CN109034235B - 一种基于多特征的集成svm噪点检测方法 - Google Patents

一种基于多特征的集成svm噪点检测方法 Download PDF

Info

Publication number
CN109034235B
CN109034235B CN201810800603.8A CN201810800603A CN109034235B CN 109034235 B CN109034235 B CN 109034235B CN 201810800603 A CN201810800603 A CN 201810800603A CN 109034235 B CN109034235 B CN 109034235B
Authority
CN
China
Prior art keywords
noise
sub
classifier
point
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810800603.8A
Other languages
English (en)
Other versions
CN109034235A (zh
Inventor
贾晓芬
王晨
郭永存
黄友锐
赵佰亭
凌六一
马天兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201810800603.8A priority Critical patent/CN109034235B/zh
Publication of CN109034235A publication Critical patent/CN109034235A/zh
Application granted granted Critical
Publication of CN109034235B publication Critical patent/CN109034235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于多特征的集成SVM噪点检测方法，包括六步。步骤一，输入含噪图像，生成含噪图像的图像矩阵；步骤二，逐个像素点提取像素点的局部二值特征和加权差分特征作为样本特征，并对噪声点和非噪声点做不同标记，噪声点标记为1，非噪声点标记为0；步骤三、通过随机选择的方法选择一定数量的样本特征作为训练样本集X；步骤四，输入X训练多个支持向量机，并对其结果进行集成得到分类模型；步骤五，用训练好的强分类器(分类模型)H进行噪点检测；步骤六，输出噪点所在位置的图像矩阵。本发明泛化能力较强，具有较高的噪点检测率，可以实现对任何一副含噪图像的噪点检测。

Description

一种基于多特征的集成SVM噪点检测方法
技术领域
本发明涉及图像的噪点检测，尤其涉及一种基于多特征的集成SVM噪点检测方法。
背景技术
图像在形成、记录、处理和传输过程中，易受到诸多因素的影响，而导致图像质量下降，典型的表现有产生噪声、模糊等。因此，在对图像进行处理之前，去除噪声是一关键的预处理环节。对含噪图像的噪点检测的准确率直接影响着最终的去噪效果，因此，寻求一种能够准确检测含噪图像中的噪点位置的方法是图像去噪研究的重点。
现有一种基于最小局部均方差计算的噪点检测方法(专利号：201510688993.0)，根据像素点邻域内局部均方差与去掉本身的局部均方差的差值大小进行局部检测并判断该点是否为噪声点。图1所示是局部邻域均方差判断噪点示意图，采用某像素点邻域内的像素点，分别选取小邻域，行，列，两个斜向五组中的几组将其局部均方差和局部去心均方差的差值的绝对值与某个阈值做比较来对某个像素点是否为噪声点进行判断，具体是，对某个像素点计算该点邻域内五组的局部均方差Si’和邻域内去掉该点后的局部去心均方差Si，计算二者的绝对值|Si’-Si|，并取五组结果中最小的值S＝min|Si’-Si|加以判断，其值大表示该点对邻域灰度有较大影响，认为是噪声点。
“一种基于最小局部均方差计算的噪点检测方法”能够有效地降低非噪声点误判为噪声点的概率，其具体方案可见上文，与本发明设计不同之处在于：
(1)本发明使用支持向量机(SupportVector Machine,SVM)作为检测噪点的主体工具；
(2)本发明提取图像的多个特征，包括局部二值特征和加权差分特征，作为判断一个像素点是否为噪点的依据；
(3)本发明提取图像特征训练多个子支持向量机后集成最终结果作为分类模型。
本发明与“一种基于最小局部均方差计算的噪点检测方法”相比，其优点为：
(1)使用支持向量机作为检测噪点的主体工具，可以解决小样本情况下的机器学习问题，相比较通过最小局部均方差计算来检测噪点，能缩短噪点检测的时间。
(2)提取图像多个特征作为判断一个像素点是否为噪点的依据，相较于“一种基于最小局部均方差计算的噪点检测方法”中只通过最小局部均方差这一种特征来判断像素点是否为噪点的方式更为准确。
(3)提取图像特征训练多个子支持向量机后集成最终结果作为分类模型，可以提高泛化性能，训练好的分类模型可以应用于任何一副含噪图像的噪点检测，相较于“一种基于最小局部均方差计算的噪点检测方法”，需要对每幅含噪图像进行类似的计算。
现有一种基于多特征结合与加权支持向量机的图像去噪方法(付燕,宁宁.基于多特征结合与加权支持向量机的图像去噪方法.计算机应应,2011,31(08):2217-2220.)，其主要思想是：首先，提取含噪图像局部区域中心像素点的邻域灰度值、椒盐噪声特征及邻域差分统计特征，作为移动窗口中心像素的输入特征向量，构成训练样本集。然后采用扰动训练样本和扰动分类器模型参数的二重扰动机制来构造支持向量机集成中的子分类器，对训练样本集进行训练，并将子分类器采用多数投票法加以集成，得到分类模型，最后利用分类模型区分噪声点和非噪声点。
“一种基于多特征结合与加权支持向量机的图像去噪方法”能够有效地区分噪声点和非噪声点，其具体方案可见上文，与本发明设计不同之处在于：
(1)本发明提取图像的局部二值特征和加权差分特征，作为判断一个像素点是否为噪点的依据。
(2)本发明提取图像特征迭代训练多个子分类器后依据每个子分类器的准确率赋予不同的权重后集成最终结果作为分类模型。
本发明与“一种基于最小局部均方差计算的噪点检测方法”相比，其优点为：
(1)提取图像局部二值特征和加权差分特征作为判断一个像素点是否为噪点的依据，相较于“一种基于多特征结合与加权支持向量机的图像去噪方法”中提取邻域灰度值、椒盐噪声特征及邻域差分统计特征来判断像素点是否为噪点的方式更为准确。
(2)在对子分类器结果进行集成时赋予每个子分类器不同的权重，相较于“一种基于多特征结合与加权支持向量机的图像去噪方法”，采用多数投票法进行子分类器集成，分类准确率更高。
本发明的目的在于发明一种基于多特征的集成SVM噪点检测方法，通过提取含噪图像的多种特征，充分利用支持向量机良好的小样本学习能力，能达到较高的噪点识别准确率，且泛化能力好。
发明内容
为解决现有技术的不足，本发明的目的在于一种基于多特征的集成SVM噪点检测方法，以提高噪点检测率。
本发明涉及一种基于多特征的集成SVM噪点检测方法，其特征在于，具体按照以下步骤进行：
步骤一，输入含噪图像，生成含噪图像的图像矩阵；
步骤二，逐个像素点提取像素点的局部二值特征和加权差分特征作为样本特征，并对噪声点和非噪声点做不同标记，噪声点标记为1，非噪声点标记为0；
步骤三、通过随机选择的方法选择一定数量的样本特征作为训练样本集X；
步骤四，输入训练样本集X训练多个支持向量机，并对其结果进行集成得到分类模型；
步骤五，用训练好的强分类器(分类模型)H进行噪点检测；
步骤六，输出噪点所在位置的图像矩阵。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤二中，逐个像素点提取像素点的局部二值特征的方法，在3×3区域内，具体按照以下步骤进行：
①用每个像素跟它周围的8个像素分别比较得到局部图像结构；
②若中心像素值大于相邻像素值，则相邻像素点赋值为1，否则赋值为0；
③将周围像素点的值从中心点上方的像素点开始顺时针排放成8维的行向量，即得中心像素点的局部二值特征。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤二中，逐个像素点提取像素点的加权差分特征的方法，在3×3区域内，具体按照以下公式进行：
I＝λ(cNx,y▽N(Ix,y)+cSx,y▽S(Ix,y)+cEx,y▽E(Ix,y)+cWx,y▽W(Ix,y)) (1)
式(1)中，I表示大小为m×n的图像，(x,y)表示中心像素点且1≤x≤m,1≤y≤n，Ix,y表示(x,y)点的像素值，▽N(Ix,y)＝Ix,y-1-Ix,y、▽S(Ix,y)＝Ix,y+1-Ix,y、▽E(Ix,y)＝Ix-1,y-Ix,y和▽W(Ix,y)＝Ix+1,y-Ix,y为中心像素点在上下左右四个方向的梯度，cNx,y＝exp(-|▽N(I)|2/k2)、cSx,y＝exp(-|▽S(I)|2/k2)、cEx,y＝exp(-|▽E(I)|2/k2)和cWx,y＝exp(-|▽W(I)|2/k2)为中心像素点在上下左右四个方向的热传导系数，λ和k为调节系数。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤四中，对多个支持向量机的结果进行集成得到分类模型的方法，具体按照以下步骤进行：
步骤一，对训练样本集X中的噪声点样本N+和非噪声点样本N-赋予不同的权重，第一个分类器的权重赋值为
Figure BDA0001737009790000041
步骤二，依次训练M个子支持向量机(子分类器)；
步骤三，每训练一个子支持向量机后，根据误差来更新下一个子分类器的训练样本权重；
步骤四，利用更新后的权重继续依次训练子支持向量机；
步骤五，将各子分类器集成为分类模型
Figure BDA0001737009790000042
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述的调节系数λ和k的取值范围为，
Figure BDA0001737009790000043
0＜k＜45。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤三中，根据误差来更新下一次的训练样本权重的方法，具体按照以下步骤进行：
①计算子分类器fi在权重Di上的误差ei＝Ne/N，其中Ne为错分样本数，N为总样本数，fi为第i个子分类器，Di为训练第i个子分类器的样本权重，其中1≤i≤M，M为子分类器的个数；
②计算子分类器的权重
Figure BDA0001737009790000051
③更新训练样本权重
Figure BDA0001737009790000052
本发明相对于现有技术取得了以下技术效果：
(1)本发明提取多个含噪图像特征，包括局部二值特征和加权差分特征，作为判断是否为噪点的依据，会减少误判的情况，能提高噪点识别的准确率。
(2)本发明用训练样本集训练多个子支持向量机后对其结果进行集成而形成最终的分类模型，因而泛化能力较强，训练好的分类模型可以实现对任何一副含躁图像的噪点检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是一种基于最小局部均方差计算的噪点检测方法中的局部邻域均方差判断噪点示意图；
图2是本发明的噪点检测流程图；
图3是支持向量机集成方法示意图；
图4是用含5％椒盐噪声的Lena图训练集成SVM后，对含5％椒盐噪声的Lena图去噪的结果图像；
图4(a)是子分类器的分类准确率；
图4(b)是子分类器的错分个数；
图5是用含5％椒盐噪声的Lena图训练集成SVM后，对含10％椒盐噪声的Lena图去噪的结果图像；
图5(a)是子分类器的分类准确率；
图5(b)是子分类器的错分个数；
图6是用含5％椒盐噪声的Lena图训练集成SVM后，对含20％椒盐噪声的Lena图去噪的结果图像；
图6(a)是子分类器的分类准确率；
图6(b)是子分类器的错分个数。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图2所示，本发明公开一种基于多特征的集成SVM噪点检测方法，包括六步。步骤S1，输入含噪图像，生成含噪图像的图像矩阵；步骤S2，逐个像素点提取像素点的局部二值特征和加权差分特征作为样本特征，并对噪声点和非噪声点做不同标记，噪声点标记为1，非噪声点标记为0；步骤S3、通过随机选择的方法选择一定数量的样本特征作为训练样本集X；步骤S4，输入X训练多个支持向量机，并对其结果进行集成得到分类模型；步骤S5，用训练好的强分类器(分类模型)H进行噪点检测；步骤S6，输出噪点所在位置的图像矩阵。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤二中，逐个像素点提取像素点的局部二值特征的方法，在3×3区域内，具体按照以下步骤进行：
①用每个像素跟它周围的8个像素分别比较得到局部图像结构；
②若中心像素值大于相邻像素值，则相邻像素点赋值为1，否则赋值为0；
③将周围像素点的值从中心点上方的像素点开始顺时针排放成8维的行向量，即得中心像素点的局部二值特征。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤二中，逐个像素点提取像素点的加权差分特征的方法，在3×3区域内，具体按照以下公式进行：
I＝λ(cNx,y▽N(Ix,y)+cSx,y▽S(Ix,y)+cEx,y▽E(Ix,y)+cWx,y▽W(Ix,y)) (1)
式(1)中，I表示大小为m×n的图像，(x,y)表示中心像素点且1≤x≤m,1≤y≤n，Ix,y表示(x,y)点的像素值，▽N(Ix,y)＝Ix,y-1-Ix,y、▽S(Ix,y)＝Ix,y+1-Ix,y、▽E(Ix,y)＝Ix-1,y-Ix,y和▽W(Ix,y)＝Ix+1,y-Ix,y为中心像素点在上下左右四个方向的梯度，cNx,y＝exp(-|▽N(I)|2/k2)、cSx,y＝exp(-|▽S(I)|2/k2)、cEx,y＝exp(-|▽E(I)|2/k2)和cWx,y＝exp(-|▽W(I)|2/k2)为中心像素点在上下左右四个方向的热传导系数，λ和k为调节系数。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤四中，按照图3的方法，对多个支持向量机的结果进行集成得到分类模型，具体按照以下步骤进行：
步骤一，对训练样本集X中的噪声点样本N+和非噪声点样本N-赋予不同的权重，第一个分类器的权重赋值为
Figure BDA0001737009790000071
步骤二，依次训练M个子支持向量机(子分类器)；
步骤三，每训练一个子支持向量机后，根据误差来更新下一个子分类器的训练样本权重；
步骤四，利用更新后的权重继续依次训练子支持向量机；
步骤五，将各子分类器集成为分类模型
Figure BDA0001737009790000072
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述的调节系数λ和k的取值范围为，
Figure BDA0001737009790000073
0＜k＜45。
进一步的，所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤三中，根据误差来更新下一次的训练样本权重的方法，具体按照以下步骤进行：
①计算子分类器fi在权重Di上的误差ei＝Ne/N，其中Ne为错分样本数，N为总样本数，fi为第i个子分类器，Di为训练第i个子分类器的样本权重，其中1≤i≤M，M为子分类器的个数；
②计算子分类器的权重
Figure BDA0001737009790000081
③更新训练样本权重
Figure BDA0001737009790000082
为了验证本发明的有效性，进行了仿真试验。
实验运用Matlab R2016a编程，在2.80GHz的Intel(R)Core(TM)i7-7700HQ CPU，8.0GB内存的联想笔记本上运行。采用分辨率为64×64的标准Lena图像，先在标准的Lena图像上随机加入浓度为5％的椒盐噪声，然后提取局部二值和加权差分特征作为训练样本形成训练样本集，训练子分类器获得分类模型H后，利用H分别对含噪5％，10％和20％的Lena图像进行噪点检测。
实验过程中，取调节系数λ＝0.15，k＝15。
图4，图5，图6分别是对三种噪声浓度的Lena图像的噪点检测结果。对含噪5％和10％的Lena图像进行噪点检测的准确率均达到100％，对含噪20％的Lena图像进行噪点检测的准确率达到99.8％。对含噪5％，10％和20％的Lena图像进行噪点检测，从子分类器的分类准确率可以看出分类器集成后的噪点检测率比单个子分类器均有提高，说明本发明的有效性和实用性。
表1为一种基于最小局部均方差计算的噪点检测方法和本发明方法在不同噪声浓度下的分类准确率比较。显然，本发明的检测精度较高，具有明显优势。
表1检测结果比较
Figure BDA0001737009790000083
以上所述仅为本发明的一个实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (5)

1.一种基于多特征的集成SVM噪点检测方法，其特征在于，具体按照以下步骤进行：
步骤一，输入含噪图像，生成含噪图像的图像矩阵；
步骤二，逐个像素点提取像素点的局部二值特征和加权差分特征作为样本特征，并对噪声点和非噪声点做不同标记，噪声点标记为1，非噪声点标记为0；
所述步骤二中，逐个像素点提取像素点的加权差分特征的方法，在3×3区域内，具体按照以下公式进行：
Figure FDA0003157488320000011
式(1)中，I表示大小为m×n的图像，(x,y)表示中心像素点且1≤x≤m,1≤y≤n，Ix,y表示(x,y)点的像素值，
Figure FDA0003157488320000012
Figure FDA0003157488320000013
和
Figure FDA0003157488320000014
为中心像素点在上下左右四个方向的梯度，
Figure FDA0003157488320000015
Figure FDA0003157488320000016
Figure FDA0003157488320000017
和
Figure FDA0003157488320000018
为中心像素点在上下左右四个方向的热传导系数，λ和k为调节系数；
步骤三、通过随机选择的方法选择一定数量的样本特征作为训练样本集X；
步骤四，输入训练样本集X训练多个支持向量机，并对其结果进行集成得到分类模型；
步骤五，用训练好的分类模型H进行噪点检测；
步骤六，输出噪点所在位置的图像矩阵。
2.根据权利要求1所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤二中，逐个像素点提取像素点的局部二值特征的方法，在3×3区域内，具体按照以下步骤进行：
①用每个像素跟它周围的8个像素分别比较得到局部图像结构；
②若中心像素值大于相邻像素值，则相邻像素点赋值为1，否则赋值为0；
③将周围像素点的值从中心点上方的像素点开始顺时针排放成8维的行向量，即得中心像素点的局部二值特征。
3.根据权利要求1所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤四中，对多个支持向量机的结果进行集成得到分类模型的方法，具体按照以下步骤进行：
步骤S1，对训练样本集X中的噪声点样本N+和非噪声点样本N-赋予不同的权重，第一个分类器的权重赋值为
Figure FDA0003157488320000021
步骤S2，依次训练M个子分类器；
步骤S3，每训练一个子分类器后，根据误差来更新下一个子分类器的训练样本权重；
步骤S4，利用更新后的权重继续依次训练子分类器；
步骤S5，将各子分类器集成为分类模型
Figure FDA0003157488320000022
其中，N为总样本数，fi为第i个子分类器，ci为第i个子分类器的权重。
4.根据权利要求1所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述的调节系数λ和k的取值范围为，
Figure FDA0003157488320000023
5.根据权利要求3所述的一种基于多特征的集成SVM噪点检测方法，其特征在于，所述步骤S3中，根据误差来更新下一次的训练样本权重的方法，具体按照以下步骤进行：
①计算子分类器fi在权重Di上的误差ei＝Ne/N，其中Ne为错分样本数，N为总样本数，fi为第i个子分类器，Di为训练第i个子分类器的样本权重，其中1≤i≤M，M为子分类器的个数；
②计算子分类器的权重
Figure FDA0003157488320000024
③更新训练样本权重
Figure FDA0003157488320000025
CN201810800603.8A 2018-07-20 2018-07-20 一种基于多特征的集成svm噪点检测方法 Active CN109034235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810800603.8A CN109034235B (zh) 2018-07-20 2018-07-20 一种基于多特征的集成svm噪点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810800603.8A CN109034235B (zh) 2018-07-20 2018-07-20 一种基于多特征的集成svm噪点检测方法

Publications (2)

Publication Number Publication Date
CN109034235A CN109034235A (zh) 2018-12-18
CN109034235B true CN109034235B (zh) 2021-09-28

Family

ID=64644429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810800603.8A Active CN109034235B (zh) 2018-07-20 2018-07-20 一种基于多特征的集成svm噪点检测方法

Country Status (1)

Country Link
CN (1) CN109034235B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363088B (zh) * 2019-06-12 2022-09-13 南京理工大学 基于多特征融合的自适应皮肤炎症区域检测方法
CN115438702A (zh) * 2022-10-18 2022-12-06 国网山东省电力公司营销服务中心(计量中心) 一种电力线载波信道噪声检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156732A (zh) * 2014-08-01 2014-11-19 北京利云技术开发公司 纸张真伪辨别系统和方法
CN106204531A (zh) * 2016-06-24 2016-12-07 安徽理工大学 一种同步检测彩色图像中噪点与边缘点的方法
CN106503750A (zh) * 2016-11-02 2017-03-15 广州大学 一种融合差分子空间与正交子空间的图像集分类方法
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN107833192A (zh) * 2017-11-08 2018-03-23 安徽理工大学 一种支持向量机融合分数阶积分算子的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995649B2 (en) * 2006-04-07 2011-08-09 Microsoft Corporation Quantization adjustment based on texture level

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156732A (zh) * 2014-08-01 2014-11-19 北京利云技术开发公司 纸张真伪辨别系统和方法
CN106204531A (zh) * 2016-06-24 2016-12-07 安徽理工大学 一种同步检测彩色图像中噪点与边缘点的方法
CN106503750A (zh) * 2016-11-02 2017-03-15 广州大学 一种融合差分子空间与正交子空间的图像集分类方法
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN107833192A (zh) * 2017-11-08 2018-03-23 安徽理工大学 一种支持向量机融合分数阶积分算子的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An empirical study on the effects of different types of noise in image classification tasks;Gabriel B. Paranhos da Costa等;《arXiv:1609.02781v1》;20160909;1-6 *
Ferhat ¨Ozg¨ur Cşatak等.Robust Ensemble Classifier Combination Based on Noise Removal with One-Class SVM.《arXiv:1602.02888v1》.2016, *
一种改进的非局部平均图像去噪算法;许光宇等;《计算机应用于软件》;20170715;第34卷(第07期);149-153、197 *
基于bagging-rough SVM集成的去马赛克方法;贾晓芬等;《中南大学学报(自然科学版)》;20150626;第46卷(第06期);2065-2073 *
基于加权差分主元分析的化工过程故障检测;郭金玉等;《高校化学工程学报》;20180215;第32卷(第1期);183-192 *
嵌入欠采样技术的支持向量机集成分类算法的MicroRNA靶标预测;陈志茹等;《生物医学工程学杂志》;20160225;第33卷(第01期);正文第1节 *

Also Published As

Publication number Publication date
CN109034235A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
Yin et al. A deep normalization and convolutional neural network for image smoke detection
CN110048827B (zh) 一种基于深度学习卷积神经网络的类模板攻击方法
Westphal et al. Document image binarization using recurrent neural networks
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN108229580A (zh) 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置
CN111860171A (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
Becerra et al. Neural and wavelet network models for financial distress classification
CN113920400B (zh) 一种基于改进YOLOv3的金属表面缺陷检测方法
CN108520202A (zh) 基于变分球面投影的对抗鲁棒性图像特征提取方法
CN102867195B (zh) 一种遥感图像多类目标检测和识别方法
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN110940523A (zh) 一种无监督域适应故障诊断方法
CN111222589A (zh) 图像文本识别方法、装置、设备及计算机存储介质
CN111079805A (zh) 一种结合注意力机制及信息熵最小化的异常图像检测方法
CN109034235B (zh) 一种基于多特征的集成svm噪点检测方法
CN107220655A (zh) 一种基于深度学习的手写、印刷文本的分类方法
CN111986180A (zh) 基于多相关帧注意力机制的人脸伪造视频检测方法
CN111783885A (zh) 一种基于局部增强的毫米波图像的质量分类模型构建方法
CN108877947A (zh) 基于迭代均值聚类的深度样本学习方法
CN111340748A (zh) 电池缺陷识别方法、装置、计算机设备和存储介质
CN103714340B (zh) 基于图像分块的自适应特征提取方法
CN113762151B (zh) 一种故障数据处理方法、系统及故障预测方法
CN113487600A (zh) 一种特征增强尺度自适应感知船舶检测方法
Luo et al. AMI-Net: Adaptive Mask Inpainting Network for Industrial Anomaly Detection and Localization
CN117876299A (zh) 一种基于师生网络架构的多模态工业异常检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant