基于ISM的正则化最近点法在视频人脸识别中的应用

针对视频人脸识别中传统的图像集算法受光照、表情、姿态及遮掩等变化而影响识别性能的问题,提出了一种基于图像集匹配的正则化最近点算法。首先,将图库图像集和探针图像集建模成正则化仿射包,并利用迭代器自动确定两个图像集间的正则化最近点;然后,利用最近子空间分类器最小化正则化最近点;最后,根据正则化最近点之间的欧氏距离及结构计算RNP集之间的距离,并利用最近邻分类器完成人脸的识别。在Honda/UCSD、CMU Mobo和YouTube三大视频人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的图像集人脸识别算法,本文算法取得了更好的识别效果,同时,大大减少了训练及测试总完成时间。     

基于仿射包的图像集人脸识别的鲁棒算法

针对基于仿射包的图像集人脸识别方法(AHISD)对于异常值数据的敏感性,提出了一种鲁棒性更强的方法(R1-AHISD).以仿射包模型对图像集建模,通过R1-PCA算法获得仿射子空间的正交基,进而计算定义的仿射包之间的距离,以最近邻分类器得到分类结果.在Honda/UCSD数据库上的仿真实验表明,本方法可以有效地提高识别率和对异常值数据的鲁棒性.     

基于稀疏表示的快速三维人脸识别方法

随着计算机技术和三维成像技术的发展,三维人脸识别因不易受光照、装扮变化的影响成为人脸识别和身份验证的新趋势,但是对于表情、姿态变化其识别率还是有待于改善,时间开销较长.本文提出基于稀疏表示原理,对人脸重要的特征鼻尖点进行提取,采用最近邻分类器进行分类识别.实验结果表明,对表情变化等具有较高的鲁棒性和识别效果,且时间开销极小,优于传统的三维人脸识别方法.     

一种基于流形正则化的半监督人脸识别方法

在基于流形正则化的框架下提出了一种半监督学习算法(MLapRLS)并将其用于人脸识别.首先构建所有样本的最近邻图来估计数据空间的几何结构,并对多变量线性回归的目标函数增加该流形正则化项,得到针对多类问题的MLapRLS.该方法能充分利用少量有标签样本和大量易于获取的无标签样本来帮助学习以提取有效特征.在Extended YaleB和CMU PIE人脸数据库上的实验结果证明了该方法的有效性.     

稀疏正则化及其在医学图像复原中的应用

论文旨在对受模糊和噪声影响的医学图像进行恢复.极小化由保真项构成的能量泛函是图像恢复普遍采用的方法,然而由于该极小化模型的不适定性,对其添加适当的正则化项是必要的.利用医学图像梯度稀疏这一先验条件,对极小化模型添加l_q正则化项.l_q正则化项的添加保证了图像梯度的稀疏性,也使我们不得不求解一个非凸优化问题.利用交替迭代的半二次分裂算法实现对该非凸问题的求解,并给出了该算法的收敛性分析. Shepp-Logan影像模型和MRI图像的数值仿真实验验证了本文的相关理论.基于研究结果,l_(1/2)正则化方法对梯度分布稀疏的医学图像具有良好的降噪与去模糊效果.     

基于自适应正则化的序列图像超分辨率复原

基于序列图像的超分辨率复原算法能够利用更多的先验信息,复原效果明显优于基于单帧图像的复原算法,目前已经成为图像复原领域的主流研究方向.本文提出了一种基于自适应正则化的序列图像超分辨复原方法,能够充分利用序列图像的先验信息,有效抑制了复原图像中存在的振铃效应.同时,本文算法可以更好地恢复图像边缘信息,较好地平滑噪声,得到的复原图像与Hardie等提出的非均匀插值算法的复原效果相比,在峰值信噪比以及主观视觉效果方面均有所提高.实验结果表明,本文所采用的方法能够达到较好的复原效果,是可行和有效的.     

颜色恒常性的距离正则化水平集彩色图像分割

引入颜色恒常性原理用于区分自然彩色图像中的差分结构,并结合距离正则化水平集算法,对具高光和阴影的自然彩色图像进行分割。实验结果表明,该算法能够正确有效地分割出图像目标,而未引入颜色恒常性原理的水平集算法则得到错误的图像分割结果。     

基于偏微分方程的图像正则化恢复算法

总结了作用于数字图像的基于偏微分方程的正则化方法,确定了一个基于迹的方程的一般形式,统一了不同的正则化方法的标准,在此基础上提出一对新的图像平滑函数.用该函数处理噪声图像,在噪声消除的同时能保持良好边缘,且避免了原PDE算法处理图像时常出现的块效应.     

基于多参数正则化的高分辨率图像重构算法

根据完全重构滤波器的性质,提出一种基于多参数正则化方法的高分辨率图像重构算法。该算法利用多参数正则化方法,恢复图像的高频部分,然后将恢复的高频信号与低频部分叠加,得到重构的高分辨率图像。由于该算法沿不同滤波方向选取不同的正则化参数,因此有效地抑制了噪声对重构图像的影响,改善了图像在边缘部分的重构效果,从而弥补了己有方法的不足。对所提出算法的收敛性进行了分析,并通过数值实验验证文中所提出算法的有效性。     

一种基于角点匹配的图像拼接算法研究

提出了一种基于角点匹配的图像拼接算法。研究了基于角点匹配的图像拼接方法中,Harris角点的检测,角点的匹配及图像的融合等关键算法。并且给出了图像拼接的MATLAB仿真结果。实验表明,该算法能够获得较为满意的拼接效果。     

基于最近点拟引力场的图像配准方法

针对基于图像边界Hausdofff距离场的图像配准方法存在的问题，提出一种基于最近点拟引力场的图像配准方法：假定参考图像边界点形成最近点拟引力标量场,用浮动图像边界点在该引力场中受力的均值作为相似度函数．该方法弱化了浮动图像中多余边界的作用，提高了算法精度，降低了误配率，解决了浮动图像中存在多余边界情况下的配准问题．     

基于凹点匹配的粘连颗粒图像分割算法

针对颗粒图像中粘连区域不易分割的问题,提出了一种基于凹点匹配的分割算法。首先对图像进行预处理、阈值分割及形态学处理,再利用链码边界跟踪,计算分割结果中粘连区域边界曲率,找出图像中的凹点,最后根据判断准则对凹点进行匹配,并用分割线连接匹配的凹点,对粘连颗粒进行分割。通过对多幅颗粒粘连图像进行试验,结果表明该算法有较好的效果。     

基于角点匹配的鲁棒图像镶嵌方法

为了获取场景的宽视场表示,提出了一种鲁棒的图像镶嵌方法.该方法对图像序列中的各个图像进行角点提取,再利用归一化相关方法进行角点的初始匹配.由于初始匹配中包含有大量的出格点,直接采用最小二乘法得不到正确的图像平面间的变换模型参数,为此,采用了鲁棒随机采样算法来估计图像平面间的变换模型参数.该算法能够有效地剔除初始匹配中的出格点,获得精确的匹配点子集.然后利用这些精确匹配的点集来计算变换模型参数,从而实现了图像的正确镶嵌.整个过程无需人工干预,均由计算机自动完成.对真实图像的试验结果表明了该方法的有效性.     

基于正则化方法的毫米波图像亮温反演

为了提高毫米波辐射图像的分辨率,该文采用正则化的方法对毫米波图像进行亮温反演。根据毫米波辐射图像的退化因素,分析了毫米波辐射计天线的亮温模型,给出了毫米波图像的离散退化函数。引入半二次正则化方法对毫米波图像进行亮温反演,该方法可以将图像退化函数从病态方程转换成确定性迭代算法,从而快速解出高分辨毫米波辐射图像。仿真结果表明该方法有效地提高了图像的分辨率,且所需时间短,满足实时性的要求。     

基于特征点的图像变形技术及其应用

对图像变形中的两个问题-特征匹配和变换函数，提出了一种新的解决方法，并在此基础上进一步提出了变换控制的概念，用关键点匹配来寻找对应的特征点，在特征对应的基础上用三角化的方法建立两图像间的局部对应关系，并用三角化的方法求得非均匀变换中各种特征点的变换系数，针对非均匀变换出现的特征间形状和位置不吻合问题用前变换的过程加以解决。     

基于自回归正则化和稀疏表示的图像超分辨率重建

针对图像超分辨率重建中稀疏系数解不精确和重建图像质量不理想的问题,本文提出了一种空间自回归正则化的超分重构算法.该重构算法联合稀疏K-SVD方法训练一个具有相同稀疏系数解的相对应于高低分辨率图像块的字典对,在此基础上利用自然图像本身具有的局部自回归性先验知识来对图像进行处理,经过模型的训练和选择引入正则化项,实现图像的局部约束,从而完整构造了基于正则化的稀疏编码目标函数,为了进一步实现图像去模糊得到清晰图像,利用退化模型实现全局约束.实验结果表明:与Bicubic、NE和SCR等算法相比,本文算法在主观视觉效果和客观评价指标方面都有了一定地提升.     

ICP算法在双目结构光系统点云匹配中的应用

双目结构光系统在测量物体时有更好的效果,测量物体视野是单目测量系统的两倍。该文根据针孔成像理论给出了双目结构光重构的数学表达式,并通过Zhang氏标定法给出了标定结果。在双目系统中,投影仪和摄像机的标定误差、仪器设备的系统误差,都会导致得到的两组三维点云数据不能很好地重合。因此,该文提出将标定获得的两个摄像机关系矩阵做为点云匹配的初值,使用改进的最近迭代点(iterative closest points,ICP)算法,加速点云匹配时间,并对经过初值变换的点云数据进行再次匹配,进一步减小系统在标定过程中的误差,从而达到对标定误差进行补偿的目的。实验结果表明:改进的ICP算法使标定后的点云能够很好地重合,并对标定值进行了修正,点云匹配的时间缩短为0.3s。     

基于法向量场的散乱点集三角网格化

文章提出了基于散乱空间点集进行曲面重建的新方法,即从散乱点集的空间位置信息中估算出待建曲面的法向量场,构造基于法向量的曲面重建控制方法和控制参数,并用该参数来确定拓扑重建的搜索空间,采用面片生长的方式重建曲面.该方法在快速获得正确的拓扑连接的同时,直接生成用较少的面片就能保持曲面特征的优化网格.     

基于相关熵和流形正则化的图像聚类

近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解（Non-Negative Matrix Factorization,NMF）作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术（Half-Quadratic Optimization Technique,HQ）进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.     

基于稀疏正则化和渐近边界假设的运动模糊图像盲复原

为了复原因相机抖动而产生的运动模糊图像,提出基于L_p范数和全变分范数的正则化盲复原方法;首先,基于模糊图像的梯度稀疏性建立L_p范数正则化模型,利用全变分范数保持图像的结构信息;然后,根据模糊核稀疏性的先验知识建立模糊核的盲估计模型;最后,提出一种渐近边界假设条件对模糊图像进行扩展以抑制振铃,并通过交替最小化方法分别求解清晰图像和模糊核的估计值。结果表明,所提出的方法简单、可行,具有更好的图像复原效果。