特征空间中的边缘检测及样本选择

将子空间分类法拓展到特征空间后，与核主成分分析结合提出了一种边缘检测的方法及其训练样本选择策略。是基于特征空间中的核方法，对图像特征表达建立了统一的模型，可处理非高斯分布的数据。可与经典的边缘检测算子或其他方法相结合，增强边缘检测的效果和稳定性。只需训练一次，便可将边缘特征从一幅与训练图完全不同的测试图中提取出来。实验结果表明，对噪声有很好的鲁棒性，能很好地适应小样本训练，其边缘检测的效果明显比经典算子，主成分分析，非线性主成分分析的效果好。     

基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题,提出一种基于图像特征的卷积核初始化方法.该方法先结合模糊处理技术和边缘处理技术对图像进行采样,再将采样后的数据随机分组,使用主成分分析算法提取各组数据的主成分,初始化卷积核.将该方法应用于数据集Cifar-10和Corel-1000,并与Ga...     

子模式判别型半监督非线性维数减少算法

维数减少是在损失较少特征信息的条件下处理高维图像数据的关键技术,已成为高维数据处理中的热点问题.样本的类内和类间散度判别信息被用于判断当前样本对属于相同类还是不同类,同时考虑未标签样本对算法性能的影响,提出了一种判别型半监督非线性维数减少算法(discriminativesemi-supervised nonlinear dimensionality reduction,DSSNDR),可有效避免奇异性.DSSNDR采用高斯核和多项式核组合得到的混合核,将原始数据以一系列"有用的"特征形式投影到一个较低维的嵌入空间,便于分类,同时能够保持已标签和未标签样本的内部特征,可有效执行半监督学习.引入样本数据的子模式,将DSSNDR推广到子模式特征空间下的非线性方法,简称Sp-DSSNDR,进一步增强了DSSNDR的学习能力,提高分类精度.多个典型数据集上的分类和可视化实验表明,不同类的样本数据的投影在DSSNDR和Sp-DSSNDR构造的特征空间中存在较少的混叠现象,具有更好的可分离性.当维数被减少到较低水平时,本文算法几乎总是取得最好的结果,甚至超过了经典的主成分分析(PCA),核主成分分析(KPCA)和核Fis...     

基于子空间域特征提取的硬件木马检测方法

为了解决制造变异和噪声对已有硬件木马检测方法的挑战和干扰,提出了一种新的微弱木马信号检测技术,能够在较大的制造变异和噪声的背景下提取出木马特征信号.首先,将木马检测问题建模为特征提取模型,然后提出了一个基于时域约束估计器和主成分投影的统一子空间木马检测方法.并通过特定的子空间投影或重构信号分析,证实弱小的木马信号可以与各种噪声和干扰区分开来.该方法为已有的硬件木马检测方法提供了一种通用的消除制造变异和噪声影响的方法.设计实现了2个时序硬件木马,在ISCAS89基准电路上进行了仿真实验验证,并在FPGA上进行了硬件实物验证,实验结果均表明了所提方法的有效性和高检测精度.     

基于核主成分分析的图像去噪

简介了核主成分分析的原理及利用核主成分分析的图像去噪方法.通过使用核函数,在特征空间中对噪声图像使用主成分分析进行降噪处理.基于MDS的思想,使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系,通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系,基于此内积约束关系在原空间中重构出降噪图像,从而达到通过核主成分分析对图像降噪的目的.比原有的MDS算法更稳定,对图像的噪声部分有更好的去除效果.     

基于核主成分分析的图像去噪

本文简介了核主成分分析的原理及利用核主成分分析的图像去噪问题。通过使用核函数，在特征空间中对噪声图像使用主成分分析进行降噪处理，基于MDS的思想，使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系，通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系，基于此内积约束关系在原空间中重构出降噪图像，从而达到通过核主成分分析对图像降噪的目的。对比原有的MDS方法，本文的算法更稳定，对图像的噪声部分有更好的去除效果。     

区域经济社会发展综合评价与预测

针对主成分分析(PCA)在多指标综合评价中非线性分析上的不足,提出了综合评价的核主成分分析(KPCA)方法.利用核函数将原空间映射到高维特征空间,在高维空间进行线性主成分分析;通过对核参数的适当选取,可使得最大特征值的贡献率达到或接近85%,避免了多个主成分的不同组合而导致评价结果不一致.在此基础上,利用最小二乘法建立核主成分回归方程--KPCR,并将其应用于区域经济社会发展综合评价与预测.     

基于非下采样轮廓波的图像检索

提出一种基于非下采样轮廓波的图像检索方法.首先对图像进行预处理;然后利用非下采样轮廓波的平移不变特性,将像素点分为强边缘、弱边缘和噪声点三类;最后忽略噪声点,提取强边缘和弱边缘的各个子带的均值和方差等作为特征进行检索.实验结果显示,与轮廓波等方法相比,该方法具有更高的鲁棒性、检索效率更高且特征维数低.     

高光谱图像的特征提取与特征选择研究

特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.     

大尺度弱边缘检测方法的研究

针对已有的图像边缘检测算法对大尺度弱边缘的检测效果不理想,提出了一种通过对原图再采样,从中抽取多幅低分辨率子图像,并分别进行边缘检测,再综合各子图像边缘确定最终边缘的新边缘检测算法.由于低分辨率采样下图像高频特征失真较大,而低频特征失真较小的原因,这一算法能很好地抑制图像噪声,有效地提取出图像中大尺度弱边缘.此算法已成功地应用于机器视觉砂轮直径检测系统中.