论文研究-基于结合空间信息的FCM聚类的分水岭图像分割.pdf

所需积分/C币:16 2019-09-12 18:57:37 720KB .PDF
29
收藏 收藏
举报

研究了掌纹识别问题,对掌纹图像特征提取、多特征的融合技术作了一定程度的探讨。采用数学形态学方法提取掌纹线特征;基于Gabor滤波器描述掌纹图像的纹理特征。利用掌纹的线特征和纹理特征两个信息分别作两个分类器的特征,利用模糊规则求出各分类器的基本概率分配函数,最后利用D-S证据理论的合成法则对两个分类器的结果进行融合判决。实验结果表明,这种方法是有效的,可行的。
1902008,44(11) Computer Engineering and Applications计算机工程与应用 (D(L1,L2)) 对于第一种方法,其融合结果仅依靠一种匹配度,并不是 2D(L1,L2) 0≤D(L1,L2)<D(L1,L2) 实际意义上的融合;后三种方法削弱一种匹配度为代价的, (8) Xiangqian Wul采用了第四种方法,并将a和b的值分别定义 2(Dn(L1,L2)-D(L1,L2)) D(L1,L2) Dn(L1,L2)≤D(L1,L2)≤1 为0.8和0.2,显然这是一种过分信任掌纹纹理特征匹配度的 方法,而且要求经验值的设定。 将公式(6)、7)、(8)三个隶属度值归一化后分别作为焦元34本文提出的两种匹配度的融合策略 A1(匹配),A2(不匹配)和A3(不确定)的基本概率分配函数: 由于证据理论能够有效地减小不确定性区间,本文采取基 11(D(L1,L2) m1(A:)= ,=1,2,3 (9)于证据理论的融合策略。下面给出融合公式。 ∑A(D(L1,L2)) 由证据理论合成法则: 3.2基于掌纹纹理特征匹配度的分类器 ∑ m(Ai)m(B:) m(A)=m(A)Gm2(A)=-4 (16) 由基于 Gabor滤波器的方法得到相位编码图像,如图5。 在此基础上设P和Q是两幅掌纹子图,Pg,Qg,PA,Q是两幅掌 ∑m(A1)m(B,) A∩B=0 纹编码的实部和虚部。定义两幅掌纹编码的 Hamming距离来进行融合识别,再由融合后基本概率分配函数计算信度区间 比较两幅掌纹的匹配度D: (即不确定区间Bel(A1),p(A)),其中Bel(A)=∑m(B), D=∑∑(P(i,)8Q(i,j)+P(;)⑧Q,j)(10) p(A)=1-Bel(A)。 其中,∞”是指异或运算,编码运算如图5,显然当两幅掌纹编 由此定义以下判决规则 码的实部和虚部完全相同时,D取得最大值,D=2N,当两幅 若m(A1)≥0.5,则两幅掌纹匹配 掌纹编码的实部和虚部完全不同时,D取得最小值,D==0,仿 若m(A2)≥0.5,则两幅掌纹不匹配 照前述方法,定义隶属度函数2(D),p(D),(D),将这三个 若m(A3)≥0.5,则不确定; 隶属度值归一化后分别作为焦元A1(匹配),A2(不匹配)和A3 其它情况,不能有效判定 (不确定)的基本概率分配函数。 器 4实验结果及结论 通过上述的方法,以图6的四幅图像为例,进一步说明本 文的算法。其中图6(a)和图6(b)与图6(c)和图6(d)分别是两 个人不同时间采集的图像。 图6掌纹子图 利用线特征识别方法,可得到的基本概率分布函数m1(A1) 的值,如表1 G 表1m1(A1)的值 (j)P⑧Q(k)P③Q(1PQR(m)P∞R 1(A:) 图6(a) 图6(b) 图6(c) 图6(d) 图5掌纹编码运算 图6(a)1.00000.710.180.110.320460220.330.470.20 ()m=(F)2m 图6(b)0.710.180.111.00000.300.420.280.280.510.21 ,=1,2,3 (11) 图6(c)0.320.460.220.300.420.281.00000.750.100.15 ∑H2(D 图6(d)0.330.470.200.280.510.210.750.100.151.0000 3.3掌纹线特征和纹理特征的融合策略分析 利用纹理特征识别方法,可得到的基本概率分布函数 掌纹线特征秈纹理特征的融合识别2005年由 Xiangtan m2(A)的值,如表2 Wu等首次提出,文中定义了掌纹纹理特征匹配度x1,掌纹线 表2m2(A1)的值 特征匹配度x2和最终匹配度x,并定义了以下四种融合策略 m2(A) 图6(a) 图6(b) 图6(c) 图6(d) S∷:最大值策略x=max(x1,x2) 图6(a)1.00000.800.080.120.220.480.300.210.51028 (12) 图6(b)0.800.080.121.00000.240.460.300.220.500.28 2:算术平均策略x=Vx1x2 (13)图6(c)0.220.480300.240460.30100000.810090.10 S3:几何平均策略 c,+ 图6(d)0.210.510.280.220.500.280.810.090.101.0000 (14) 利用 Xianqian Wu等的加权平均策略,得到如表3结果。 S:加权平均策略x=ax1+bx2,a+b=1 (15)利用本文提出的融合策略,可得到如表4结果。 刘纟喜,孙俊喜:基于D-S证据理论的掌纹识别 2008,44(11)191 表3S4的结果 类器得到的结果进行融合,同时和已有的融合方法作了比较, 图6(a) 图6(b) 图6(c) 说明了本文所提方法的有效性。最后给出了融合结果并作了具 图6(a)1.00000.780.100.120.260480.260.240.500.26体分析。 图6(b)0.780.100.121.00000.250.450.300.230.500.27 图6(c)0.260.480.260.250.450.301.00000.800.090.11 图6(d)0.240.500.260.230.500.270.800.090.111.000 参考文献: 表4m(A1)的结果 [1 Wei S, Zhang D Palmprint verification: an implementation of bio metric technology[C//Pattern Recognition Proceedings of m(A;) 图6(a) 图6(b) 图6(c) 图6(d) teenth International Conference. 1998.1: 219-221 图6a)1.00000.930.010.060.290.620.090.280.620.10 图6(h)0.930010.061.00000.300.590.110250.670 [2 Saisan P, Doretto G Wu Ying Nian Dynamic texture recognition[Ch/ 图6(c)0.290.620.090.300.590.111.00000940.040.02 CVPR 2001 Proceedings of the 2001 IEEE Computer Society 图6(d)0.280.620.100.250.670.080.940.040.021.0000 Conference on Computer Vision and Pattern Recognition, 2001, 2 实验结果表明ⅹ Xianqian Wu等的加权平均策略不能确定 图6c)和图6(a)、(b)是否匹配,如表3有斜线阴影的结果。而 3 Clausi D A Improved texture recognition of SAR sea ice imagery by data fusion of features with traditional methods[C/EEE Trans 本文提出的融合方法,通过证据合成,削弱了不确定区间,使识 on Geo Science and Remote Sensing SymPosium 2001, IEEE 2001 别的结果可信度提高。图6(a)和图6(b)被认为是同一个人的 2001,3:1170-1172 掌纹,图6(a)和图6(c)、(d)不是同一个人的掌纹。本文方法特 [4 Li W X, Zhang D, You J. An effective approach to offline palm 别是对单一的识别方法匹配度和不配度大小接近时,通过证据 Print identification[ C]//Proc of International Workshop MMWS 合成可以得到很好的判别,减小了误判的几率。通过这样的方 2000:284-288. 法,本文对香港理工大学的掌纹数据做了测试,除个别掌纹外, 5 Kong W K, Zhang D, Li W X Palmprint feature extraction usin 均达到了了良好的识别结果,识别准确率达到了91%。 2D Gabor filters[J]. Pattern Recognition, 2003 (36): 2339-2347 6] Rombaut M, Zhu Y M.Study of dempster-shafer theory for image 5小结 segmentation applications [J]. Image and Vision Computing, 2002 本文提出了基于D-S证据理论的掌纹识别方法,建立了 20):15-23 基于线特征的分类器和基于纹理特征的分类器,并利用模糊理7]WuXQ, Zhang F M Fusion of textural feature and palm- -lines 论分别确定了其基本概率分配函数,得到相应的匹配度。然后 for palmprint authentication [C]//LNCS 3644: ICIC 2005, 2005 通过D-S证据理论的证据合成法则进行证据合成,把两种分 1075-1084. (上接169页) 感器仿真故障数据的验证,表明这种模型可以对故障传感器进 构模型的重构结果一直与实际数据非常接近,当发生传感器故行有效地数据重构,而设计的实时应用模型使其更具实用性。 障时可以及时地代替故障数据,保证了试车过程的继续进行。因此,研究的方法对保证试车过程的顺利进行具体重要意义。 原始数据 0.75 重构数据 参考文献: 0.70 改障数据 r [1] Dunia R, Qin S J, Edgar T F,et al. Identification of faulty sen 80100120140160180200 sors using principal component analysis[J].AIChE Journal. 1996,42 时间ts (10):2797-2812. 图3 MSPCA模型的偏差故障传感器数据重构结果 [2] Wang Shengwei, Xiao Fu AHU sensor fault diagnosis using princi 0.80 原始数据 pal component analysis method[J). Energy and Buildings, 2004, 36 0.75 重构数据 (2):147-160. 0.70 一故障数据 轻0.65 b [3] Xiao Fu, Wang Shengwei Commissioning of AHU sensors using 0 20 40 60 80 100 120 140 160 180 200 principal component analysis method [J]. Building Services Engi 时 间t/s 图4 MSPCA模型的漂移故障传感器数据重构结果 neering Research and Technology, 2003, 24(3): 179-189 4] Bakshi R B Multiscale PCa with application to multivariate statis- 0.80 原始数据 tical process monitoring[J]. AIChE Journal, 1998, 44(7 ): 1596-1610 0.75 重构数据 00-被障数据心产户 5徐涛,王祁多尺度PCA在传感器故障诊断中的应用研究自动化 学报,2006,32(3):417-421 0.65 020406080100120140160180200间6]耿卫国,徐涛,王祁基于 MSPCA的液体火箭发动机试车台氢供应 时间ts 图5 MSPCA模型的周期性千扰故障传感器数据重构结果 系统传感器故障诊断方法J宇航学报,2006,27(6):1142-1146 [7 Mallat S.a theory for multiresolution signal decomposition the 6结论 wavelet representation[J]IEEE Trans on Pattern Analysis and Ma- 本文建立了 MSPCA的故障传感器数据重构模型,通过传 chine Intelligence, 1989, 11(7): 674-693

...展开详情
试读 4P 论文研究-基于结合空间信息的FCM聚类的分水岭图像分割.pdf
立即下载 身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于结合空间信息的FCM聚类的分水岭图像分割.pdf 16积分/C币 立即下载
1/4
论文研究-基于结合空间信息的FCM聚类的分水岭图像分割.pdf第1页

试读结束, 可继续读1页

16积分/C币 立即下载