排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
基于非负矩阵分解与邻接谱的图像分类 总被引:2,自引:0,他引:2
提出了一种非负矩阵分解(non-negative matrix factorization,NMF)和邻接谱相结合的图像分类方法.该方法首先利用图像中的特征点构造邻接矩阵,然后使用邻接谱作为非负矩阵分解迭代规则的初始值,并将经过非负矩阵分解得到的基向量作为图像的分类样本,最后采用概率神经网络(probabilistic neural network,PNN)分类器对图像进行分类.模拟实验和真实实验的比较表明,该方法是可行和有效的,并且进一步提高了图像分类的准确率和稳定性. 相似文献
2.
提出了一种基于最小生成树与概率松弛结合的谱匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由奇异值分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。用大量的真实序列图像进行比较实验,结果验证了该算法的有效性和准确性。 相似文献
3.
4.
文章提出了一种基于递增权值函数的图像谱的匹配算法,利用递增权值函数,分别对2幅待匹配图像的特征点构造Laplace矩阵,其次进行SVD分解;通过分解后的矩阵特征值和特征向量,寻找匹配矩阵,根据匹配矩阵的特征信息,实现2幅图像特征点之间的匹配;通过对Laplace矩阵和邻接矩阵比较实验,表明了Laplace谱能使发生刚体变换前后的图像获得更高的匹配精度,递增权值函数的Laplace谱比欧式距离的Laplace谱匹配精度要高。 相似文献
1