Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

二维离散余弦变换的一种新的快速算法

介绍了二维离散余弦变换的一种新的快速算法，对于Ｎ×ＮＤＣＴ（Ｎ＝２￣ｍ，只需用Ｎ个一维ＤＣＴ和若干加法运算，与常规的行──列法相比，所需的乘法运算量减少了一半，也比其它快速算法的乘法运算量要少，而加法运算量基本上是相同的。     

图像目标的可视识别与智能跟踪

本文研究图像目标的可视识别与跟踪,给出了图像目标识别印章模型和系统总体设计方案。在此基础上,采用智能跟踪算法,实现了正常跟踪、判断、预测和记忆跟踪的功能,而且跟踪方式随着环境条件的变化而变化。正常跟踪算法的图像代数描述是简明的,与算法是内在一致的。通过给出两个实时可视跟踪的实例说明在实时ＤＳＰ可视跟踪系统上算法的性能及其可行性。     

基于InSAR构型的地面运动目标检测与测速方法

提出了一种基于干涉合成孔径雷达构型的地面运动目标检测及测速定位新方法。该方法在高程相位和动目标相位耦合的情况下,充分利用相应像素对及其相邻像素对的相干信息进行高度补偿从而进行动目标参数估计。针对干涉合成孔径雷达（interferometric synthetic aperture radar, InSAR）系统中由于长垂直基线导致杂波自由度随地形起伏大大增加等杂波抑制问题,在处理过程中引入了联合像素法,进一步提高了动目标检测和测速精度。通过仿真验证了该方法的有效性。     

基于粒子群算法的图像相关反馈研究

在浩如烟海的图像库中按用户的需求去搜索图像,传统的做法是基于图像的视觉低层特征进行检索。但是由于视觉低层特征与高层语义之间存在语义鸿沟,因此检索结果往往不尽如人意。研究者发现,将相关反馈技术引入图像检索中则能提高系统的检索性能。提出将粒子群优化算法(Particle Swarm Optimization)[1]引入基于内容的图像检索之中,通过用户对检索结果进行评价,系统通过学习来动态修改各特征的权值,从而达到模拟人类的思维,提高图像检索系统的检索性能,并通过实验证明该算法的可行性和有效性。     

一种基于GVF变形模板的椭圆提取算法

给出一种结合梯度矢量流（GVF）及椭圆变形模板的椭圆提取新算法。普通的动态轮廓算法仅提供局部的连续与正则性约束，虽然使得曲线可以灵活适应各种不同的边缘形状，但也导致轮廓强烈敏感于图像噪声及邻近边缘点，引入全局模型是改善性能的关键。给出一种新的基于椭圆形状约束的变形模板算法，其能量最小化过程也直接在椭圆的参数空间中进行，从而保证了提取结果一定是椭圆；算法与GVF相结合，大大扩展了边缘能量的捕获范围，而不致造成边缘模糊；此外，本算法容许同时提取多个椭圆，且可利用各个椭圆参数及其相关性（例如同心椭圆）等先验知识，从而实现快速、准确、鲁棒的椭圆提取，仿真结果与实际图像应用验证了算法的有效性。     

多光谱和全色图像融合适用的超复数主元加权方法

提出了一种适用于多光谱与全色图像融合的超复数主元加权方法.该方法首先对全色图像的每个像素值进行矢量化,然后对由RGB表示的多光谱图像和矢量化的全色图像分别用超复数矩阵进行表示,该表示方法考虑了由RGB表示多光谱图像的矢量性,从而避免了IHS和PCA融合方法由于忽视多光谱图像的矢量性而导致的色彩失真.通过对超复数矩阵表示的全色图像和多光谱图像分别进行超复数奇异值分解,分别获得了这两个超复数矩阵的超复数奇异值,并对得到的奇异值进行主元分析,提出了用最大特征值对应的特征向量作为权值进行加权图像融合的方法.分析和仿真的结果表明:提出的方法不存在人眼可见的光谱畸变.而用各种现有图像融合评估方法的评估结果也表明:提出的方法优于IHS、PCA和小波变换等融合方法.     

基于图像质量因子的图像融合客观评价方法

针对图像融合技术中的效果评价问题,提出了一种基于图像质量因子的图像融合客观评价方法。该方法利用熵加权和均方根图像融合质量因子对融合图像与源图像间的相关性、亮度失真和对比度失真进行综合评价,因而在不同融合方法和不同源图像的条件下,可获得标准的评估统计量。采用加权平均、拉普拉斯塔形分解及基于小波变换的图像融合法为例,通过对多传感器图像进行融合评价实验,证明了该方法的有效性和鲁棒性。     

基于多源遥感图像多级协同融合的舰船识别算法

针对极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题,提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式,丰富图像的特征量,提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合,然后在上一步基础上进行特征级融合,最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征,也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比,识别精度至少提高了5.12%。     

一种基于仿真图像模板的SAR目标分类方法

在基于实测图像模板的SAR目标分类方法中,环境因素、成像参数等差异性造成了模板库存储量过大与完备性需求的矛盾.针对此问题提出一种基于仿真图像模板的SAR目标分类方法,通过减少模板库的存储量来降低实测数据的采集成本.该方法首先采用正则化方法对图像进行预处理来减少噪声,在此基础上提取目标峰值特征,然后利用几何哈希匹配算法实现目标的分类.实验中的仿真图像模板库采用RadBase软件生成,结果表明新方法对MSTAR实测数据进行目标分类的精确度较高,适应性较好.