应用特征感知与协同表示的高光谱图像分类方法

为解决高光谱图像中存在噪声、空间结构复杂和光谱信息复杂等问题,提高分类算法的噪音处理与空间识别能力,提出应用特征感知与协同表示的高光谱图像分类方法.首先运用自适应加权方式对图像进行重建;然后通过计算空间偏置矩阵,对空间特征进行感知,通过计算光谱偏置矩阵对光谱特征进行感知;最后根据误差最小原则确定测试样本的类别信息.在标...     

基于高维形象几何的图像K近邻分类

使用一种模仿人类形象思维的图像特征提取方法,把图像映射为高维空间的一个点,并以此作为特征向量.计算高维特征空间中的点之间的距离,并在此基础上,使用K近邻算法进行图像分类.实验表明,与使用其他方法的特征提取下的K近邻算法相比,该方法具有优越性.     

基于Fisher的线性判别回归分类算法

为了提高线性回归分类（LRC）算法的鲁棒性,提出了一种基于Fisher准则的线性判别回归分类算法。利用Fisher准则将类间与类内重建误差的比值最大化,找到线性回归分类的最优投影矩阵;再将训练图像及测试图像投影到各类的特征子空间;求得各训练图像与测试图像间的欧氏距离,最后用K-近邻分类器完成人脸识别。在AR人脸数据库上的实验结果表明,相比其他回归分类算法,算法取得了更好的识别效果。     

基于在线被动-主动学习的多特征融合图像分类

提出了基于在线被动-主动学习的多视觉特征自主加权组合算法。该算法在模型训练阶段预先依据视觉特征与图像类别之间的相互关系赋予恰当的权值,减少了多特征组合的计算复杂度。通过推导出在线被动-主动学习算法的闭式解,提出的算法在满足确保图像分类准确度的同时,提高了多特征组合的执行效率,降低了基于直方图交核学习算法的计算复杂度。与多核学习算法相比,基于在线被动-主动学习的多特征融合图像分类算法在保持图像分类准确度的情况下,所需的计算时间只有多核学习算法的10%左右。     

基于深度学习的高光谱图像多标签分类算法

提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。     

改进的线性判别回归分类人脸识别算法

对线性回归分类算法进行了改进。考虑了线性回归分类算法中没有考虑的类间信息,通过选择类模式的投影方向判别不同类的模式,不同类的模式互相远离,相同类的模式尽可能靠近来估计投影矩阵;再利用投影矩阵将训练图像及测试图像投影到各类的特征子空间;最后,计算出测试图像与训练图像间的距离,利用K-近邻分类器完成人脸的识别。在FERET人脸数据库上进行实验验证。实验结果表明,相比其他回归分类算法,本算法取得了更好的识别效果。     

基于深度学习模型与稀疏表示的绝缘子状态分类

在输电线路中绝缘子的状态直接影响整个输电系统的可靠性,然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法,对于待检测的绝缘子图像,通过Faster-RCNN定位后,采用深度残差网络（ResNet）提取图像特征,最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比,对于绝缘子的状态分类具有更高的准确率,准确率可达98.67%。     

基于图像特征的水印算法

提出一种基于尺度不变特征点的数字水印算法,利用尺度不变特征点作为同步水印的参考点,通过自适应的邻域半径来从中筛选出用于同步水印的参考点,根据基于图像内容的水印模型（CBWM）,生成并嵌入水印,同时考虑到小波域的优良特性,选择从小波低频系数中寻找特征点。结果表明该算法表现出较好的鲁棒性。     

论汉语集合名词的再分类

一般认为汉语中集合名词不能受个体量词修饰,本文的事实表明,一部分集合名词可以受个体量词修饰,甚至其中的＂可分集合名词＂也可以用＂一＋个体量词＂来计数,据此可以对汉语集合名词进行再分类：能个体化的集合名词与不能个体化的集合名词,这也反映了汉语集合名词的一个语法特点。集合名词的这个特点,在汉语本体教学和对外汉语教学中要正确处理。     

改进的流形学习图像稀疏降噪方法

本文将稀疏重构与流形学习算法两算法结合运用于图像降噪方面,提出了基于拉普拉斯图谱嵌入的稀疏编码。该方法利用拉普拉斯图谱的局部相关性,通过对权重矩阵的改进,增强数据间的关系表示,同时又通过稀疏理论进一步优化代表低维数据点的稀疏系数进行数据压缩,从而进一步提高图像降噪效果。     

一种用于图像识别的稀疏增强概率协同表示分类算法

稀疏表示分类方法在图像遮蔽、弱光等情况下具有良好的应用及识别效果,但在测试样本少的环境下仍具有一定局限.将稀疏表示分类算法联合概率协同表示分类算法,以稀疏表示系数增强概率系统表示分类算法的表示系数,采用FERET、Multi-PIE与FRGC人脸数据库进行实验测试.结果显示,稀疏增强概率协同表示分类算法能够显著提升人脸...     

基于混合环形投影特征的图像匹配算法

提出了一种基于小波分解和混合环形投影特征的具有旋转不变性的图像匹配算法。首先在小波变换后的低频图上利用混合环形特征相似性算法得到一系列候选匹配点,然后对候选点在原图像对应的区域内作精确相关匹配得出准确匹配位置。混合环形投影特征值结合了均值投影和方差投影的优点,能有效反映图像的旋转不变性特征。实验证明该算法保持匹配精度的同时减少了匹配计算量,而且对图像的旋转不敏感。     

基于谱聚类与多信息特征融合的图像分割算法

为了改善传统基于聚类的图像分割算法对噪声敏感以及仅使用单一特征无法精确描述目标特性等问题,提出了一种基于区域的多特征图像分割算法。首先,使用 Meanshift 算法对原图像进行预分割,获得一组区域块;其次,提取每个区域块的颜色特征和纹理特征,使用 FCM 算法分别对每个特征进行聚类,针对每个特征获得一个类标签邻接矩阵;再次,将多个邻接矩阵叠加,形成多特征邻接矩阵;最后,使用 NCUT 算法对叠加邻矩阵进行聚类,获得最终分割图像。实验结果表明,基于区域多特征的分割算法优于对比算法,融合多特征对图像分割可以更准确地识别不同的目标结构,具有更好的分割效果。     

一种基于LBP的人耳特征提取方法

在PCA+FLDA算法基础上,提出了一种新的基于LBP的人耳特征提取方法。采用LBP算法与PCA+FLDA算法相结合的人耳特征提取方法在识别率方面与传统特征提取方法相比有明显提升。     

融合多层特征SENet和多尺度宽残差的高光谱图像地物分类

提出了一种融合多层特征SENet和多尺度宽残差的高光谱图像地物分类的方法。实验选取Indian Pines和Pavia University为研究对象,结果表明,SEInception-Resnet-MSWideResnet (SEIR-MSWR)网络结构的总体分类精度为99.33%、99.52%,Kappa系数为0.98时,分类效果最优,相较于支持向量机(Support Vector Machine,SVM)、K最近邻法(K-NearestNeighbor,KNN),宽残差网络(Wide Resnet Network,WRN)以及InceptionV2-Resnet,总体分类精度分别提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%,Kappa系数分别提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03,均表现出良好的性能。该方法更好地提取了高光谱图像的本质特征,进而提高了高光谱图像地物的分类精度。     

航摄影像特征点提取算法研究

随着无人机在测绘领域的广泛应用,航摄影像处理已成为国内外关注的热点。为寻求更适合航摄影像特征点提取的算法,对目前国内外几种常用特征点提取算法进行对比分析,结果表明,Moravec算子相较于其它算子,原理最为简单,但图像处理效果不佳。为此,利用C#工具实现Moravec算子,并通过图像处理实验,从计算速度、提取质量、定位精度、抗噪能力等方面对其进行全面分析,得出该算子在提取质量、定位精度与抗噪能力等方面均性能较差,该结论为今后对其优化改进提供了明确的研究方向。     

基于特征学习与支持向量机的仪表识别算法

为了解决当前工业仪表示数在采图环境恶劣和样本数据量大的情况下所导致的算法识别不准确的问题,分别从特征学习与机器学习识别的角度出发,提出了基于特征学习与支持向量机的工业仪表状态识别算法。首先,提取仪表图像区域字符的几何特征和颜色特征,对这些提取出的特征进行归一化处理,设计出特征提取分析算子,达到精准提取有用特征数据的目的。然后,基于支持向量机,计算出分类器的最优平面和约束条件,从而建立仪表识别算子,进一步精确识别仪表示数。最后,基于软件开发环境QT实现算法,并系统集成。实验测试结果显示:与当前仪表识别技术相比,此算法拥有更高的准确性与稳定性,能够准确地根据仪表数字识别出电压,从而确定仪表工作状态是否正常。     

文本分类中特征项权重算法的改进

TFID作为文本特征权重计算常用方法,其不足之处是忽略了特征词在文本中的分布情况和文本长度。修正特征词后的改进TFIDF算法召回率和准确率都优于改进前TFIDF。