优化，转为两组特征矩阵下SxyTSxy和SxySxyT最大本征值同本征向量的求解相关问题。[3]
3 图像识别中的应用
3.1 人脸识别
人脸识别是在计算机作为辅助手段下，对静态人脸图像以及动态序列图像实现各种人脸图像的匹配和分类。人脸识别技术可以被看做是模式识别研究中的重点研究内容，这是图像处理、模式识别和计算机视觉较差影响的最为积极的研究方向。人脸识别中的关键性问题是如何在人脸图像中抽取稳定有效的个体特征，并且使其可以和其他个体之间进行区别。这一方式存在多种运用优势。
无侵犯性是人脸识别技术中最大的优点，该技术可在不被识别察觉中实行，基本上不需要被识别者进行合作，更不会造成反感情绪，进而被广泛的运用在安全监控和嫌疑人认定等场景内。
较为自然，人脸识别方式和人类识别特征相互之间有着较高相似度。日常生活中人们相互间的身份识别最直接且对常用的手段就是人脸识别。因此对于其他的生物特征，该方式更易被人接受。
性价比高，在人脸识别中运用的硬件设备十分简单，基本上只需要对普通摄像头进行使用就可以，并且可以利用人脸识别的数据库资源，这种情况下引起的系统成本往往比较低。
交互性强，就人脸识别来看，授权用户交互和配合可有效提升系统可靠性与可用性，就虹膜和指纹等识别系统而言，一般的用户识别并不会发挥正常的作用。
3.2 手写字体识别
在获得字符的特征表示之后，我们可以对投影分析实行二次特征抽取和分类，通过这一方式可以消除原始特征变量的相关性，随后降低特征空间的维数，并且在识别的过程中可以在低维特征空间内实施，进而提升识别的速度。
3.3 图像集的匹配和分类
汇总识别图像的过程，就单复图像的目标可能会遭遇各种问题引起的结果不稳定情况，并且图像会受到光照、视觉以及姿态和距离等多种因素的影响，进而出现鉴别信息不稳定的情况，或是在出现突发事件后造成目标特征不显著的问题。在现实的生活中总是会出现大量的图像资源，并且多数场合是在视频序列下通过多模态的形式而出现的，常见的有多方位以及全天候的视频监控，就相同的监控以及考察对象而言，其中是会存在各种不同的视角以及多个成像方式的问题的。[4]传统的识别方法是在多个图像资源中选取比较高的成像质量，且目标十分明确的一张或者是多个图片，实现分别判断。
4 小结
文章在投影特征的分析基础上开展深入的研究与分析，同时对图像识别在一般情况下的运用进行了详细的介绍，希望可以为相关工作者和研究者提供一定的参考。
参 考 文 献
[1] 施展.图像特征提取与识别的迹空间投影方法研究[D].华南理工大学，2012：10-24.
[2] 侯书东.基于相关投影分析的特征提取研究及在图像识别中的应用[D].南京理工大学，2012：15-29.
[3] 胡俐蕊.非负矩阵分解方法及其在选票图像识别中的应用[D].安徽大学，2013：21-39.
自动识别与提取论文 篇5
在中医师的长期临床实践中发现, 哮喘患者普遍存在着大鱼际掌纹粗糙的现象, 并将大鱼际掌纹分成四级, 研究证实[1], I级为正常, II级为外源性哮喘弱阳性特征, III级IV级为外源性哮喘阳性特征。中医师在诊断时, 往往根据自己的主观经验对掌纹进行观察, 作出论断。为了减少医师诊断过程中由一些主观因素带来的判断误差, 对大鱼际掌纹图像进行客观的分类量化就变得十分重要。
通过医学专家的知识, 大鱼际掌纹的阳性和阴性的区分是进行辅助诊病的根本依据。因此考虑其阳性和阴性的划分, 具有很重要的意义。利用现代信息处理手段, 客观准确地对大鱼际掌纹进行分类量化, 有利于增强诊断的客观性与准确性。为此, 本文提出对大鱼际掌纹二分类设计, 即, 实现大鱼际掌纹阴性与阳性的分类, 以达到辅助诊断哮喘病阴阳性特征。
1 大鱼际掌纹识别概述
对大鱼际掌纹进行二分类, 从采集到的整个手掌图像开始, 首先对其进行预处理, 包括图像定位分割, 图像去噪和增强; 然后基于增强后的大鱼际掌纹图像, 采用灰度共生矩阵GLCM ( Grey Level Co-occurrence Matrix) 方法, 提取利于大鱼际掌纹二分类的特征; 最后利用支持向量机SVM的方法对提取的这些特征进行二分类, 将阴性和阳性的掌纹图像尽可能准确分开。设计流程如图1 所示。
2 算法设计
2. 1 预处理
要对大鱼际掌纹图像进行分类识别, 采集到的图像是整个手掌图像, 因此要对掌纹图像进行定位分割, 获得大鱼际部分, 即感兴趣区域ROI ( Regions of Interest) 。本文借鉴掌纹识别技术中的ROI的定位方法, 首先采用Ostu[2]阈值方法即最大类间方差法对掌纹图像进行二值化, 对二值图像进行边缘检测获得手掌轮廓, 利用3 个手指间隙上的基准点来建立直角坐标系, 从而确定ROI区域[3]。
Ostu算法是自适应阈值分割方法, 是自适应计算单阈值的高效方法。首先得到掌纹图像灰度直方图, 对直方图进行归一化, 得到灰度概率函数, 计算出灰度均值 μT, 直方图零阶累积矩ω ( k) 和一阶累积矩 μ ( k) , 然后根据分离指标如式 ( 1) , 就可以计算出对每一个灰度进行一次分割后的类间方差, 取最大类间方差时对应的灰度的阈值k就是最佳阈值, 根据得到的最佳阈值对图像进行二值化, 把灰度值大于k的都设置为255, 小于等于k的都设置为0, 这样就得到掌纹二值化图像。
对平滑处理后的二值掌纹图像进行八邻域轮廓跟踪, 得到掌纹轮廓和掌纹轮廓的freeman链码。八邻域追踪完成后得到手掌边缘点的坐标保存在一个链表中, 此链表描述的是一个封闭的曲线, 以这些点的横坐标为自变量, 纵坐标为因变量, 求出它的局部极值。其中我们需要的辅助定位点就在这些局部极值点中, 最终通过对这些极值点进行筛选选出所需要的定位点。根据得到的定位点计算图像所要旋转的角度, 对图像进行旋转校正。本文选取的分割中心点O' 的坐标为 ( xcenter, yc) , 此点近似为掌纹手掌的中心点, 从分割中心点朝着拇指方向截取的矩形区域就是大鱼际区域, 建立坐标系, 对定位好的区域进行截取。
在采集图片过程中难免混入噪声, 这些噪声会使图片质量下降, 干扰到分类结果, 因此要对图像进行去噪处理。通常的去噪方法在空域中有均值滤波、中值滤波等技术。掌纹图像主要信息集中在边缘部分, 本文采用中值滤波方法去噪, 首先对一个滑动窗口的诸像素按灰度排序, 然后用排序得到的序列的中值代替窗口中心像素原来的灰度值, 在抑制噪声的同时减少了边缘模糊。
图像的纹理特征影响到分类效果, 为增加分类准确率, 要对图像进行增强, 使得纹理清晰, 特征明显。目前, 图像增强的方法有多种, 鉴于我们要使图像纹理更加清晰, 增加其对比度, 同时还要突出其边缘信息, 本文采用高频强调滤波和直方图均衡化相结合的方法[4]进行图像增强。
高频滤波和直方图相结合的图像增强算法如下:
( 1) 对去噪后的图像进行傅里叶变换获得低频和高频两部分的频率分量。
( 2) 傅里叶变换后, 对低频系数和高频系数同时进行加权处理, 但要使低频系数的加权值小于高频系数的加权值。
( 3) 对高频滤波后的图像进行傅里叶反变换, 然后在空域上对其进行直方图均衡化处理。
2. 2 基于GLCM的特征提取
图像的特征参数可以表现出一类图像与另一类图像的区别, 我们可以依据这些特征进行分类。因此, 特征参数的提取在图像识别分类中至关重要, 是成功进行分类的重要环节。不同级别的大鱼际掌纹图像其亮度、颜色不同, 结合大鱼际掌纹图像这些特点, 将对其提取纹理特征作为分类特征。目前, 纹理特征提取的方法有多种, 如Gabor滤波器提取法, 小波提取方法等[5], 本文采用统计方法中的灰度共生矩阵方法, 提取大鱼际掌纹的纹理特征。
2. 2. 1 灰度共生矩阵
GLCM是基于图像中不同灰度级结构重复出现的概率来描述图像纹理信息的方法[6], 本文设计得到一幅矩形图像I ( 在水平方向和垂直方向的分辨率分别为Nx, Ny) 的灰度共生矩阵, 其算法步骤为:
( 1) 将图像灰度做归并, 将所有像素的灰度都量化到Ng个等级上。
( 2) 构建零度方向灰度共生矩阵, 统计左右两个方向, 定义一个指针lp Src指向当前遍历到的像素点, 定义另一个指针lpDst指向偏离点, 第一次循环遍历图像, lp Dst指向的像素点在lp Src所指向的像素点的右方。第二次循环遍历图像, lp Dst指向的像素点在lp Src所指向的像素点的左方。通过两次循环遍历图像, 完成了零度方向上灰度共生矩阵的统计。
( 3) 最后用同样方法, 分别建立45°, 90°, 135°三个方向灰度共生矩阵。
2. 2. 2 计算纹理特征值
使在得到四个方向的灰度共生矩阵后, 要分别计算每个灰度矩阵所对应的纹理特征, 结合大鱼际掌纹阴性阳性的纹理的区别, 本文采用利于二分类的四个纹理特征[6]进行分类:
( 1) 角二阶矩: 用来度量图像灰度分布均匀性, 是灰度共生矩阵像素的平方和, 能反映纹理的粗细。
( 2) 对比度 ( CON) : 表示图像的纹理清晰程度, 阳性图像纹理沟纹深, 对比度较阴性图像大。
( 3) 相关性 ( COR) : 用来表示灰度共生矩阵各元素在某方向上的相似程度。
其中, μx, μyσx, σy是Px和Py的均值和均方差。
( 4) 熵 ( ENT) : 熵值是图像所具有的信息量的度量。
如果图像没有任何纹理, 灰度共生矩阵几乎为零矩阵, 则熵值接近于零。如果图像充满着细纹理, 则P ( i, j) 数值近似相等, 此时图像的熵值最大。如果图像中分布着较少的纹理, 此时P ( i, j) 的数值差别较大, 则图像熵值较小。阴性图像纹理密集、细腻, 熵较大。
为了使图像分类结果更加准确, 本文分别建立了上述四个方向上的灰度共生矩阵, 对每个方向上的共生矩阵提取f1- f4四个特征值。
基于上面的计算, 实验得到每张图片都有四个方向上共16个特征值, 把这16 个特征值组成一个特征向量, 作为分类特征输入量。
2. 3 基于SVM的分类
在对大鱼际掌纹图片进行特征提取结束后, 要将这些特征向量作为SVM输入向量进行分类。
采用支持向量机方法[7]解决非线性问题, 其基本思路是将样本空间映射到更高维的特征空间, 在高维空间中求出最优超平面, 寻找到满足分类条件的分类平面, 使得训练集中的不同类的点距离分类平面尽可能远。采用不同的函数作为支持向量机的核函数K ( x, y) , 可以构造实现输入空间不同类型的非线性决策面的支持向量机。目前常用且效果比较理想的核函数[8]主要有多项式核函数 ( Polynomial) 、径向基核函数RBF ( Radial Basis Function) 、多层感知机MLP ( Multi-Layer Perceptron) 。
分类算法步骤如下:
( 1) 从采集到的已知类别的掌纹图像中选出一定数量的阳性阴性掌纹图片作为训练样本, 把大鱼际掌纹阳性定义为1, 阴性定义为0, 将特征提取后的数据放入data中, 构成n × 16 矩阵, 在label中存入阴性阳性类别标签0 和1。这时得到的data矩阵就是属性矩阵, 行数代表样本个数, 列数表示属性个数; Label就是标签矩阵。
(2) 利用训练函数对训练样本进行训练, 选择核函数:
(a) 多项式核函数:
所得到的d阶多项式分类器。
( b) 径向基核函数定义为:
其中, Kγ ( | xi- xj| ) 取决于两个向量之间的距离| xi- xj| , 对于任何的 γ 值, Kγ ( | xi- xj| ) 是一个非负的单调函数。
本文通过对比上述两种核函数, 实验结果证明径向基函数效果较好。
设置核函数类型参数t, 惩罚参数c值和核函数参数g值, 得到相应的训练模型model, 然后利用预测函数对训练样本进行测试, 观察所得到的准确率, 若准确率很低, 则需要反复改变c和g的值, 直至准确率接近100% , 这时得到的训练模型用于下一步的测试。
( 3) 把剩余的样本作为测试样本, 标出测试样本的属性矩阵和标签矩阵。用预测函数对测试样本进行测试, 最终通过比较测试类别和标签矩阵中的类别, 得出测试结果。
3 仿真与测试
本文以Microsoft Visual C ++ 为开发平台, 基于MFC的单文档应用程序, 采用Microsoft C + + 对图像进行预处理与特征提取, 在菜单栏中添加噪声处理、ROI提取、图像增强、图像特征提取等选项, 采用Matlab仿真进行分类训练与测试。选取标准的38 张阴性掌纹图像和48 张阳性掌纹图像, 从中选出25 个阳性和25 个阴性样本来进行训练, 用剩下的36 个样本进行测试。
3. 1 预处理实现
根据第2. 1 节所述, 我们对掌纹图像进行预处理, 首先要获取大鱼际掌纹图像, 通过命令响应函数On Binary ( ) 、Onedge ( ) 、On Key Point ( ) 、OnROI ( ) 和OnROIIm ( ) 、分别完成原始输入掌纹二值化、边缘轮廓提取、确定关键点、ROI矩形确定, 实现结果分别如图2 ( a, b, c, d) 所示。
通过On Huo Qu ( ) 响应函数, 获取大鱼际掌纹图像, 如图3所示。
然后对获得的大鱼际掌纹图像进行去噪处理, 这里用命令响应函数On Zhong Zhi LVBO ( ) 对大鱼际掌纹图像进行3 × 3 中值滤波去噪处理, 如图4 所示, 可以看出, 经过中值滤波处理后的图像比原图像少了许多细微的掌纹线条。
图 4 中值滤波后的图像
最后再通过命令响应函数On Hfe ( ) 、On Histeq ( ) 对去噪后的大鱼际掌纹图像进行高频强调滤波直方图均衡化, 如图5 所示。
图 5 高频强调滤波和直方图均衡化后的图像
按照以上操作步骤把阴阳共86 张样本掌纹图片分别进行预处理。
3. 2 特征提取实现
对预处理完成的大鱼际掌纹图像提取其特征, 我们调用菜单项的“GLCM特征提取”命令响应函数On Glcm ( ) 对大鱼际掌纹图像进行灰度共生特征提取, 特征提取后结果如图6 所示。
按照2. 2 节所述, 将图中数值按列组成一个向量, 便得到一个样本的特征向量。
3. 3 分类训练与测试
( 1) 训练样本准备
将每张大鱼际掌纹样本图片的四个方向的纹理能量、纹理惯性、纹理相关性、纹理熵等16 个数据进行记录在同一. txt文件中, 并在每行数据后标记类别, 0 代表阴性, 1 代表阳性, 取名为train. txt。如图7 所示。
( 2) 测试样本准备
将待测试的大鱼际掌纹样本图片4 个方向的纹理能量、纹理惯性、纹理相关性、纹理熵等16 个数据进行记录在同一. tx文件中, 并在数据后标记初步判断的所属类别, 0 代表阴性, 1 代表阳性, 取名为test. txt。如图8 所示。
( 3) 测试结果与分析
通过对13 张已知为阴性的图片和23 张已知为阳性的图片进行测试, 测试过程中, 将核函数类型设置为径向基函数, 惩罚参数值为16, 核函数中的gamma函数参数设置为2. 5。函数测试结果如表1 所示。
将核函数设置为多项式函数时, 测试结果如表2 所示。
基于以上统计, 通过对比得出, 核函数为径向基函数时, 准确率更高, 算法预测正确率为85. 75% , 影响结果准确性的因素很多。首先, 由于医学专家认定大鱼际掌纹级别存在着很大的主观因素, 阳性和阴性的分类界限十分的模糊, 以至于样本库图像在起始分类时就产生错误; 其次, 训练样本较少, 在一定程度上影响其分类的准确率。
4 结语
本文对大鱼际掌纹二分类进行设计与实现, 首先在预处理过程中, 借鉴ROI区域定位方法获取了大鱼际掌纹区域, 然后采用中值滤波方法对其进行去噪, 采用高频强调滤波和直方图均衡化相结合的方法对其进行增强处理, 最后采用灰度共生矩阵和支持向量机相结合的方法实现了阴性阳性的分类, 将选取的灰度共生矩阵不同方向的统计量特征作为大鱼际掌纹分类的依据, 通过算法验证在测试样本集上取得了较理想的识别率, 选取SVM用于特征分类, 有效地解决了大鱼际掌纹量化识别研究中的小样本、分类模型推广能力差及参数难以优化等问题。实验结果显示, 此算法虽然性能良好, 但还存在一定误差, 为了减小误差, 提高判断的准确率, 在采用此设计算法对掌纹图像进行分类预测时, 应注意以下问题:
( 1) 在对样本进行训练过程中, 应选取资深老专家已经划分好阴性阳性的掌纹图像作为训练样本, 并且用尽可能多的样本进行训练, 以提高预测的准确率。
( 2) 在此基础上, 选取一种更好的算法进一步对大鱼际掌纹进行I级II级的分类与III级IV级的分类, 而I级II级与II级IV级之间的界限十分模糊, 因此可以尝试结合模糊理论知识对其算法进行改进, 提高准确率。
摘要：首先将掌纹图像经过定位分割获得感兴趣的大鱼际区域, 再经中值滤波去噪, 采用高频强调滤波和直方图均衡化相结合的方法增强图像, 得到纹理清晰的大鱼际掌纹图像。然后采用灰度共生矩阵方法提取利于二分类的图像特征。最后基于支持向量机的方法实现大鱼际掌纹阴阳两类的识别。仿真实验结果表明, 所提出的图像处理与识别算法对大鱼际掌纹阴性与阳性的分类具有较高的效率和准确率。
关键词：大鱼际掌纹,灰度共生矩阵,支持向量机,二分类
参考文献
[1]周兆山, 王燕青, 刘治香, 等.大鱼际掌纹形态特征与哮喘的相关性研究[J].山东中医药大学学报, 2004, 28 (2) :114-116.
[2]郭永芳, 于明, 黄凯.基于细菌趋药性的Ostu双阈值图像分割算法[J].计算机工程, 2011, 37 (22) :8-11.
[3]Zhu Xijun, Liu Dazhuan, Zhang Qiulin.Research of Technology for Thenar Palmprint Locating and Segmentation[C]//Proceedings of2009 International Workshop on Information Security and Application, 2009:601-604.
[4]段群, 刘小豫, 吴粉侠.一种基于高频强调滤波和直方图均衡化的图像增强方法[J].计算技术与自动化, 2009, 2 (28) :95-97.
[5]赵冬娟, 梁久祯.融合小波和自适应类增广PCA的人脸识别[J].计算机工程与应用, 2011, 47 (35) :199-202.
[6]Haralick R M, Shanmugam K, Dinstein I.Texture Features for Image Classification[J].IEEE Trans.on Systems, Man and Cyber-netics, 1973, 3 (6) :610-621.
[7]VapNik V N.Statistical Learning Theory[M].New York, USA:Wiley, 1998.
中药提取生产过程与自动化控制 篇6
我国已经投入运行的中药提取过程控制系统大多是独立运行的自控系统, 这些系统均不同程度地解决了优化控制问题, 提高了生产的安全性和生产效率, 保证了设备控制的一致性。
但是, 就目前运行情况来看, 中药提取过程控制系统存在以下不足: (1) 控制程序固定, 在更换新产品时, 往往需要编程人员添加、修改控制程序; (2) 企业把产品生产工艺流程细节完全介绍给项目承包单位负责控制软件编程的技术人员, 不利于保密; (3) 虽然具备工艺参数管理功能, 但功能大多不规范、不完整, 不具有版本控制和审计跟踪功能; (4) 生产管理人员不能从控制系统直接获得完整的过程信息。
1 提取车间生产控制的结构形式
中药提取车间生产控制的结构形式如图1所示。
2 主要工序操作控制
2.1 提取罐控制 (手动/自动)
中药固液萃取最常用的设备是提取罐, 一般分为动态提取罐和静态提取罐, 多个提取罐可构成套提装置。提取罐的基本操作控制如图2所示, 大致包括如下内容:
(1) 试漏控制。仪表/执行机构:进水阀、流量计。完成功能:自动定量进检漏水、提示检漏;
(2) 定量加溶媒。仪表/执行机构:流量计、阀门。完成功能:加水到设定量;
(3) 人工投料。完成功能:指示灯请求投料, 人工投料完成后, 按投料完成按钮;
(4) 升温控制。仪表/阀门:温度变送器、压力变送器、蒸汽流量调节阀和直通阀。完成功能:自动开蒸汽流量调节阀和直通阀, 检测罐内料液温度和夹套压力, 温度升到设定值时, 控制料液循环一定时间, 如果温度降到设定值以下, 继续升温过程, 否则, 进入恒温控制;
(5) 恒温定时。仪表/阀门:温度变送器、压力变送器、蒸汽流量调节阀。完成功能:检测料液温度、夹套压力、控制调节阀开度保持料液温度在设定值±2℃范围内, 计算机计时达设定时间, 进入下一步;
(6) 定时循环。执行机构:泵、阀。完成功能:升温/恒温期间, 按计算机设定的启动时间和间隔时间启/停循环操作;
(7) 定时搅拌、排料控制。执行机构:泵、阀。完成功能:自动选择出料路经, 控制出料, 品名、批号随料液传递;
(8) 酒精回流、芳香油回收、排渣控制。完成功能:操作员站和机旁操作箱提示请求排渣, 按排渣和排渣完成按钮完成排渣操作;
(9) 反吹控制、直接蒸汽控制、清洗控制。执行机构:泵、阀。完成功能:打开提取罐底盖, 开清洗阀, 启动清洗水泵, 按设定时间进行清洗, 完成后关闭底盖;
(10) 煮罐。完成功能:关闭底盖, 加水检漏, 加水到设定值, 升温、保温计时, 循环, 到设定值时, 切断蒸汽, 排水;
(11) 报警。完成功能:夹套压力、罐内压力、冷凝器冷凝液出口温度、冷却水流量等异常情况报警;
(12) 安全连锁。执行机构:压力变送器、流量计, 温度变送器、限位开关, 蒸汽流量调节阀和直通阀。完成功能:在回流时, 流量计如果检测不到冷却水流量或冷凝器冷凝液出口温度超高时, 则报警并自动停止加热, 当罐压升至上限时报警, 升至超高限时停止加热。料液未排干时排渣门不允许打开, 料液未排干时排渣门不允许打开, 排渣门未关上, 不允许加溶媒。
2.2 三效加热蒸发
三效浓缩器由3个加热器、蒸发器、分离器等组成, 基本操作如图3所示, 包括:
(1) 进料控制。仪表/执行机构:液位开关、阀。完成功能:判断传输路径, 控制传输操作, 批号跟踪;
(2) 定量进料。仪表/执行机构:压力变送器、放空阀、真空阀、液位开关、阀门、真空泵。完成功能:将三效置于准备好状态, 开真空泵和相关阀门, 控制自动进料, 进料达到蒸发室液位后自动关进料阀, 停止进料, 配雷达液位计;
(3) 加热器蒸汽压力 (温度) 控制、蒸发器末效真空控制、冷却水流量检测、冷却水温度检测、倒料控制、密度检测和收膏控制。仪表/执行器:密度计、液位计、泵、阀门。完成功能:当蒸发室料液密度达设定值时, 停止蒸发, 提示收膏。另外, 还有自动消泡、液位控制、冷凝水排放控制、清洗控制、煮罐控制等。
3 结语
自动识别与提取论文 篇7
当今说话人识别领域使用的特征参数有多种, 它们各具特点, 能够用于各种不一样的场合, 其中应用较为广泛的具有代表性的特征参数是:基音频率、线性预测系数 (LPC) 、线性预测倒谱系数 (LPCC) 、梅尔倒谱系数 (MFCC) 。
2 MFCC的提取与分析
梅尔倒谱系数 (MFCC) , MFCC是利用人耳听觉模型建立的倒谱系数, 人类的听觉系统可以看成一个非线性系统, 它对于不同的频率信号的灵敏度是不一样的, 一般是对数型关系。正是由于Mel倒谱系数基于人耳感知这种特殊的特性, Mel倒谱系数在抗噪声能力以及鲁棒性这些方面都比其它特征参数要优秀了很多。
对于不一样频率的语音, 人耳有不一样的感知能力, 声音的物理频率表示单位是梅尔 (Mel) 。频率和MFCC系数的关系如下式:
其中, f的单位为Hz。参照Zvick的研究所说, 临界带宽按照频率不同而改变, 在1000Hz以下时, 维持线性分布, 带宽在100Hz附近;在1000Hz以上时, 表现为对数增长形式, 如图1所示。
Mel参数的提取过程:
(1) 把之前预处理过的语音信号, 即时域信号做傅里叶变化 (DFT) 。计算得到线性频谱x (k) , 其转换公式为:
(2) 把上面的频谱x (k) 通过Mel滤波器组生成Mel频谱。
(3) 接着对Mel频谱做对数能量处理, 得到对数频谱S (m) 。图2所列即为得到的线性能量谱, Mel能量谱和对数能量谱。
最后, 将S (m) 通过离散余弦变换 (DCT) 获得倒谱频域, 即Mel频谱倒谱系数 (MFCC参数) :
摘要：提取特征参数在说话人识别系统内是非常重要的步骤, 说话人语音的很多特有个性信息包含于特征参数内, 例如发声特征或者语义特征, 利用特征提取的方法一方面可以去掉声音里没用的冗余信息, 剩下有用的体现说话人个性不同的特征信息, 特别是可以有效减少计算量、模板数目以及存储空间。选用的特征参数的会直接关系到整个系统的工作性能, 良好的特征参数需要拥有好的稳定性和好的独立性, 一方面可以不受到外界情况的干扰, 不容易为其他的声音所替代, 另一方面, 能够较好的辨别不同说话人, 说明说话人之间的差异。
关键词：特征参数,倒谱系数,LPCC,MFCC
参考文献
[1]M.Chetouani, M.Faundez-Zanuy, B.Gas, and JL.Zarader.Investigation on LP-residual representation for speaker identification, Pattern Recognition.2009, 3 (42) :487-494.
[2]林琳, 王树勋, 郭刚.短语音说话人识别新方法的研究.系统仿真学报, 2007, 19 (10) :2272-2275.
自动识别与提取论文 篇8
LDA[4]是一种有效的提取辨别特征的方法, 广泛应用于可见光人脸识别及红外人脸识别, 但小样本问题导致类内散布矩阵奇异。许多推广的LDA方法被用来解决小样本问题, 如Fisherface[4], NLDA[5]等。Fisherface 首先去掉了总体散布矩阵的零空间, 该零空间是类内散布矩阵零空间与类间散布矩阵零空间的交集, 而类内散布矩阵的零空间包含了重要的辨别信息。NLDA夸大了零空间的作用。 李江[6,7]对红外图像的人脸识别进行研究, 针对传统方法的信息丢失问题提出了一种新的LDA方法, 用Snapshot提取类间散布矩阵的特征, 减少了有用信息的丢失, 但无法彻底解决类内散布矩阵的奇异性问题。
Jiang[8]在可见光图像人脸识别领域提出了一种基于特征校正与提取 (ERE-Eigenfeature Regularization and Extraction ) 的人脸识别方法, 将类内散布矩阵分为3部分, 分别在3个子空间对人脸特征进行校正。该方法既解决了类内散布矩阵的奇异性问题, 同时减少了信息丢失。但人脸空间与噪声空间的划分要结合数据库的特性。文中基于能量自适应将类内散布矩阵划分为3个空间, 之后运用ERE对特征谱进行校正, 提取辨别特征。
1 子空间分解
图1为在HID标准人脸库中的长波红外人脸图像库及自拍长波红外人脸图像库中选取的部分人脸图像。该图像已做过裁剪, 去掉了背景相关的信息。在用于识别前要将尺寸归一化为60×60。
将人脸图像描述为列向量, 由人脸图像的列向量组成新的矩阵Xij, i为第i类;j为第i类的第j幅人脸图像。
其中, Pr (Ci) 为图像属于第i类的先验概率,
求取类内散布矩阵的特征值{σk}和特征向量{vk}, 按特征值大小降序排列。应用最优信号重建的准则, 假设前m (m<N) 个特征值是可靠的, 其余的特征值需要重新估计。令可靠的特征值对应的特征向量组成的空间为人脸空间, 零特征值对应的特征向量组成的空间为零空间, 人脸空间与零空间之间的空间为噪声空间。用人脸空间特征谱能量占整个特征谱能量的百分比来确定m的值。
其中, N为图像维数。当0.90<J (m) <0.99时, LDA可以获得稳定的识别性能[9], 实验结果显示, 当在0.90～0.99之间取值时, 识别结果变化不大。文中取J (m) =0.95。类内散布矩阵的秩点r为噪声空间与零空间的分界点。
2 特征谱修正模型
特征谱曲线快速衰减而后稳定的特性与1/f函数吻合, 因此特征谱模型设为
其中, σk为第k个特征值;a, b为要计算的常数。带入 (1, σ1) 和 (m, σm) 两点坐标计算可得
修正后的特征值为
将式 (5) 和式 (6) 计算得到修正因子, 带入式 (7) 得到修正后的特征值。
图2给出了红外人脸图像的原始特征谱和校正特征谱。其中横坐标为按降序排列的特征值的序号, 纵坐标为特征值的大小, m和r分别为人脸空间和噪声空间及噪声空间和零空间的分界点, 因版面所限, 图中缩小了零空间的比例。
3 提取辨别特征
利用修正特征值的倒数作为加权因子, 对类内散布矩阵的特征向量进行校正, 得到新的特征矩阵P。投影总体散布矩阵得到新的散布矩阵Snewt。
S
计算该散布矩阵的特征值和特征向量, 将特征向量按照相应的特征值降序排列, 选取前s个大特征值对应的特征向量。组成特征向量矩阵Ws, s的选取可参考PCA中主特征的选择。最终投影矩阵为
A=PWs (9)
每副人脸图像X的投影特征向量F为
F=ATX, F∈IRs (10)
4 特征匹配
令F1和F2分别为训练图像与测试图像在投影空间的的投影矢量, 采用简单的欧式距离及最近邻准则, 判断测试图像所属的类。根据最近邻准则, 将待识别图像的投影系数矢量与训练集的投影系数矢量集进行匹配, 最小距离所对应的训练集图像所属类别则为待识别图像的匹配类别。
识别率为正确识别的样本数与总测试样本数的比值。
5 实验结果
在HID标准人脸数据库和自建数据库中, 分别随机选取400幅长波红外人脸图像, 40人, 每人10副图像, 图像尺寸归一化为60×60, 图像中包括姿态、戴眼镜、光照、表情的变化。其中随机选取每人5幅图像作为训练图像, 其他5幅图像用作测试, 取10次测试结果的平均值作为最终识别率。将测试结果与标准的PCA, LDA等方法对比, 结果显示, 文中方法优于其他方法。
6 结束语
用能量自适应的方法将类内散布矩阵的特征空间分为3个子空间, 根据红外人脸图像的特征谱特性, 对3个空间的特征向量分别进行校正。实验结果显示, 该算法具有较高的识别率。
参考文献
[1]Wilder J, Philips P, Jiang C, et al.Comparison of Visible and Infra-red Imagery for Face Recognition[C].In Pro-ceedings, Internationial Comference of Automatic Face and Gesture Recognition, 1996:182-187.
[2]Diego A Socolinsky, Lawrence B Wolff, Joshua D Neuheis-el, et al.Illumination Invariant Face Recognition Using Thermal Infrared Imagery[C].Proceedings of the IEEE, 2001 (1) :527-534.
[3]Diego A Socolinsky, Andrea Selinger, Joshua D Neuheisel.A Comparative Analysis of Face Recognition Performance with Visible and Thermal Infrared Imagery[C].Washington, DC.USA:IEEE Computer Society, 2002:217-222.
[4]Peter N Belhumeur, Jo o P Hespanha, David J Kriegman.Eigenfaces VS.Fisherfaces:Recognition Using Class Spe-cific Linear Projection[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 1997, 19 (7) :711-720.
[5]Liu Wei, Wang Yunhong, Li Stan Z, et al.Null Space Approach of Fisher Discriminant Analysis for Face Recogni-tion[C].Proc.ECCV Workshop BioAW, 2004:32-44.
[6]李江, 郁文贤, 匡刚要, 等.红外图像人脸识别方法研究[J].国防科技大学学报, 2006, 28 (2) :73-76.
[7]李江.红外图像人脸识别方法[D].长沙:国防科技大学, 2006.
[8]Jiang Xudong, Bappaditya Mandal, Alex Kot.Eigenfeature Regularization and Extraction in Face Recognition[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 2008, 30 (3) :383-394.
浅谈笔迹材料的提取与送检 篇9
关键词：笔记材料；提取；送检
一、笔迹材料（样本）的种类及提取条件
1.样本的种类
笔迹样本就是笔迹式样，是文检人员在检案过程中运用笔迹特征进行比较检验的一个已知参照物。笔迹样本，依据书写时间的先后顺序和鉴定的作用不同以及收取方法的特点，分为自由样本（案前样本、案后样本）和在特殊条件下收取的实验样本及对照样本。
（1）自由样本。是指书写人根本没有想到或意识到书写的字迹可能做为鉴定对照资料的条件下书写的。此样本笔迹特征没有伪装，能真实地反映书写人的书写习惯，自由样本分为案前样本与案后样本。
（2）案前样本：是书写入在案件发生以前亲笔书写的文字及手稿。此样本绝大多数是在正常条件也可在向其说明收取的目的并取得同意以后，在有关人员监督下，令其在物证文书字迹相同的书写条件下，书写一定的文字手稿。这是鉴定某些特殊笔迹所需要的补充样本。目的在重视书写文书物证字迹当时的具体条件，观察分析这些条件引起笔迹特征可能改变的程度，正确解释笔迹特征出现的差异，同时又可检证罪犯口供的真伪。
（3）对照样本。是指与文书物证字迹有牵连、的人书写的手稿，这是鉴定摹仿笔迹和“复抄字迹”所需要的一种特殊对照资料。因为摹仿字迹检材或“复抄笔迹”检材除反映书还应同时收取被摹仿人的笔迹样本，为确定检材笔迹的被摹仿人提供比较资料。
2.样本的提取条件
在案件事实认定过程中，检验笔迹即证据材料在鉴定未做出同一结论以前，它是一种未知物，需文检人员对笔迹特征反映书写习惯程度的评判做出结论。而样本材料是鉴定人员赖以进行比较鉴定的已知标准。不言而喻，就是如何正确的提取样本，但就目前检验部门所接受委托的检验样本而言，有相当一部分样本不能够满足检验鉴定的要求。如有的案件托人送检，送检人对当事人或嫌疑人情况一无所知。有的则对案件当事人双方交往情况不甚了解，无法确定当事人之间是否占有对方的笔迹材料。还有的办案人员认为只要有样本笔迹就行，而不管其数量质量如何，因此送检的样本笔迹有的是实验样本；有的办案人员在办案过程中因种种原因提取样本不足，让当事人抄写的笔迹物证字迹作为样本材料，在这种情况下，由于当事人知道取样意图，因此他在书写字迹时，为逃避侦查往往故意伪装，给文检人员检案造成一定困难。另外这样的取样方法在民事案件中，当事人由于受自身心理因素和外界各种因素的影响，其笔迹较正常情况下书写的笔迹容易出现差异，这种差异也往往给检案造成困
难。鉴于以上原因，建议办案人员在提取样本时，应注意以下几个方面：
（1）提取样本要充分、全面。办案单位对于收取的笔迹样本要认真审查，对嫌疑人既就注意收集案前样本，又应注意收集案后样本，还应注意收集实验样本，尽可能地多收集与检材书写时间相近的平时样本材料。
（2）提取样本材料应准确真实。对收集到的嫌疑人笔迹，应由物主、见证人签名证实，防止嫌疑人伪装或以不真实的样本顶替。
（3）提取样本应注意方式方法。一般情况下可依靠各级组织进行提取，在公开提取实验样本时，应防止嫌疑人看检材，以免嫌疑人记摹检材上的一些笔迹特征，给检验工作带来难度。
二、笔迹材料的送检
办案人员在侦查活动中，遇到需检案件，应做好以下几项工作：
1.填写委托检验鉴定书
物证需要送检，首先要取得本部门领导的同意，认真填写委托事项及鉴定要求，并加盖公章，使委托鉴定的程序合法化。
2.准备送检材料
①检材、样本。②简要案情。对需检案件发生的时间、地点和经过情况。各种印章启用时间、清刷时间、印文形成时间，侦查、调查过程中有无直接间接触动情况。③在此委托鉴定之前有无委托其他鉴定机关或鉴定人进行过鉴定及其结果。④对所送的需检物证材料形成的条件以及提取方式应具体说明，力求通过以上材料给文检人员鉴定案件提供全方位信息和疑问性参考。⑤送检材料的内容和数量应与委托鉴定单位书面说明，并办理交接手续。
3.准备供检的检材条件要充分
原则上要求所送文件物证的全部原件，特别是摹仿笔迹的物证，不可用它们的复印件代替。委托单位在送检以后，应给文检人员留一些时间进行检验、鉴定，笔迹检验工作来不得有半点的差错，文检人员需要集科学与经验于一身，通过寻找大量的笔迹特征，反复比较鉴别，全面分析判断，才能作出肯定或否定结论，文检人员应本着尊重科学、客观公正、求真务实、舍得下功夫的精神，把鉴定意见做得准确无误。
自动识别与提取论文 篇10
电力线是电力系统的重要组成部分，它的安全可靠的运行直接影响到国家经济的稳定和人的生命安全。而由于我国国土辽阔，地形复杂，平原少、丘陵及山区较多的特点，使得电力线巡检这项基础工作变得很艰难。目前，对野外的输电线路进行巡检的主要有地面目测法、直升飞机巡线法，机器人巡线法。而无人机巡线法在国际和国内上是个新课题，该方法利用图像摄像识别技术，在复杂自然背景下，将电力线自动提取。本文基于Ratio算子从图像上提取高压线的像素点，同时利用双方向K均值分类的Hough变换对高压线识别。
1 基于复杂背景的Ratio算子滤波
Saraband等人提出的一种利用中间区域和两边相邻区域灰度平均值的比值来进行的检测方法，该方法能够充分利用线特征的灰度信息。给定一个包含个像素的区域,其中每个像素的灰度为,其平均灰度,设过中心像素的一定宽度的区域为,其两边的区域为。检测方向为在中过将两边分成相近大小的直线方向,以水平方向为例。
2 基于K均值分类的Hough变换直线提取
2.1 Hough变换
Hough变换是经典的直线检测之一，在车道检测、机场跑道检测等方面应用十分广泛，它的基本思想是:由图像空间中的边缘曲线通过曲线表达式变为参数空间的一个点，将原始图像边缘曲线检测问题转变为寻找参数空间中的点，并在累加器空间中寻找峰值的问题。
2.2 K均值分类的Hough变换
Hough变换直线检测会有误检测，基于高压线近似平行的特征，我们在代表直线方向信息的上对已检测出的直线做，可以排除与高压线相交的误检测，在代表距离的上对已检测的直线做K均值的分类，可以排除与高压线类似平行的河流道路等的干扰。
3 实验结果与分析
本文的软件平台为：Win 7操作系统,Matlab R2009a实验仿真平台。在经Ratio算子滤波后，高压线像素基本上提取完整，背景噪声较少。图(1)和图(2)是树木和矮灌木的背景噪声，这些噪声使得应用Hough变换时产生与高压线相交的误检线段，在经过一次方向上的K均值分类可以去除了干扰线段。而图(3)是受道路噪声的干扰,这些噪声产生与高压线平行的误检线段，在方向上的K均值分类去除了平行的干扰线段。
4 结论
高压线的提取与识别是基于视觉电力系统巡检的重要环节。本文在认清高压线结构特点的基础上，用抗强噪声的线特征提取Ratio算子从图像上提取高压线的像素点，改进Hough变换，从双方向对Hough变换进行K均值分类对高压线识别，本方法可以解决与高压线平行的干扰。
摘要：本文主要研究了从复杂自然背景高压线图像中自动识别导线的算法。首先用抗强噪声的线特征提取算子从图像上提取高压线的像素点,然后基于高压线的特征,采用双方向K均值分类的Hough变换对高压线识别。
关键词：高压线,Ratio,Hough
参考文献
[1]G.Yan,C.Li,G.Zhou,W.Zhang,and X.Li,"Automatic extraction of power lines from aerial images,"IEEE Geoscience and Remote Sensing Letters,vol.4,pp.387-391,2007
[2]赵利坡,范慧杰,朱琳琳,唐延东.。面向巡线无人机高压线实时检测与识别算法。小型微型计算机系统,2012年第04期
[3]Saraband i K,Pierce L,Oh Y,et a l.Power lines:Radar measurements and detection algorithm for polarimetric SAR images[J].IEEE Transact ions on Aerospace and Electronic Systems,1994,30(2):632~643.
[4]游嘉,陈波。基于Hessian矩阵的多尺度视网膜图像增强方法。计算机应用,(2011)06:1560
【自动识别与提取论文】推荐阅读：
数字识别特征提取05-28
自动缺陷识别10-16
自动车辆识别06-10
自动语音识别06-20
自动识别算法10-15
特征自动识别09-05
温度自动识别09-17
自动调制识别技术06-15
铁路车号自动识别系统09-22
物流自动识别技术介绍05-13