基于非负矩阵分解与邻接谱的图像分类

提出了一种非负矩阵分解（non-negative matrix factorization,NMF）和邻接谱相结合的图像分类方法．该方法首先利用图像中的特征点构造邻接矩阵,然后使用邻接谱作为非负矩阵分解迭代规则的初始值,并将经过非负矩阵分解得到的基向量作为图像的分类样本,最后采用概率神经网络（probabilistic neural network,PNN）分类器对图像进行分类．模拟实验和真实实验的比较表明,该方法是可行和有效的,并且进一步提高了图像分类的准确率和稳定性．     

基于最小生成树与概率松弛结合的谱匹配算法

提出了一种基于最小生成树与概率松弛结合的谱匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由奇异值分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。用大量的真实序列图像进行比较实验,结果验证了该算法的有效性和准确性。     

基于最小生成树的LAPLACE谱图像匹配算法

提出了一种基于最小生成树的Laplace谱图像匹配算法.首先分别对两幅待匹配图像的特征点集构造完全图,其次寻找最小生成树,然后通过各自的最小生成树构造Laplace矩阵,接下来进行分解并利用分解结果构造匹配矩阵,最后通过匹配矩阵实现两幅图像匹配.实验验证了该算法能够降低匹配的时间复杂度和获得较高的匹配精度.     

一种基于递增权值函数的图像谱的匹配算法

文章提出了一种基于递增权值函数的图像谱的匹配算法,利用递增权值函数,分别对2幅待匹配图像的特征点构造Laplace矩阵,其次进行SVD分解;通过分解后的矩阵特征值和特征向量,寻找匹配矩阵,根据匹配矩阵的特征信息,实现2幅图像特征点之间的匹配;通过对Laplace矩阵和邻接矩阵比较实验,表明了Laplace谱能使发生刚体变换前后的图像获得更高的匹配精度,递增权值函数的Laplace谱比欧式距离的Laplace谱匹配精度要高。