基于双树复小波变换的夜视图像融合

针对夜视图像融合的特点:尽量获得精确的特征定位和清晰的图像表达,提出了基于双树复小波变换的融合方法,充分利用了双树复小波变换所具有的平移不变性、方向选择性、有限的数据冗余、完美的重构性和较高的计算效率等特点。并在此基础上提出了多策略的融合规则:低频采用清晰度,高频采用窗口能量。除了目视定性评价外,还使用了通用的基于主客观的定量评价方法。通过对两组夜视图像融合的实验测试,表明了双树复小波变换相对于离散小波变换的优势和高低频采用不同融合规则的有效性。     

基于支持向量机的信息融合诊断方法

提出了一种采用小波变换进行特征提取、支持向量机进行模式分类的多传感器信息融合诊断方法。该方法首先对多传感器的信息进行加权初级融合,接着利用小波变换的时频局部特性和多尺度、多分辨特性对传感器测量信号进行特征提取,最后利用支持向量机进行分类实现信息的特征级融合和分类。将其应用于某转子实验台的故障诊断中,取得了令人满意的结果。     

基于多小波域对比度的图像融合算法

针对多小渡理论在图像处理领域的应用,给出了多小波域中图像的方向对比度的定义,并提出了基于多小波变换的、使用方向对比度进行自适应加权平均融合和选择性融合的算法.该算法利用多小渡变换对原图像进行分解,根据得到的分解系数计算相应的对比度,然后建立基于对比度的融合规则.使用这些算法对多谱图像进行了融合实验,并给出了评价融合质量的对比结果.结果表明,基于多小波变换的方向对比度的图像融舍算法在保留图像细节信息、增加信息量方面都有明显的提高.     

基于非下采样剪切波变换域方向信息测度的多聚焦图像融合方法

根据非下采样剪切波变换(non-subsample shearlet transform, NSST)在图像融合领域的优势和多聚焦图像的成像特点,将NSST运用于多聚焦图像融合。在NSST变换域中,利用方向信息测度能够突出图像边缘纹理特征以及降低图像噪声,将其运用在高频子带系数的融合规则中,并对传统的低频融合策略进行改进,将低频系数和高频系数的融合图像进行NSST的逆变换,得到融合图像。计算机仿真实验表明,相比于传统的剪切波变换的融合策略,本文提出的图像融合方法提高了图像的融合质量,增加了图像的信息量,并能降低图像噪声,具有一定的有效性和实用性。     

一种多波段SAR图像伪彩色融合算法

针对多波段SAR图像互补信息的利用问题,提出了一种基于Contourlet变换与IHS变换结合的伪彩色融合算法.利用最佳指数模型选择出信息量最大、相关性最小的三个波段图像,实现RGB到IHS彩色空间的变换;然后用Contourlet变换对Ⅰ分量和另一波段SAR图像进行多尺度分解,分别得到低通近似子带和方向高频子带.对方向高频子带定义一个边缘信息量测因子融合策略进行融合,近似子带用平均方法融合,并进行Contourlet重构得到融合后的Ⅰ分量.结合H、S分量进行IHS到RGB空间的反变换.综合了不同波段图像特征,把人眼难以分辨的灰度转化为可分辨的色彩,保持SAR图像空间分辨率的同时,增强谱分辨率,仿真实验结果证明了该方法是有效的.     

基于非采样contourlet变换的多光谱和全色图像自适应融合算法

光谱保持和高分辨率保留是影像融合的两个重要问题。提出了一种自适应的基于非采样contourlet变换的多光谱和全色图像的融合方法。该方法在对多光谱影像进行IHS变换的基础上,对多光谱的I分量和高分辨率的全色影像分别进行非采样轮廓波变换(NSCT),然后对分解得到的近似分量以及各层金字塔各方向的细节分量利用本文提出的自适应基于局部特征的融合准则进行影像融合,通过非采样contourlet逆变换得到新的I分量,最后与H,S分量一起还原到RGB空间,得到融合后的高分辨率多光谱彩色图像。采用一组多光谱图像和全色图像数据进行融合实验,利用均值、标准差、熵、光谱扭曲度和相关系数5个重要评价指标对融合效果进行数理分析。实验融合图像的目视效果和统计指标均优于传统的IHS融和方法、小波融合方法以及contourlet变换方法。     

基于有限脊波变换的图像融合方法

针对小波变换在进行图像处理时不能有效表示直线/曲线的奇异性问题,研究了能够很好表示二维或更高维奇异性的有限脊波变换的基本原理,讨论了将有限脊波变换应用于图像融合的可行性,提出了基于有限脊波变换方法进行图像融合的基本架构,并对变换系数的设置与融合过程的处理进行了详细说明。仿真实验的主客观性能比较表明,基于有限脊波变换的图像融合方法比基于金字塔变换和基于小波变换方法的融合效果要好得多。     

面向多源遥感数据的小波变换融合技术

从遥感影像数据出发,对基于小波变换方法的融合模型、小波变换的算法实现及其改进方法,以及小波变换的特点和客观评价标准等方面,进行了比较全面的论述。对小波变换在遥感影像融合中需进一步研究的问题进行了探讨,指出应用多进制小波进行融合是其主要的发展趋势之一。     

四元数小波变换联合稀疏表示的图像融合

基于四元数小波变换和稀疏表示理论,提出了一种图像融合方法,该方法弥补了传统的多尺度理论分析和稀疏表示理论在融合过程中的不足。所提方法分为3步:首先,利用四元数小波变换分解所给的源图像,得到各个尺度下的高通子带和低通子带;其次,对高通子带选用系数绝对值最大和低通子带采用稀疏表示的规则进行融合,获得融合系数;最后,对融合系数进行四元数小波逆变换得到融合图像。此外,对所提融合方法进行了理论分析。在数值实验中用6组测试图像测试所提方法性能,并将融合结果与稀疏表示、离散小波变换、对偶数复小波变换、四元数小波变换等融合方法所得结果进行了主观与客观的比较。实验结果表明,该方法是十分有效的。     

基于NSCT和IHS变换域的灰度可见光与红外图像融合方法

针对灰度可见光与红外图像的融合问题,提出了一种基于非下采样轮廓波变换(non subsampled contourlet transform, NSCT)和IHS变换域的自适应融合方法。该方法利用IHS变换域的有效分离图像亮度信息和光谱信息的优势,对灰度可见光图像进行彩色传递并得到亮度、色调、饱合度(intensity hue saturation, IHS)三个分量的值;然后通过NSCT变换分别对可见光图像的I分量和红外图像进行多尺度和多方向分解,并采用一定的融合规则得到融合图像的低频分量和高频分量,而后进行NSCT逆变换得到灰度融合图像并将其作为最终融合图像的I分量,最后进行IHS逆变换得到红绿蓝(red green blue, RGB)彩色融合图像。理论分析和仿真实验验证了该算法的有效性。     

基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

基于NSCT域I2CM的图像融合方法

针对多传感器图像融合问题, 提出一种基于非下采样轮廓波变换域改进型交叉视觉皮层模型的图像融合方法. 首先, 采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解; 然后对经典交叉视觉皮层模型进行改进, 改进后的模型不仅待定参数更少, 而且可以自适应地确定迭代次数; 最后利用其实现对各子图像的融合并进行非下采样轮廓波逆变换获得最终融合图像. 实验结果验证了该方法的有效性.     

利用声波和地震波识别军事车辆类型

声波和地震波是军事车辆类型识别的重要信息源,针对军事车辆运动时产生的声波和地震波,采用短时傅里叶变换提取其波形数据的频谱特征向量,提出基于能量频谱密度进行二次特征选择,构造声波和地震波频谱特征向量子空间,从而降低了特征向量的维数.应用支持向量机(SVM)和最近邻分类法(KNN)分别对声波和地震波数据来进行军事车辆分类,结果表明:基于能量频谱密度的二次特征选择方法能有效地构造出声波和地震波的特征子空间,由此得到的分类准确率高于传统的特征选择方法.通过比较SVM和KNN的分类结果可以得出SVM的分类效果优于KNN.     

一种组合类别信息的非负矩阵分解方法及其应用

基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA).     

基于正交小波包变换的判决反馈盲均衡算法

针对严重线性失真的水声信道,在分析正交小波包变换理论和判决反馈盲均衡算法的基础上,利用正交小波包变换良好的去相关性特性,对判决反馈盲均衡算法的前馈滤波器权向量进行修正,提出了基于正交小波包变换的判决反馈盲均衡算法(WPT-DFE)。与基于正交小波变换的判决反馈盲均衡算法(WT-DFE)和常规判决反馈盲均衡算法(CMA-DFE)相比,该算法具有收敛速度快、跟踪性能好、稳态误差小的特点。水声信道的仿真结果,验证了算法的有效性。     

一种基于支持向量数据描述的损伤诊断方法

为了解决结构损伤诊断中缺乏损伤样本的问题,提出了一种基于支持向量数据描述(SVDD)的结构损伤诊断新方法.该方法只需正常状态的数据样本,而不需要任何损伤数据.首先采用小波包分解对数据预处理,以频带能量序列为特征,然后把多测量点的能量序列融合后作为特征向量,输入到SVDD分类器进行训练,实现损伤的诊断.实验表明,采用频带能量降低了数据维数,有效地浓缩了损伤信息;多测量点数据融合不仅能够使不同传感器的信息相互补充,而且减小了检测信息的不确定性;SVDD分类器较好地区分了结构正常与非正常状态,达到损伤自动诊断的目的.     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

一种基于高阶统计量的图像识别算法研究

提出了一种基于图像高阶统计量的识别算法。利用Radon变换将图像数据变换到一维空间,通过计算投影数据的双谱构造出具有比例和平移不变性的特征。利用Rapid变换获得特征的旋转不变特性;接着,利用阈值分析的方法进行特征选择,获得了较原始特征更好的识别效果。针对特征向量过长的问题,利用主元分析进行长度压缩。与不同方法的实验比较表明,算法能够有效地用于图像识别。     

Efficient face recognition method based on DCT and LDA

It has been demonstrated that the linear discriminant analysis (LDA) is an effective approach in face recognition tasks. However, due to the high dimensionality of an image space, many LDA based approaches first use the principal component analysis (PCA) to project an image into a lower dimensional space, then perform the LDA transform to extract discriminant feature. But some useful discriminant information to the following LDA transform will be lost in the PCA step. To overcome these defects, a face recognition method based on the discrete cosine transform (DCT) and the LDA is proposed. First the DCT is used to achieve dimension reduction, then LDA transform is performed on the lower space to extract features. Two face databases are used to test our method and the correct recognition rates of 97.5% and 96.0% are obtained respectively. The performance of the proposed method is compared with that of the PCA LDA method and the results show that the method proposed outperforms the PCA LDA method.