由于传统基于梯度的方形边缘检测算子包含边缘方向过少(一般为2个或4个方向),因此无法从多分辨率角度检测边缘,进而会丢失其他方向的边缘信息。针对上述问题,提出一种具有多尺度、多分辨率特性的边缘检测算子,称为可变局部边缘模式(Varied Local Edge Pattern,VLEP)算子,并用来提取图像边缘信息。算法主要思路包括,将图像经过高斯滤波器平滑,使用一组或多组VLEP算子与滤波后的图像进行卷积,得到边缘强度,从而获得边缘梯度值,最后设置适当的梯度阈值,对梯度图像进行二值化处理,完成图像的边缘检测。此外,当多组VLEP算子被同时使用时,考虑结合加权融合思想,以便获得更加丰富的边缘信息。实验结果表明,提出的边缘检测算法比其他经典的方法具有更好的边缘检测效果。
边缘是进行相似纹理图像分类的有效特征之一,为了提高边缘检测精度,使用可变化的局部边缘模式(Varied Local Edge Pattern,VLEP)算法,利用像元及其近邻的灰度变化进行区域统计,同时从多尺度和多方向的角度提取纹理边缘特征。然而,当图像分辨率发生变化,或图像受到光照、反射的影响时,纹理计算可能会出现较大偏差。为此,在VLEP算法的基础上,提出主导学习框架相似纹理分类方法,通过构建全局主导模式集,解决纹理计算偏差导致的类间距离小和类内距离大的问题。实验结果表明,主导边缘模式思想可以有效地提高相似纹理图像的分类准确率。
为实现精神分裂症脑疾病的计算机辅助诊断治疗,将机器学习技术和结构磁共振成像(structural magnetic resonance imaging,sMRI)分析方法应用其中。首先,对sMRI图像库中精神分类症患者和正常人两类受试者进行统计学分析,随后对三维形式的sMRI灰质图像进行切片化及加权平均处理;其次,利用机器学习方法对处理后的图像提取灰度共生矩阵纹理特征;最后,使用XGBoost等算法进行分类,获得精神分裂症诊断结果。实验结果表明,XGBoost算法取得了优秀的诊断精度,为精神分裂症患者的临床诊断与治疗提供生物学依据。
针对人脸遇到部分遮挡或类肤色背景时会出现跟踪失败的问题,提出一种连续自适应均值漂移(continuously adaptive mean shift,CamShift)融合边缘特征和卡尔曼滤波预测机制的人脸跟踪算法。主要从两方面进行考虑:利用可变局部边缘模式(varied local edge pattern,VLEP)算子获取目标区域内的人脸边缘特征直方图,结合颜色直方图建立人脸区域特征模型;使用卡尔曼滤波对人脸的空间位置进行预测,获得下一帧图像人脸目标的初始搜索位置。实验结果表明,该算法克服了人脸遇到类肤色背景或部分遮挡时跟踪失败的问题,比传统的CamShift算法具有更鲁棒的跟踪结果。
