面向多模态图像的广义辅助相关投影方法

多模态图像是同一目标的多种图像,面向多模态图像的子空间投影是机器视觉领域的热门研究课题,然而已有的多模态子空间投影仅仅利用投影方向来实现测试样本的子空间投影,忽略了测试和训练样本间的近邻关系,这种关系能够有效增强识别性能。为此,基于相关分析理论和图的光滑性准则,提出了一种新的广义辅助相关投影方法,即多模态广义辅助相关分析,该方法能够从多模态训练样本中学习每个模态对应的相关投影方向,并利用光滑性辅助的广义优化模型,显示地嵌入了测试和训练样本之间的局部结构信息,从而有效增强了相关特征的鉴别力。大量的实验结果已经展示了该方法的优越性。     

自适应阈值小波在指纹图像去噪中的应用

目前指纹识别技术具有很广泛的应用,但通常指纹图像含有混合噪声,而传统小波阈值去噪算法对含有混合噪声的图像去噪时,存在混合噪声去除不彻底的问题,为此提出了一种改进的自适应阈值和连续型低误差阈值函数的小波去噪算法.首先,算法对含有混合噪声的指纹图像进行一次中值滤波去噪.然后,设计了一种新的自适应阈值,小波分解层数越大新阈值就会越小,就能更好地体现噪声信号在进行小波分解时减小的特征.最后,设计了连续型低误差改进阈值函数,改进的函数是连续的,并且阈值达到极限时误差为0.改进后的算法使得估计的小波系数更加接近真实系数,重构后的图像更接近原始图像.实验结果表明,该算法对含有高斯噪声和椒盐噪声的指纹图像处理时,相比于其他算法,得到了更好的峰值信噪比和均方误差数值,去噪后的指纹图像纹理显示更加清晰.     

一种深度偏最小二乘相关分析的多模态融合方法

典型相关分析是一种经典的线性多模态融合方法,但是难以有效解决高维非线性数据的多模态融合问题.结合典型相关分析、线性回归分析与深度神经网络,提出一种新颖的多模态融合方法,即深度偏最小二乘相关分析.该方法能够在最大化不同模态之间相关性的前提下学习具有强鉴别力的跨模态融合数据,并且能够有效解决典型相关分析面临的高维非线性困境.在真实图像数据集上的实验结果表明,提出的方法具有良好的融合鉴别力和相关收敛性,是一种有效的多模态融合方法.     

基于局部增强的跨模态正交特征融合方法

针对传统典型相关分析方法在求解复杂非线性问题时，存在着无法揭示隐藏在高维样本空间中的局部几何结构，且依赖于原始数据分布等问题，提出了一种基于局部增强的正交特征融合方法。该方法首先利用样本间的近邻关系构建低维相关融合特征的局部增强散布，进一步融合投影变换矩阵的正交约束，通过最大化模态间的相关性和最小化模态内的局部散布信息，获得保留数据间重构关系和局部几何结构的低维相关融合特征，采用双模型对目标函数对应的广义特征值问题进行分解，保证了特征向量之间的连贯性。实验结果显示，该方法在小样本、高维数的情况下相较于另外4种对比方法具有更好的识别性能和鲁棒性。