应用小波变换和PCA进行车辆的静态图像检测

提出了一种基于小波变换和主成分分析(PCA)方法实现的车辆静态图像检测方法。利用选定的车辆和背景训练样本集,用小波变换对样本进行特征提取,通过主成分分析来设计适当的分类器,把待检测图像在多分辨率下逐块进行分类,以此来判断某区域内是否有车辆,完成车辆检测的任务。实验结果表明,这种方法实现简单、应用效果良好,具有较好的应用前景。     

一种基于小波PCA的高光谱图像特征提取新方法

针对高光谱图像数据量大、数据维数高、光谱信息丰富的特点,提出一种基于小波分解的主成分分析(PCA)降维的特征提取新方法.该方法充分利用小波变换的优势,在光谱域内针对每个像元进行降维,既减少了数据量,还能保留光谱信号的差别;PCA方法充分利用像元间的相关性,保留不同类在相邻像元间的局部空间信息,弥补了空间域内小波变换类间可分性较差的问题.实验结果表明,小波分解与PCA相结合的特征提取方法能够有效地提高高光谱数据分类效率及分类精度.     

基于PCA和DWT的强鲁棒数字水印算法

针对传统离散小波变换(DWT)数字水印算法抗几何攻击能力较弱的问题,提出一种基于主成分分析(PCA)和DWT的新的数字水印算法。新算法对载体图像进行一级小波分解,在低频子带上用主成分分析提取出既含有高频又含有低频成分的主成分系数,将水印嵌入到提取出的主成分系数中。实验结果表明,与传统DWT水印算法相比,该算法不仅明显提高了抗剪裁、旋转等抗几何攻击能力,对加噪、图像灰度值变化等攻击也表现出了很强的鲁棒性。     

基于小波变换和2DPCA的人脸识别

主成分分析(principal component analysis:PCA)已成功用于人脸识别,但基于主成分分析的人脸识别方法需要将图像数据向量化,而向量化后的图像样本维数非常大,计算代价非常高.二维主成分分析(2 di mension principal component analysis:2DPCA)直接处理图像数据,不需要向量化的过程,2DPCA降低了计算复杂度,但是2DPCA与PCA相比,需要存储更多的系数,即要占用更多的存储空间.本文提出了一种基于小波变换和2DPCA的人脸识别方法,可以克服上述缺点,实验结果证明了该方法的有效性.     

基于小波变换的人脸表情特征提取

首先通过直方图均衡化处理增强图像的整体对比度,使图像的细节更加清晰.通过离散余弦变换来降低图像特征维数、去除冗余信息、保留重要的低频信息.然后利用Gabor小波变换,选取不同的尺度和方向对人脸表情特征进行提取.最后通过实验结果对比证明预处理后的图片在进行小波变换时能节省大量的运算时间.     

基于小波变换和PCA分析的人脸识别方法及实现

针对传统的特征脸对光线、角度、尺寸等因素比较敏感的问题,在二次小波变换的基础上,对人脸库进行主成分分析（PCA）,提取特征脸和代数特征,并用BP神经网络对人脸进行识别,该算法充分利用小波变换和神经网络的自适应特性,得到较好的识别效果．     

基于小波变换和MNF变换的遥感影像融合

随着高分辨率遥感卫星的产生,传统的融合技术难以达到较好的融合效果,如主成分分析（Principal Corn-ponents Analysis,PCA）变换融合对噪声比较敏感,受到融合区域的限制,而最小噪声分离（MinimumNoiseFrac-tion,MNF）变换考虑了噪声和融合区域,是一种完备的成分分解方法,小波变换（Wavelet Transformation,WT）融合也存在一定程度的光谱失真。由此,本文在分析MNF变换和WT的基础上,以IKONOS新型高分辨率观测卫星提供的全色和多光谱数据为实验数据,提出了一种将两者相结合的遥感影像融合方法,通过与其它融合方法的定量和视觉比较,发现该方法能得到更好的融合效果。     

基于改进的小波变换的纹理特征提取算法

提出了一种基于改进的小波变换的纹理特征提取算法。首先介绍了基于金字塔小波变换的纹理特征提取方法,然后在分析金字塔小波变换和离散小波框架的基础上,提出一种基于改进的离散小波变换的纹理特征提取方法。最后,给出了上述算法的计算机实现方法,并进行了计算机仿真研究。     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于小波子带的PCA人脸识别方法研究

随着人机接口和识别技术的不断发展，人脸识别已经成为一门很活跃的研究领域。如今，PCA(主成份分析)已应用在许多人脸库的识别中，并取得了很好的效果。然而，PCA有它的局限性：大的运算量和较低的判别能力。针对这些缺点，文中提出了一种新的算法，将PCA运用在小波子带上，用包含了原始图像的大部分信息的低频子带作PCA。和传统的方法相比较，该方法得到了较好的识别率，同时也降低了运算量。当训练样本很大时，这点就显得尤为重要。     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

结合小波低频子带的主成分分析方法

针对单样本人脸识别问题,提出了一种结合小波低频子带的主成分分析方法.为了加强单样本图像的分类信息,该方法将原训练样本与其小波低频子带重构图相结合,然后对结合的训练样本进行主成分分析.在ORL人脸库上的实验结果表明,当训练集中每个人只有一幅人脸样本图像时,文中方法的识别率比标准特征脸法高3.6%,而所使用的特征脸个数减少14.8%.     

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。     

基于小波变换的波形特征抽取与识别

从设备诊断领域中特征信号模式识别的应用角度,探讨了基于小波变换的特征提取与识别方法.首先讨论了小波变换及其基本性质,进而探讨了基于小波变换模量极大点的特征抽取及基于模量极大点的幅值沿尺度s演变的特征提炼方法,并构造了全局的相似性度量,最后给出了分析实例.     

拉普拉斯二维主成分分析及其在人脸识别中的应用

在二维主成分分析的基础上,考虑样本的流形分布特点,引入样本相似系数,重新定义了样本拉普拉斯散布矩阵,进而给出了基于拉普拉斯二维主成分分析的特征提取方法．在ORL,FERET人脸库上的试验证明了基于拉普拉斯二维主成分分析方法的有效性．     

基于Gabor小波的特征提取技术应用

介绍人脸识别和小波技术,分析其工作原理,给出Gabor小波技术的基本特征和特征提取方法,提出了把Gabor小波技术应用于人脸识别技术中的实验步骤。     

基于小波变换的主元分析人脸图象识别

基于小波变换的主元分析人脸图象识别高西奇，周洪祥，何振亚（东南大学无线电工程系，南京２１００１８）人脸图象识别是模式识别领域的一个重要研究课题［１，２］，但是由于人脸虽有固定结构而无固定形状的特殊性，人脸的自动识别非常困难，特别是要求机器在学习之后能...     

基于小波变换和非负矩阵分解的人脸识别改进方法

针对NMF在识别人脸图像特征时分解速度慢,基空间不适应欧氏距离度量的缺点,提出了一种基于小波变换和非负矩阵基矩阵正交化的人脸识别方法.利用小波变换对人脸图像进行变换,选择LL分量既能抽取到人脸的实质特征又能有效减小数据维数,降低NMF分解的复杂性.同时对NMF的基矩阵实施正交化变换,在得到的正交基上进行投影.实验结果表明,该方法对光照变化、表情变化和部分遮罩不敏感,识别性能明显提高.