基于Gabor相位和图像质量评价的高分辨率掌纹细节点提取算法

针对主线、褶皱线及噪声等造成高分辨率掌纹细节点提取困难的问题,提出一种基于Gabor相位和图像质量评价的高分辨率掌纹细节点提取算法。首先使用Gabor振幅相位模型对掌纹图像进行描述,并基于Gabor相位提出多尺度的细节点检测方法;然后利用提取细节点过程中的信息,设计基于傅里叶响应的质量评价方法和基于Gabor振幅的质量评价方法;最后融合两种质量评价结果,并对检测到的细节点进行筛选。实验结果表明,所提方法能够有效地提取高分辨率掌纹图像的细节点,并去除不可信细节点。与其他方法相比,具有更好的细节点提取结果。     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。     

基于多分辨率小波和高斯混合模型的纹理图像分割

提出了一个基于多分辨率小波采样和高斯混合模型的纹理图像分割方法.该方法首先对图像进行必要的预处理,然后对图像进行小波"金字塔"分解.分解后的小波系数和图像共同组成了相应像素的特征向量,然后利用高斯混合模型进行分割.分割的实验结果表明,该算法具有较强的分割能力.     

度量滤波器:距离度量的滤波视角

确定、或选择某种距离度量是模式识别、机器学习和聚类分析的基本问题.图像欧氏距离和广义欧氏距离是重要的两种距离度量,它们可以嵌入到大多数识别算法中去,并且在大量应用中都提升了识别效率.文中揭示了包括IMED和GED在内的一类距离度量与线性平移不变系统的关系.证明了以下结论:输入空间上的平移不变度量等价于对输入信号进行线性滤波再计算传统欧氏度量.这一结果扩展了对距离度量的认识,将在距离度量的选择上起到一定的作用.     

基于多特征判别分析的指纹图像分割方法

针对指纹图像的分割问题,提出了一种基于多特征判别分析的自适应分割算法。对于给定的待分割图像,该算法从每个特征在该图像上整体的分布出发,构造出综合考虑各个特征的两类分类能力的分类器,然后利用该分类器对图像中的每个子块做出前景或背景的判断。与已有的基于分类器的分割方法相比,该方法无需从数据库中人工采集样本用以训练分类器,实现了图像级别的自适应分割。算法在FVC2004竞赛的公开数据库上进行了测试,实验结果证明了该分割算法的有效性。     

基于二次曲线的立体视觉统一方法

提出一种基于二次曲线的立体视学觉统一方法。利用所提出的一般二次曲线的检测方法,对空间中平面二次曲线和二次曲面的整体恢复,提出了一种统一的表示和求解算法,并给出多解存在的条件,同时指出如存在平面二次曲线解,则存在二次曲面解;在无先验假设的条件下,基于二次曲线的立体视觉方法需要３个视点才可得到唯一解。     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法--基于(属性)聚类的属性支持向量机算法(AMC-ASVM).主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器.这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据.另外,该方法也可以看作是堆近邻分类法的自然推广.在实验部分,将其用于结肠癌基因表达数据的处理.实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法.     

基于光照补偿空间的鲁棒人脸识别

如何应付光照条件变化是人脸识别的主要研究课题，文中提出了一种基于单幅注册图像的光照不变人脸识别方法．文中首先分析证明了同一个主体的不同光照图像之间的差别．可以通过一个与身份和光照独立的子空间进行线性描述，我们称之为光照补偿空间；然后介绍了光照补偿空间的构建，并且提出了一种简单有效的基于光照补偿的人脸识别算法，将图像光照差异补偿与人脸识别过程统一在一起．通过一次l1优化就可以完成人脸身份的识别．文中方法在没有明显增加优化复杂度的前提下，有效降低了光照差异对于人脸识别算法精度的影响．文中提出的方法在ExtendedYale B图像库上进行了验证．     

基于Gabor相位的指纹图像细化算法

利用复数形式的Gabor滤波器,在对指纹图像进行增强的同时,得到增强图像的相位,再利用边缘检测的方法提取相位图中的跳变区域,直接得到脊线的细化结果。此方法不同于传统的模板匹配的细化算法,不需要对图像进行二值化,减少了中间步骤,从而提高了细化速度和细化结果的准确性。实验结果表明此方法具有更短的细化时间和更好的细化效果。     

基因选择的快速Fisher优化模型

基因选择是基因芯片数据分析中的一个重要问题。基因选择的主要困难在于基因数远远大于实验样本数。在Fisher优化模型的基础上，提出了快速Fisher优化模型，从而使得算法的计算规模主要依赖于样本数而不是特征数，大大提高了计算速度。在公共数据中的实验表明该方法速度快，选择的基因对分类结果是有效的。