基于Keren配准和插值的快速超分辨率图像重建

为提高图像超分辨率重建技术实时应用的可能性,增强其对配准误差的容忍度,提出了一种基于Keren配准和插值的快速鲁棒超分辨率图像重建算法.该算法将配准后的低分辨率图像根据变换参数映射到高分辨率网格上,再利用模板卷积迭代地填充缺失像素值,从而重建一幅高分辨率图像.将文中算法与非均匀插值法、凸集映射法、鲁棒的迭代后向映射法和...     

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。     

基于核拉普拉斯稀疏编码的图像分类

使用稀疏编码解决计算机视觉问题可以取得良好的效果.然而,以往的稀疏编码都是在原始特征空间进行.受核方法可以获得特征的高维非线性映射的启发,扩展了拉普拉斯稀疏编码(LSc),提出了核拉普拉斯稀疏编码(KLSc),它可以降低特征量化误差,增强稀疏编码的性能.在3个标准数据集上的实验结果表明,所提出的基于KLSc的图像分类算法具有良好的分类效果,分类正确率优于LSc.     

基于双度量约束的拉普拉斯特征映射

针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constra...     

基于拉普拉斯特征映射的免疫算法

针对特征提取中以特征值的优先顺序来选取相应向量,在应用中发现了很多弊端,如何合理的组合特征向量是个难题,进化类算法是处理组合优化问题最适宜的方法,其中免疫克隆算法由于含有精英选择策略能够快速寻优,拉普拉斯特征映射(LE)由于是在提取特征中隐含对数据集内部相似数据进行归类较为适用于分类问题,用免疫克隆算法把拉普拉斯特征映射提取出的特征向量进行重新组合,从实验结果可以看出分类准确率得到了显著提高,对各数据集测试分类正确率也得到了提升,从而证实该方法的有效性.     

嗅觉搜索机器人的单目视觉室内定位技术研究

针对室内嗅觉搜索机器人定位问题,提出一种基于最小二乘高斯核支持向量机的单目视觉定位算法.首先,利用最小二乘高斯核支持向量机,可将机器人在图片中像素位置与真实场景中位置间的非线性映射转化为带高斯核的线性映射;然后,运用k重交叉验证方法对映射关系模型进行训练,获取优化模型参数;最后,利用单目摄像头采集机器人运动的连续图像,并根据机器人平台与其背景间的灰度差异特征实时识别图像中目标机器人平台,计算得到机器人平台形心在每一帧图像中的像素位置,进而映射出机器人平台在室内环境下的实时动态位置.实验结果表明:此定位方法能够为移动机器人在室内环境下提供高精度和无累积误差的实时定位信息;算法的精确性和可靠性得到了充分验证.     

半监督超图正则拉普拉斯降维条件下分类算法广义界分析

研究超图上半监督正则拉普拉斯降维框架下分类算法的统计特征,通过特征空间上的映射算子说明降维后得到的向量较好地逼近原目标向量.利用矩阵迹的特性给出降维条件下分类算法广义界估计值.     

基于自适应邻域参数的拉普拉斯特征映射

提出一种基于自适应邻域参数的拉普拉斯特征映射算法,该算法首先依据采样密度确定每个样本点的自适应邻域参数,然后根据流形弯曲度调整优化邻域参数.实验结果表明,改进后的算法能够取得比拉普拉斯特征映射算法更好的降维效果.     

基于汉明码和Logistic-正弦映射的图像隐写

在汉明码和Logistic-正弦映射的基础上,提出了一种新型的信息隐藏算法.首先用Canny边缘检测算法提取载体图像的边缘,然后用Logistic-正弦映射产生3个密钥.对秘密信息流用汉明码进行编码,并把信息流隐藏在经过置乱的载体图像的边缘像素上.为了进一步增强图像的视觉效果,采用2k修正法进行修正隐写图像.实验结果证明了本文方法的安全性、有效性和鲁棒性.     

腰椎间盘突出症MR图像分割新算法

针对标准模糊C均值图像分割算法进行了改进,提出了一种针对T2加权腰椎间盘突出症核磁共振图像分割的新算法。该算法将图像从像素空间映射到其灰度统计直方图空间,并利用像素的邻域特性,对隶属度函数作出了修正。实验结果表明,该算法能快速有效地分割图像,并在器官轮廓分割中有效,具有较好的抗噪能力。     

超分辨率重建技术在CT无损检测中的应用研究

通过CT系统取得平动低分辨率图像序列,采用分级块匹配像素内配准进行运动估计,应用结合小波的改进凸集投影算法重建出超分辨率图像。对CT切片图像的处理结果表明,该方法能有效提高切片图像的分辨率,为工业CT图像增强,以及其在无损检测上的应用提供一种新的手段。     

基于前馈神经网络的图像去噪研究

提出一种检测和去除污染图像脉冲噪声的有效算法,采用前馈神经网络(FFNN)检测污染图像脉冲噪声,采用改进的算术均值滤波器去除测出的脉冲噪声。该算法仅对检测到的噪声像素进行滤波,采用窗口中未污染像素的算术平均值去除噪声。实验结果表明,该算法无论在图像质量的定性还是在定量评价方面均获得了良好效果。     

CASVFMM改进算法及其在景物分析中的应用

对图像分割中的CASVFMM算法进行了改进.通过对原有势函数的修正,增加了势函数对像素特征的依赖性,使算法既保持了分割的连续性,又增强了分割收敛的稳定性.由此新算法在对不同类别图像的分割处理中,分割结果与原图像区域对应的一致性有明显增强.另外,对势函数的结构作了一定的修正,加快了算法的收敛速度,增强了算法收敛时分割结果的合理性.通过在MIT标准图像集上的景物分析仿真实验,对比说明了新算法较之CASVFMM算法改进的有效性,为其他图像分析应用提供了一种有效的分割方法.     

嵌入式多标签分类算法的优化研究

多标签分类中如何有效处理具有许多实例和大量标签的大规模数据集、补偿训练集中缺失标签以及利用未标记实例改进预测性能等问题已成为重要研究方向。提出嵌入式多标签分类（EMC）算法,首先从伪实例参数化的高斯过程（GP）中提取两组随机变换来模拟特征向量、潜在空间表示向量和标签向量之间的非线性关系映射,其次引入一组辅助变量结合专家集成（EEOE）方法补偿缺失标签,最后利用未标记实例学习随机函数的平滑映射提高预测性能。仿真结果表明,与特征识别隐式标签空间编码的多标签分类（FaLE）算法和半监督低秩映射多标签分类（SLRM）算法相比,EMC算法优化了处理大规模数据集、补偿缺失标签及利用未标记数据的能力,从而提高了类标签的预测性能,且具有良好的可扩展性,训练时间短。     

基于顾及像素空间信息的加权FCM聚类的图像分割

针对标准的FCM算法没有考虑像素的空间信息而对噪声比较敏感和没有考虑不同样本数据对聚类效果的不同影响的不足,提出了一种顾及像素空间信息的基于图像的灰度直方图加权的FCM聚类算法,它在Szilagyi等提出的算法基础上通过引入图像的灰度直方图加权对算法中的目标函数进行修改. 对人工合成图像和真实图像的数值模拟结果均显示出该算法的优良性能.     

基于改进的LBG算法的SVM学习策略

针对SVM方法在大样本情况下学习和分类速度慢的问题,提出了利用LBG算法对训练样本进行预处理,然后再使用传统的SVM算法进行训练的策略,并提出了一种改进的LBG算法．通过对仿真数据以及对实际的纹理图像的分类实验表明,这种预处理方法能在保持学习精度的同时减小训练样本以及决策函数中支持向量集的规模,从而提高学习和分类的速度．     

基于谱特征参数的图像稀疏降噪

提出一种基于谱特征参数的图像稀疏降噪算法。其采用稀疏重构理论为图像降噪框架,并将图论中的谱特征参数作为一约束条件,以有效克服传统稀疏重构中稀疏解不稳定的问题。该降噪算法将噪声图像块作为基础元素进行关系图构建,进而得到邻接矩阵。然后,求解该邻接矩阵对应的拉普拉斯矩阵,并对其进行特征分解,得到对应的特征向量,即谱特征参数。最后,将图像块矩阵与一定数目该高频谱特征参数所组成矩阵的乘积作为稀疏模型的正则项形成提出的算法模型。实验结果表明,与基于K-SVD的稀疏表示降噪算法相比,在相同参数的情况下提出的算法在多种类型噪声下对多幅图像的降噪效果都有着显著的提高。     

基于Spearman秩相关系数的红外弱小目标检测

针对红外弱小目标检测,目标运动跨像元,引起目标的丢失的问题,提出了一种基于Spearman秩相关系数的红外弱小目标检测新方法。该方法首先采用时空域中值滤波的方法估计背景;然后通过计算邻域像元点与目标处于像元中心位置时的Spearman相关系数,获得候选目标点;最后采用二次滤波和运动方向匹配得到目标运动轨迹。该方法充分利用邻域信息,即使在目标处于像元边缘处,也能有效地检测到目标。仿真分析表明了该算法的有效性。     

基于稀疏自编码的手指静脉图像分割

针对获取的手指静脉图像不仅包含静脉特征,而且包含噪声和不规则阴影,从而增加了特征提取难度的问题,提出了一种基于稀疏自编码的手指静脉图像分割算法;首先采用传统分割算法对原始灰度图像进行分割,得到一副二值图像(背景像素值为0,静脉像素值为1);然后,以该灰度图像的每个像素点为中心,对其进行图像分块,并将二值图像中对应于中心点的值(0或者1)作为该块的标签,建立训练集合;最后,将训练样本(分块图像和标签)输入到自编码器和神经网络中进行训练,再用训练好的模型对测试图像进行分割;实验结果表明,相比传统的算法,提出的手指静脉分割算法能够有效地对静脉进行分割,提高手指静脉认证系统的认证精度。     

基于RGB空间的非经典K最近邻算法应用研究

为迅速、准确、无过多人工干预的进行图像分割,提出了一种K最近邻算聚类方法并将其应用于图像处理。与经典K最近邻算法在样本库中寻找最近邻点不同,该算法在待分割图像的RGB空间中寻找每一个像素点的K个最近邻点,参考所有像素点同最近邻点之间的平均距离,引入聚类阈值并对像素点的归属进行判断。对火焰图像的分割实验结果表明,在分割精度相接近的情况下,该算法的分割速度要快于其它几种常见算法。