衰老是引起主动脉硬化进而引发各种心血管疾病的主要独立风险因素。对主动脉增龄性改变进行定量评估有望为心血管疾病研究提供重要线索。采用二次谐波成像技术，结合三维灰度共生矩阵纹理分析算法，对不同周龄大鼠主动脉血管壁内外表面的胶原纤维进行了定量评估；提取出多种可量化表征主动脉增龄性改变的特征参数，从胶原纤维微结构角度揭示了主动脉增龄性变化规律。上述方法及提取出的特征参数有望为评估血管老化程度提供有力工具和重要参考指标，并进一步应用于与老化相关的心血管疾病的研究。

红外热像法是检测金属疲劳损伤状况有效的方法，但是忽略了疲劳损伤过程中表面显微结构对自发辐射的影响，难以从微观角度对红外热像特征进行完整解释。金属疲劳是一个复杂的能量耗散过程，自发辐射具有偏振特性。在红外热像法中引入偏振探测，不仅能够获取温度场信息，而且能够获得包含发射率变化的表面纹理信息。基于此，搭建拉伸疲劳实验平台和偏振热像采集平台，以Q235低碳钢材料为研究对象，获取循环载荷作用下金属材料表面的热红外偏振图像，利用灰度共生矩阵（GLCM）提取偏振方位角、偏振度以及斯托克斯（Stokes）参量等热像纹理信息，分析金属疲劳损伤过程中金属材料的表面形貌的演化过程。实验结果表明，金属构件偏振热像纹理特征随着疲劳损伤周次不断变化，共生矩阵统计量呈现一定规律性。

针对传统的暗通道先验去雾算法存在着光晕伪影、图像偏暗、细节丢失的问题，提出了一种基于图像特征量和小波变换的去雾算法。首先，通过引入灰度共生矩阵方法求取图像纹理特征复杂度作为约束条件，利用动态滑动窗口解决了暗通道图中的虚假纹理及块效应问题；其次，结合图像亮度特征利用K-Means均值聚类算法标定亮暗区域来优化大气光值、透射率图；最后，针对大气散射模型恢复图像的偏暗、细节特征丢失问题，使用基于小波变换的图像增强技术提高图像的对比度。实验结果表明，所提算法能够较好地恢复场景和细节特征，在峰值信噪比（PSNR）、结构相似性（SSIM）、平均绝对误差（MAE）方面表现较好。

水下潜体的运动产生的内波使得水表形成一定的红外弱纹理信号,从而使得利用红外手段进行探测成为可能,但是这种纹理信号的对比度非常低,其与振幅很大的背景杂波混在一起,给信号的提取造成很大困难。以曲波变换为基础,根据弱纹理的对比度、频率特点等进行曲波尺度分量和方向分量的筛选,再结合阈值优化和边缘梯度算子得到了较清晰的纹理提取图像。该图像的信息熵和频率集中度与采用传统曲波变换所得结果相比分别有30%和11%的提高。当弱纹理的对比度大于5%,筛选频率的方向和弱纹理频率方向偏差小于12°时,该算法能够清晰地提取纹理信息。

采用数字图像相关(DIC)法对物体表面形变进行测量,并通过散斑场的形变对被测物的真实变化进行研究。对散斑质量评价方法进行研究,以求在测量前即可判定所采用的散斑对测量精度的影响。根据DIC法对散斑图像的具体要求,提出基于灰度共生矩阵(GLCM)的散斑质量评价方法。对实际散斑图像进行亚像素刚体平移仿真模拟,采用GLCM中的能量、熵、对比度和相关性指标与DIC法的测量结果进行对比分析,并与平均灰度二阶导数和香农熵进行对比实验。通过改变散斑图像的整体亮度等级与亮度分布情况,探究不同光照情况对实验结果准确度的影响。实验结果表明,GLCM在散斑图像质量评价中具有一定的有效性。

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。该算法利用三级离散小波变换将图像分解为高频部分和低频部分。通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率。采用平滑投影Landweber算法重构图像,消除分块引起的块效应。对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37 dB,比现有非均匀分块算法提高了2.51 dB。不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05 dB。对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。

本文提出一种谱残差和梯度纹理融合特征来检测可见光遥感图像中复杂海面背景下的舰船目标。首先, 使用谱残差模型定位疑似舰船目标, 并采用自适应动态阈值法获取候选目标区域。然后, 根据舰船的形状特点, 对梯度方向直方图特征进行改进, 设计出表征舰船特性的梯度方向特征。同时, 将提取候选目标区域的统一化LBP特征的方差以及灰度共生矩阵特征相结合来描述舰船的纹理信息, 得到30维特征向量。最后, 通过训练好的AdaBoost分类器来完成舰船目标鉴别。本文的检测算法, 针对尺寸为1 024×1 024的可见光遥感图像, 检测时间为4.792 6 s, 检测精度为95.51%, 召回率为96.65%。实验结果表明: 本文算法能准确提取海面舰船目标, 获取舰船目标的数量和位置信息, 从检测时间和精度上来看, 可以作为实际工程参考。

为了实现对茶叶病害的准确预测, 避免病害特征提取过程中对茶叶的二次破坏, 利用荧光透射技术对茶叶赤叶病叶片的荧光透射光谱特性展开研究。 实验采集了健康茶叶叶片样本45个、 赤叶病初期叶片样本60个及赤叶病中期叶片样本60个, 并按照2∶1的比例划分成训练集和预测集样本数, 通过荧光透射手段利用高光谱仪器采集这些叶片的原始荧光透射光谱。 通过对这3组叶片样本平均光谱强度曲线的分析, 证实了利用荧光透射光谱信息对这3种病害类型叶片进行分类的可行性。 然后使用多项式平滑(savitzky-golay, S-G)方法对原始光谱进行平滑和降噪处理。 最后采用竞争性自适应重加权抽样法(competitive adaptive reweighted sampling, CARS)对预处理后的光谱数据进行特征波长的选取。 经过50次加权采样后, 最终选取出4个特征波长, 分别为: 463, 512, 586和613 nm。 为了最大化提取样本的病害特征信息, 强化分类器输入病害特征值的典型性, 使用高光谱反射技术, 采集4个特征波长下的高光谱图像, 分别使用2种不同的纹理提取算法提取病害叶片图像的纹理信息进行对比分析。 首先利用灰度共生矩阵(GLCM)提取4幅图像的纹理信息, 分别计算4个方向的灰度共生矩阵(0°, 45°, 90°及135°), 然后计算5个共生矩阵的均值和方差。 为了提高鲁棒性, 取4幅图像纹理信息的平均值作为该叶片的纹理特征值, 最终得到10个特征值。 利用LBP(local binary patterns)算法获取特征波长下高光谱图像的纹理信息, 并使用Uniform模式对LBP模型进行降维, 最终每幅图像得到944个维度的LBP特征值, 同样取4幅图像的平均值作为该叶片的LBP纹理特征值。 最后通过极限学习机(ELM)分别建立特征光谱联合灰度共生矩阵纹理信息及LBP算子纹理信息的预测模型, 由于模型的输入特征值不在一个量纲, 首先对输入特征值进行归一化处理, 然后再定义模型的输出标签, 即健康叶片的预测模型输出为1, 赤叶病早期为2, 中期为3。 实验测得基于CARS-GLCM-ELM模型的预测准确率为81.82%, 基于CARS-LBP-ELM模型的预测准确率为85.45%, 说明利用荧光透射光谱联合LBP算子纹理信息预测效果更好。 由于没有达到预期效果, 利用Softplus函数对ELM的隐含层激活函数进行了优化, 替换掉原来的Sigmod函数, 优化后的模型预测分类正确率达到92.73%, 基本达到了预期效果。 该研究将病害叶片的荧光光谱信息和对应特征波长下高光谱图像的纹理信息进行了融合, 研究结果可为茶叶病害的快速、 准确预测提供一定的参考价值。

酸奶是一种发酵型乳制品饮料, 因其特殊的功能性和良好的口感而广受欢迎。 但由于商业链的不正当运行, 如奶源非法获取、 灭菌不充分等原因, 导致酸奶中致病菌大量滋生, 酸奶中毒事件频繁发生。 酸奶中常见的致病菌主要有大肠杆菌、 金黄色葡萄球菌和沙门氏菌, 这三种致病菌由人体摄入并达到一定的数量时会产生腹痛、 腹泻等严重的消化道疾病, 并且会破坏人体肠道内的正常菌群平衡, 因此国标对奶制品中这三种致病菌的数量已有明确的限量规定。 由于酸奶的主要消费对象为老人和小孩, 故其潜在危害不容小觑。 传统菌落检测方法虽具有简单, 灵敏、 可操作性强等优点, 但当不同菌落混杂在一起时无法同时进行定性定量的检测, 且具有试剂成本高, 检测周期长, 人为因素影响较大等缺点。 因此开发一种快速、 简单、 准确的混合鉴定计数方法为避免致病菌对酸奶的潜在危害提供了有效的途径。 高光谱技术同时包含样本的光谱信息与图像信息, 既能够根据化学组分的微小变化进行精确识别（光谱信息）, 又能够反映出菌株在外部多层次的变化（图像信息）。 因此该研究尝试对比高光谱图像技术和光谱技术, 采用模式识别的方法, 对比不同的模型识别结果, 优选出最佳识别率的识别模型作为计数模型, 最后通过最佳鉴别计数模型的识别分类结果来达到对酸奶中常见致病菌鉴定计数的目的。 首先, 购买酸奶中常见的乳酸菌种（保加利亚乳杆菌、 嗜热链球菌、 嗜酸乳杆菌、 干酪乳杆菌、 植物乳杆菌）和潜在污染的致病菌种（金黄色葡萄球菌、 大肠杆菌、 沙门氏菌）等标准菌株进行培养, 提取经过48 h培养后的菌落图像信息和光谱信息。 采用几种不同的预处理方式（SNV, MC, MSC, 1stDER, 2ndDER）对所提取的光谱数据进行预处理, 并应用遗传算法筛除光谱数据中冗余的波段, 保留有效波段。 利用图像处理技术对图像信息中的菌株与培养基背景进行去除, 然后采用主成分分析法从每幅图中优选出3个特征波长, 并运用图像处理技术从特征波长所对应图像中提取菌株的18个基于GLCM的纹理特征信息。 挑选合适的主成分分别建立不同的鉴别模型（LDA, KNN, BP-ANN, LS-SVM）, 通过其最终的鉴别模型的识别率来确定最佳鉴别计数模型。 最后从标准菌株中分别挑选出30株进行计数测试, 通过比较模式识别的分类数量结果与菌株的实际数量来验证模式识别效果的准确率。 研究表明, 运用SNV预处理后光谱数据在提高信噪比效果上明显优于其他几种预处理方式。 745.790 8, 773.098 4和779.207 0 nm为图像信息中方差贡献率最大的三个波长, 运用从特征波长所对应的图像中所提取的纹理特征信息建立图像识别模型。 通过对比图像信息和光谱信息的模式识别结果发现, 光谱特征鉴别模型普遍优于图像纹理特征鉴别模型, 且当主成分数为9时, 运用光谱特征所建立的LS-SVM模型的校正集识别率为96.25%, 预测集的识别率为91.88%, 为最优模型。 采用优选的最优模型对菌株进行识别计数, 大肠杆菌计数的相对误差为3.33%, 金黄色葡萄球菌和沙门氏菌计数的相对误差均为0, 验证了高光谱技术应用于酸奶中常见致病菌的鉴别计数的可行性。

本文提出一种Gabor和灰度共生矩阵相结合的特征来检测叶片泵中叶片装配质量的方法。首先构建叶片图像数据集，用5种尺度的和4种方向的Gabor滤波器对图像滤波，根据滤波后的图像计算得到幅值特征图，然后提取幅值特征图的灰度共生矩阵特征，最后融合归一化各个幅值特征图提取到的特征，利用主成分分析法降维，并用这些特征向量训练支持向量机（SVM）分类器，实现对叶片装配质量的评估。将本文提出的混合特征与LBP特征、灰度共生矩阵分别进行了比较得到的分类效果约提高了约10%。基于Gabor和灰度共生矩阵混合特征的叶片装配质量检测准确率提升到了93%。实验结果表明Gabor特征和灰度共生矩阵结合后能够很好从多尺度、多方向上提取图像的纹理特征,并应用于图像分类取得了良好的效果，在一些图像识别上有很宽广的应用前景。