基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

主成分分析在图像压缩中的应用

阐述了主成分分析(Principle Component Analysis,PCA)的严格数学定义、特性以及应用领域,提出了基于PCA的图像压缩算法,PCA对于特征提取和数据压缩具有非常重要的意义.其主要特点是在高压缩比条件下能达到高信噪比.采用著名的"lena"图像作为试验数据,试验结果表明该算法性能良好,重构质量高.     

基于二维主成分分析的高光谱遥感图像降维

提出一种以高光谱图像分析为目标的基于二维主成分分析的高光谱遥感图像的降维方法。通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维。对AVIRIS图像应用二维主成分分析的方法,可将能量主要集中在少数几个特征值中,这就为降维提供了可能。计算机仿真结果表明,该算法计算量小,方差小,峰值信噪比(PSNR)、分类准确性均显著提高,MSE有所下降。     

一种基于2DPCA训练的形状先验提取方法

面向噪声图像分割问题提出了一种基于二维主成分分析(two-dimensional principal component analysis,2DPCA)训练的形状先验提取方法. 首先对无噪声形状进行训练,得到一组标准正交投影方向并张成2DPCA空间. 将噪声图像投影到该空间,并在张成的空间中应用最小二乘法找到跟该投影点距离最近的点. 该点的原象未必是原来的训练形状,而可能是它们的线性组合. 最后在原来的空间中找到该原象,重构出先验形状.实验结果表明利用所得形状先验对含噪声以及含遮挡和缺失内容的图像分割具有明显效果.     

基于分步降维HOG-LBP特征的行人头部分类算法

传统的基于PCA-HOG特征的行人头部分类算法存在降维后的子空间鉴别性不足的问题.为此,提出一种基于分步降维HOG-LBP特征的行人头部分类算法.首先,利用样本类别标签构建2类样本的HOG特征集合,在这2类特征集合中分别执行PCA降维,然后将所得的特征与LBP纹理特征进行级联得到最终的头部描述算子,最后通过训练SVM分类器对实际样本集进行分类.实验结果表明,与传统PCA降维方法相比,该方法可有效提高行人头部的分类性能.     

主成分分析在高光谱遥感图像降维中的应用

高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,本文提出了主成分分析的降维方法.根据原始数据协方差阵的特征值和特征向量,可以计算各个波段对给定主成分的贡献率,对重要主成分贡献率的和直接反应了波段信息量的大小,实验证明,该方法效果较好,且计算量小.     

纹理图像分类的置信规则库推理方法

针对传统纹理图像分类算法识别率不高的问题,引入置信规则库推理方法而提出一种纹理图像分类策略.目前纹理图像分类研究常局限于纹理特征提取算法的改进,而忽视了另一个决定分类效果的关键,即分类器设计.该文采用置信规则库推理方法,在现有纹理特征提取算法基础上重新设计纹理图像分类器.根据角度径向变换和灰度共生矩阵算法提取图像纹理特征,采用主成分分析方法减少角度径向变换特征的维数,以避免产生置信规则库"组合爆炸"的问题.最后用置信规则库推理方法将纹理特征信息转换成类别置信度信息,得到最终的分类结果.实验中将置信规则库推理方法分别与相似性距离度量法和支持向量机法进行对比,结果表明所提出的方法在一定程度上提高了纹理图像分类准确率.     

基于高光谱成像的水果损伤分析研究

高光谱成像技术包含图像信息和光谱信息。本文利用高光谱成像技术检测苹果摔伤,主要采用主成分分析、波段比算法和支持向量机分析所采集的高光谱图像数据。实验结果表明,波段比算法和主成分分析法分类识别正确率为93.3%,与支持向量机相比更适用于苹果摔伤的实时快速检测。     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

基于PCA-SVM的混合气体分类研究

由于气体数据有限以及气体分类的准确率不高,解决气体分类问题有较大的难度。传统的模式识别算法虽然能够运用到气体分类中,但在不同浓度的气体数据下训练和测试性能会下降,准确率也比较低。本研究对8阵列传感器和24阵列传感器采集到的混合气体进行分类,提出了结合主成分分析（Principal component analysis, PCA）应用支持向量机（Support vector machine, SVM）,构建PCA-SVM模型对不同浓度的一氧化碳（CO）、甲烷（CH₄）、硫化氢（H₂S）以及乙醇（C₂H₆O）的混合气体进行分类的方法。与SVM、参数优化的BP神经网络（Back propagation neural network, BPNN）和PCA-BP神经网络模型对比的结果表明,在随机选择的数据中,采用PCA-SVM模型能够提高分类的性能,在含有13个特征的气体数据集中,利用PCA-SVM模型准确度达到98.974%。在含有27个特征的数据集中,利用PCA-SVM模型准确度达到100%,能够满足对混...     

一种基于BEMD的纹理图像分类改进方法

提出了一种基于二维经验模式分解(BEMD)的纹理图像分类改进方法。采用BEMD算法将纹理图像分解为两层二维固有模态函数(IMF)和一个余量之和,结合灰度共生矩阵(GL-CM)对这两层IMF各提取5个纹理特征参数,组成一个扩展的10维特征向量,然后根据扩展的特征向量,采用最小距离分类器(MDC)进行纹理图像分类。仿真结果证明了该方法进行纹理图像分类的有效性。     

基于级连式支持向量机的文本自动分类算法

为了解决文本自动分类问题,从解决支持向量机模式支持限制问题入手,以级连概念为指导思想,构造了多层级连式支持向量机模型,提出一种文本自动分类算法,以便处理多个模式的分类问题。由于支持向量机本质上是一种非线性数据处理工具,对于复杂的两类模式分类问题已表现出良好的适应性,而且支持向量机用于模式识别不存在局部极小值问题,且不需进行网络迭代训练,求解速度明显高于神经网络。通过以CNKI文档数据为例进行算法实践,试验结果表明支持向量机用于模式分类的实现步骤比较简单,不需要长时间的训练过程,只需根据初始样本在空间的分布特性求解最优超平面(即找出支持向量),进而确定决策函数,然后即可泛化推广识别其他待识别的同类样本。     

小波域内循环平移操作的图像高分辨率重建算法

为解决传统的图像插值算法因具有全局性而不能较好地处理图像边缘细节信息,且易在细节区域产生锯齿线的问题,提出了一种图像分辨率和对比度增强算法.该算法先用小波零填充算法得到高分辨率图像,并通过纠正残差过程来弥补丢失的边缘和纹理特征,然后对其进行定向循环平移操作.考虑到图像小波分解后水平、垂直、对角方向的高频分量能够反映图像...     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果,提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法.将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理,计算图像中前景和背景的概率,训练该模型以获得最佳阈值进行图像分割处理,优化图像分割的效果.利用无人机航...     

基于PCA点云配准算法的文创产品设计研究

为提升中国传统文化的影响力,研究针对文创产品的造型设计,提出了一种基于主成分分析(Principal Component Analysis, PCA)和特征匹配的点云配准算法.在算法的性能分析中发现,改进PCA点云配准算法误差值能够长期保持在0.5以下.之后利用PCA点云配准算法实现文创产品造型设计,结果显示,经过PCA点云配准算法的干预,文创产品的经济效益得到显著提升.以上结果表明,研究提出PCA点云配准算法能够有效实现文创产品的造型设计,并提升其经济效益,对文创产品的设计制造及文化传承具有重要作用.     

周围神经MicroCT图像中神经束区域的自动分离

针对经过饱和氯化钙染色的四肢周围神经MicroCT扫描图像,提出了一种自动分离神经束区域的方法. 1)手工标注第1幅扫描图像中的神经束轮廓和非轮廓区域;2)采用稀疏自动编码机方法提取神经束轮廓和非轮廓的特征并训练神经网络,进而自动识别分离第2幅图像中神经束区域;3)将第2幅图像中的神经束轮廓作为标注样本去训练新的神经网络;4)不断循环该过程直至序列图像全部处理完成.实验结果表明,所提出的神经束轮廓自动分离方法可以达到手工分离精度的84.7%,处理完成522幅图像需要花费0.3～0.4 h.此外,该方法不仅能快速准确地分离出序列图像中的单根神经束,而且还能分离出分裂与合并阶段的神经束轮廓,具有比较强的适应性.     

一种改进的基于PCA的ICP点云配准算法研究

三维点云配准是三维重建过程中的重要环节,ICP配准算法无法处理初始位姿相差较大的点云,结果可能陷入局部最优的问题。本文提出了一种改进的基于PCA的快速ICP匹配算法,通过对两组点云进行主成分求解,形成各自的PCA坐标系。对两组点云分别进行坐标系转换,通过主轴校正矩阵解决了PCA主轴反向问题;利用K-D tree快速搜索最近点改进传统ICP方法,完成点云的快速精确配准。实验表明,该配准算法可以有效处理点云初始位置较差的情况,实现任意位姿关系下的两组点云的快速精确配准。     

基于语义网络表示的皮肤症状模糊推理系统的研究

针对皮肤症状中的知识表示问题,讨论了语义网络的知识表示方法.并将模糊推理引入皮肤症状图像的分类识别中,给出了4种常见皮肤症状(黄褐斑、粉刺、黑头、雀斑)的语义网络表示,建立了识别的隶属度函数和基于语义网络表示的模糊推理算法,从而构建了一种皮肤症状模糊推理系统.实验结果表明,利用该推理系统得到的皮肤症状分类准确率达到了令人满意的效果.     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于卡尔曼滤波的序列图像超分辨率重建算法

针对给定一序列低分辨率图像重建出一序列高分辨率图像的问题,应用卡尔曼滤波理论,将时间轴加入重建算法,把利用多幅低分辨率图像生成高分辨率图像的模型转化为利用当前低分辨率图像和上一幅高分辨率图像来构建当前高分辨率图像.通过引入信息对的概念对算法运算复杂度进行改进.实验证明与已有算法相比该方法有较好的时效性和实用性.