[01150171]图像特征提取与识别技术及应用

图像特征的智能化、精准化提取是数字图像处理、分割、分类与目标识别研究领域的前沿热点。长期以来,受成像原理差异、尺度变化以及噪声等复杂因素的影响,图像特征提取存在初始化复杂度程度高、特征学习时间长、外在表现形式复杂与人工提取可重复性差等突出问题,是图像处理领域亟待突破的瓶颈。本项目基于深度学习与智能优化技术,通过数字图像处理与深度卷积神经网络技术相结合,提出了特征提取、架构优化、算法集成、模型融合以及参数优化等系列算法,实现了高水平的图像特征提取、精准分割以及快速识别。取得的主要学术贡献如下： （1）提出了复杂场景下的图像特征识别与分割技术。针对复杂色彩与目标结构影响下的图像自动分割难题,基于超像素分割理论和Mumford-shah优化技术,提出了基于混合特征线索的Bottom-Up复杂场景图像分割框架,实现了图像色彩特征与结构张量特征的融合,提高了彩色图像的分割精度;研究深度学习网络重构方法,通过优化设计神经网络的随机失活层、激活层以及归一化层,显著提高了复杂场景中自然图像、遥感图像和医学图像分割的鲁棒性和准确性。 （2） 提出了高鲁棒性的图像纹理特征提取算法。针对图像纹理特征提取受光照、尺度变化以及分辨率影响导致鲁棒性差、分类精度低的问题,研究了基于局部二进制模式下的纹理分类问题,提出联合尺度局部二值模式描述子,实现了多尺度纹理提取时的微观和宏观纹理特征的有机融合,有效提高了图像纹理的识别能力。 （3） 提出了有效的图像特征描述与识别优化模型。为解决图像分类识别效果不高的问题,提出了结合小波Tsallis熵、粒子群优化算法、极限学习机和Jaya算法等的多种优化组合及改进算法,并应有于多种医学图像的分类与识别中,,显著提高了分类与识别的的精度与速度。 （4） 设计了面向医学图像的特征挖掘和疾病快速识别算法。针对大规模就医需求下优质医疗影像资源极度稀缺与算法训练高质量数据需求之间的突出矛盾,以深度学习技术为基础,通过优化网络连接方式和学习速率,构造了针对医学图像的特征图生成方法,设计了基于优化算法的深度学习模型,有效地提高了多发性硬化症等的识别精度。