一种基于改进的奇异值分解的数字水印算法

提出了一种基于改进的奇异值分解的数字水印算法,首先对载体图像进行一级离散小波变换,然后采用分块技术,对每个分块的最大奇异值进行SVD操作,按一定嵌入规则将水印信息分别嵌入到最大奇异值,最后对各分块组合后进行重构即可得到含水印的图像,仿真结果表明,该算法缩短了水印嵌入和提取的时间,而且算法的鲁棒性得到明显加强。     

基于分块奇异值水印算法研究

随着信息技术的飞速发展,信息隐藏与保密技术日渐受到人民的重视.数字水印是版权保护的重要手段之一,目前已经得到广泛的研究与应用.提出了一种基于分块奇异值的水印算法,运用奇异值分解方法与图像分块技术,对水印进行嵌入与提取.通过图像分块,降低了对图像奇异值分解的过程,加速了数字图像水印的嵌入和提取,最后用VC＋＋实现了该过程...     

基于小波变换和奇异值分解的图像压缩

本文首先介绍了基于小波域的奇异值压缩算法,然后提出了基于矩阵分块和阈值约束的奇异值压缩编码算法：低频子带直接进行熵编码。针对高频子带分块处理,结合各频带的能量与奇异值之间的关系,选择不同的阈值,对分块矩阵进行带阈值条件的奇异值分解方法。通过改进的算法和直接的奇异值分解进行了实验对比,在同样的压缩率的情况下可以获得更高的峰值信噪比。     

带权稀疏PCA算法及其应用

主成份分析(PCA)算法是特征提取的重要方法之一,由于其本身没有提供更多的分类信息,直接在其上进行识别效果往往并不理想。为了提取PCA特征值中有利于识别的特征信息,提出一种带权稀疏PCA算法。它利用基本PCA算法实现去噪功能,利用Lagrange乘子方法求得使PCA特征空间中类内距离最小,类间距离最大的一组权值,并利用稀疏PCA(SPCA)算法解决维数约简和保留小特征值对应的特征向量所含的分类信息。在公开人脸数据库上对该算法进行测试,实验结果表明该算法不仅运行速度快,而且有较高的正确识别率。     

基于小波系数重要值与SVD的零水印算法

为提高水印算法的抗攻击性能,提出了一种基于小波系数重要值与奇异值分解(SVD)的零水印算法.算法对宿主图像的低频子带进行分块,在密钥的控制下,伪随机地选择低频子带中的两块共4个系数组成一组,找出每组中的重要值;对重要值进行分块奇异值分解,最后通过判断每个子块最大奇异值的最高位数字奇偶性产生零水印.实验结果表明,该算法在抵抗普通攻击与抗旋转几何攻击方面均具有较好的鲁棒性.     

基于Curvelet-DWT-SVD的零水印算法

针对传统零水印算法在不同强度攻击下的鲁棒性和稳定性差等问题,利用Curvelet变换和奇异值分解的稳定、高效和近乎最优的表示性能,提出一种基于Curvelet-DWT-SVD的零水印算法。首先,将载体图像分成互不重叠的子块;其次,每一子块进行Arnold置乱和Curvelet变换得到各个子块的粗尺度层Curvelet系数;然后,将Curvelet系数进行小波变换得到细尺度的小波系数,并将其分块处理;同时对各个子块进行奇异值分解,并根据各个子块的最大奇异值构造特征矩阵;最后,将预处理后的版权水印与特征矩阵进行异或操作生成零水印。实验结果表明,该算法对于噪声攻击、压缩攻击、滤波攻击和剪切攻击等具有很好的鲁棒性,是一种可靠、鲁棒性强的零水印算法。     

基于LTP和局部PCA的低分辨率人脸识别算法

针对单特征提取人脸识别算法识别率较低的问题,提出一种基于多特征融合的低分辨率人脸识别算法.首先,利用局部三值模式(local ternary pattern, LTP)和局部主成分分析(principal component analysis, PCA)提取低分辨率人脸特征,将其分割成若干块并统计各子块的特征直方图;其次,融合各子块的局部主成分分析和局部三值模式的直方图并级联各个分块,作为新的人脸特征;最后,通过卡方距离度量训练集和测试集直方图的相似度,采用最近邻算法识别相似度.实验结果表明,所提算法对环境和光照变化更具鲁棒性,识别率得到有效提升.     

一种基于类间类内双权重图像分块PCA的人脸识别技术

提出一种将加权分块图像和主成分分析（PCA ）相结合的人脸识别方法。该方法首先根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离,分别定义类间和类内图像加权函数,以获得每个训练样本图像的权重;然后将训练样本图像分块,构建所有同位置加权分块图像空间;接着基于新的样本空间对所有同位置图像分别采用PCA方法提取特征;最后用最近邻分类器实现模式分类。实验结果显示该方法较普通M PCA方法有效提高了识别率。     

基于SVD原理的PCA特征频率提取算法及其应用

针对实测转子位移信号存在噪声污染的问题,提出一种基于SVD原理的PCA特征频率提取算法。首先,从理论上推导了PCA与SVD的内在联系,即PCA产生的协方差矩阵特征值等于SVD产生的矩阵奇异值的平方,且PCA产生的特征向量等于SVD产生的左奇异向量;然后,基于上述结论,提出一种基于SVD原理的PCA特征频率提取算法,并通过仿真信号验证了算法的有效性;最后,将该算法应用于大型滑动轴承试验台主轴的轴心轨迹提纯,得到的轴心轨迹清晰、集中,可成功识别转子的不对中及碰磨故障。     

人脸识别中PCA，2DPCA以及分块PCA的性能分析与比较

PCA,即Principal Component Analysis,主成分分析方法,是一种得到广泛应用的人脸识别方法。近年来,为了减少传统PCA的计算开销,出现了2DPCA和分块PCA。PCA将图像看作向量而2DPCA将图像看作矩阵,分块PCA则将图像分块运用不同的PCA算法。对PCA,2DPCA以及分块PCA的思想进行了介绍,并通过实验对他们的性能进行了比较,总结了主要的优缺点。     

基于模块C-2DPCA算法的人脸识别方法

提出了基于模块化完全二维主成分分析(modular C-2DPCA)算法的人脸识别方法,该方法首先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于鉴别分析,由于直接基于二维子图像矩阵,能方便地降低鉴别特征的维数,在特征提取过程中可以避免使用矩阵的奇异值分解,方法简便.该方法与改进前完全二维主成分分析(C-2DPCA)方法在ORL人脸数据库上的仿真识别效果比较表明,改进后的方法在保持较高识别率的前提下鲁棒性有很大提高.     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别.最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。     

一种基于局部特征的人脸识别方法

针对五官的局部特征，提出一种具体的识别方案。与传统弹性图匹配的方法相比，该方案提取的人脸局部的特征，大大降低了运算量，理论和实验都表明了该方案的可行性。在对人脸图像预处理之后，利用积分投影的方法，获取五官的位置，而后采用奇异值分解（SVD）去提取五官附近的局部特征，作为人脸的主要特征。比较了SVD和离散傅里叶变换（DFT）两种特征提取的方法，结果表明，通过SVD提取人脸的局部特征在减少计算量的基础上，能够很好保留人脸的特征，达到了较好的识别效果。     

基于张量的多线性思想对主成份分析方法的改进

张量的多线性方法把人脸图像看作是几何结构、表情、姿态和光照等多种因素的综合结果,运用张量方法分离出各个因素(如姿态,光照,人等)子空间,应用到人脸识别中。基于以上算法思想,提出主成份分析法(PCA)的一种改进方法,传统的PCA主要思想是将数据投影到正交的子空间中,改进后的PCA主要思想是:先对图像降维以减少图像矩阵的维数,然后,通过分解三维颜色张量的方法加入颜色信息,对张量进行中心化,运用张量方法进行人脸识别。实验结果表明该算法能有效提高性能。     

基于局部线性嵌入与主成分分析的人脸识别方法

针对主成分分析（PCA）算法对数据进行向量化,破坏初始数据的局部结构信息的缺点,提出了将局部线性嵌入（LLE）与PCA相结合的人脸识别算法。先采用LLE提取的初始数据保留了人脸局部结构信息的低维特征,再利用PCA计算低维数据的主要成分,最后根据各人脸的主要成分之间的欧式距离判断是否匹配。对比实验表明,该算法在明显提升算法效率的同时,保证了较高的识别率。     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

人脸识别中基于互信息的特征优选

人脸识别领域中常用Gabor小波系数表示人脸特征.然而,提取的人脸Gabor特征是高维数据,不可避免存在冗余和随机噪声的干扰.为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征选取方法.首先计算训练集上的任两张人脸图像的Gabor特征差,生成类内空阃和类外空间.用单个Gabor特征训练筒单两值分类器,以其在类内空间和类外空间的分类错误率作为判据评价该Gabor特征的分类能力.在选取分类错误低的特征的同时还要再评估候选特征与已选特征间的互信息,这样优选出具有无冗余、低误差率的特征.最后对这些优选的Gabor特征进行主成分分析和线性判别分析完成人脸识别.在CAS-PEAL大型人脸数据库上的实验结果表明,所提出的方法不但可大大降低Gabor特征的维数,而且还有效提高了识别精度.