基于二维Fisher线性鉴别分析和粒子群优化的红外图像分割

二维Fisher线性鉴别分析的图像分割算法,考虑了图像中目标和背景之间类间方差和类内方差在类别分离中的作用,有效地克服经典Otsu阈值法当图像中目标的面积很小(直方图上表现为峰的大小相差很大或者没有明显双峰)时产生的阈值"漂移"现象,是一种有效的图像分割方法.针对二维Fisher线性鉴别分析计算量大的特点,采用粒子群算法来搜索最优二维阈值向量.每个粒子代表一个可行的二维阈值,通过粒子群之间的协作来获得最优阈值向量.实验结果表明,所提出的方法不仅能准确地分割图像,而且计算量大大减少,达到了快速分割的目的,便于实时应用.     

基于两空间核鉴别分析的人脸识别

指出了几种线性鉴别分析方法在处理小样本人脸识别问题时存在的不足,结合核方法的思想,提出了一种基于两空间核鉴别分析的人脸识别方法.首先使用KPCA方法在核变换后的特征空间中对样本进行处理;进面将变换后的类内散布矩阵分成非零空间和零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类....     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

一种用于SAR目标特征提取的I2DLDA方法

通过分析传统鉴别分析的“小样本”和“次优性”问题,提出一种改进的二维线性鉴别分析(I2DLDA)算法并用于SAR图像目标特征提取.首先对线性鉴别分析中散度矩阵的构造进行加入权值的改进以缓解次优性问题,然后使用二维线性鉴别分析准则在图像矩阵上进行特征提取.对美国MSTAR计划公开的SAR图像数据的仿真实验结果表明,基于I2DLDA的SAR目标识别方法不仅有效增强了提取特征的可鉴别性,同时也减小了所需的特征维数,降低了运算量,识别性能有了很大的提高,证明了方法的有效性.     

基于图像抽样重组的2维核鉴别分析

2维核鉴别分析(2DKDA)存在离散度量矩阵过大而无法计算的问题。该文通过将图像抽样重组与2DKDA的结合,提出了3种基于图像抽样重组的2DKDA(SR2DKDA),它们不仅克服了2DKDA在计算上的困难,识别性能也优于2维线性鉴别分析(2DLDA)。在ORL人脸库和UMIST人脸库的实验验证了SR2DKDA的有效性。     

基于核DCV算法的主动近红外人脸识别方法

针对人脸识别领域存在的受环境光照变化影响大的问题,分析了各种主动成像方法的特点以及人脸皮肤的光谱反射特性,提出了使用近红外LED灯作为主动光源,选用近红外滤光片配合CCD相机完成人脸图像采集,并综合运用可鉴别共同向量方法(DCV)和核投影方法进行人脸特征提取。该特征提取方法同时解决了核投影方法面临的大样本问题和可鉴别共同向量方法面临的样本维数较高问题,减少了计算复杂性,提高了特征提取的效率和准确度。仿真结果表明基于核DCV的主动近红外人脸识别方法有利于消除光照影响、提高识别效率。     

支持向量鉴别分析及在人脸表情识别中的应用

模式识别一般首先要对数据进行降维,PCA和LDA及其对应的核化算法是其中应用广泛的方法,但这些算法的应用前提是假设样本数据为高斯分布,在少样本训练时它们的推广性能有很大局限.本文提出了一种基于支持向量机的鉴别分析算法,该算法首先寻找有限样本情况下最优分类面,以其法线方向为投影轴对数据进行投影降维,在多类情况下提供了极其丰富的方案选择投影轴.该算法体现了支持向量机的内在优良推广性能,克服了PCA和LDA等算法的局限性.本文将所提算法应用于人脸表情特征提取,并与PCA、LDA、KPCA、GDA等算法进行了比较,结果表明该算法的有效性.     

计算和存储空间受限下的数据稀疏核分析方法

针对核主成分分析算法广泛面临的训练样本数量大而带来的计算和存储空间的问题,提出了基于1类支持向量理论的稀疏核主成分分析算法,该方法适合于计算和存储空间受限下的应用场合,如小型硬件平台下的图像检索系统、医学辅助诊断系统等.通过求解最优方程找到能够代表原始样本空间的少量典型样本,这些样本作为计算核数据矩阵,大大节省了核矩阵计算的时间和存储空间成本,在有限的训练样本集上最大限度在硬件平台下图像处理领域有效提高识别率和计算效率.     

切线距离在车牌字符识别中的应用

针对车牌字符识别中字符变形失真影响识别率的问题,文章提出一种基于切线距离的车牌字符识别算法。首先对车牌字符图像进行预处理,在先验知识的基础上确定切线向量,然后通过核主成份分析对样本图像和切线向量降维,并引入切线距离度量样本之间的相似度,最后利用K-NN分类器对字符进行识别。实验结果表明,该算法有效地保留了车牌字符的非线性信息,减少了识别时间,并且显著提高了识别率。     

面向高光谱图像分类的半监督Laplace鉴别嵌入

为有效提取出高光谱遥感图像数据的鉴别特征,该文阐述一种融合标记样本中鉴别信息和无标记样本中局部结构信息的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本集的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本集中局部流形结构,实现半监督的流形鉴别。在KSC 和Urban数据集上的实验结果说明:该算法具有更高的分类精度,可以有效地提取出鉴别特征信息。在总体分类精度上,该算法比半监督最大边界准则(SSMMC)算法提升了6.3%~7.4%,比半监督流形保持嵌入(SSSMPE)算法提升了1.6%~4.4%。     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

基于二维子分类鉴别分析的SAR图像识别方法研究

 本文在分析传统二维鉴别分析方法局限性的基础上,提出了一种基于二维子分类鉴别分析的合成孔径雷达图像识别方法。该方法首先对SAR图像进行图像预处理,然后利用图像欧氏距离对每类目标进行子类划分,并由图像的行信息和列信息提出了两种二维子分类鉴别分析方法,最后利用最近邻分类器对提取的特征投影矩阵进行分类识别。本文利用美国实测的MSTAR数据对算法进行了仿真验证,实验结果表明了本文方法的正确性和有效性。     

基于核空间二次相关滤波的红外目标检测

子空间二次综合判别函数(SSQSDF)是一种性能良好的二次相关滤波器,为了更好地对复杂场景中红外目标进行检测,提出了把SSQSDF扩展到高维空间用于红外目标检测的核二次相关检测算法(KSSQSDF).算法主要通过选取适当核函数得到训练样本核矩阵,然后利用核函数性质把SSQSDF转换为以核矩阵表示形式的矩阵方程,最后求解方程获得KSSQSDF算法表达式.KSSQSDF形式简单,能较强抑制目标背景噪声干扰,提高目标检测精度.在真实场景下通过实验验证了KSSQSDF与SSQSDF相比在检测性能上具有优越性.     

基于QR分解的广义辨别分析用于雷达目标识别

提出了一种基于QR分解的广义辨别分析算法,并将其用于雷达目标一维距离像识别.与传统用奇异值分解获取目标特征子空间的方式不同,新算法运用核修正格兰-施密特正交化过程直接提取最优投影变换矩阵,不仅有效地地保留了类内散度矩阵最具辨别力的零空间信息,同时使所求解在数值上更稳定.对3种实测飞机数据的分类结果表明,所提方法不仅在识别性能上优于传统方法,而且在一定程度上降低了算法的计算复杂度,提高了系统的实时性能.     

核Fisher鉴别分析在掌纹识别中的应用

核Fisher的鉴别方法(KFDA)是模式识别中较为突出的提取图像非线性特征的方法。为了更好的提取掌纹图像的非线性特征,将KFDA方法引入到掌纹识别中。首先对掌纹图像做小波变换进行降维,在保留原始图像轮廓信息和特征的基础上,然后进行核Fisher判决方法进行特征提取并引入零空间的核Fisher(ZKFDA)方法解决小样本问题,最后用最小距离分类器进行掌纹匹配。通过PolyU掌纹图像库,实验结果表明,在不同的特征个数下,KFDA方法比二维Fisher准则(2DFLD)方法识别率高;零空间ZKFDA的平均识别率高于KFDA,并且计算量大大减少。在核函数选取上,取RBF核函数的识别性能最佳。     

基于判别核窗宽的掌纹识别方法

提出了一种新的判别 核窗宽方法,进而研究了基于判别核窗宽的KPCA和LPP在掌纹识别中的应用。首先根据训练 样本和类标签计 算类内核窗宽和类间核窗宽;在分类密集区选择较小窗宽,在分类稀疏区选择较大窗宽,可 以有效提取数 据的关联特征;然后运用基于判别核窗宽的KPCA和LPP方法提取低维特征向量,计算特征向 量间的余弦 距离进行掌纹匹配;最后运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明,与 传统算法相比, 本文算法的识别率最高,识别时间小于0.6s,验证了方法的有效性 。     

值域空间超球面上的判别分析

Fisher线性判别分析(LDA)是模式识别中使用最广泛的线性分析方法之一。然而,实际应用中,样本数量相对于样本空间的维数而言是很少的,即样本在高维空间中呈稀疏分布。LDA采用基于欧式距离的度量方法将会使判别向量趋向于较大的类间距离。从而,可能融合距离较近的类。我们用超球面模型表示数据在高维空间中的结构信息,提出一种值域空间中的超球面判别分析方法(RHDA)。RHDA方法将数据映射到其值域空间的单位超球面上;在值域空间超球面上计算各个子类的判别子空间;最后,计算测试样本与各个判别子空间中子类均值向量间的距离。RHDA将测试样本判别为第 类仅当测试样本与第 类的均值向量的距离最小。超球面判别分析采用单位超球面上数据的归一化向量来表示样本向量的结构信息,它主要针对于基于欧式距离的判别分析所引起的判别向量偏离问题。最后本文还提出了值域空间超球面核判别分析方法。超球面核判别分析方法为高维空间中对不同数据采用不同映射提供了可能。在不同数据库上的分类实验结果证实了RHDA相对于 LDA及其相关推广算法的优良性。      

核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。     

UFKLDA: An unsupervised feature extraction algorithm for anomaly detection under cloud environment

In a cloud environment, performance degradation, or even downtime, of virtual machines (VMs) usually appears gradually along with anomalous states of VMs. To better characterize the state of a VM, all possible performance metrics are collected. For such high‐dimensional datasets, this article proposes a feature extraction algorithm based on unsupervised fuzzy linear discriminant analysis with kernel (UFKLDA). By introducing the kernel method, UFKLDA can not only effectively deal with non‐Gaussian datasets but also implement nonlinear feature extraction. Two sets of experiments were undertaken. In discriminability experiments, this article introduces quantitative criteria to measure discriminability among all classes of samples. The results show that UFKLDA improves discriminability compared with other popular feature extraction algorithms. In detection accuracy experiments, this article computes accuracy measures of an anomaly detection algorithm (i.e., C‐SVM) on the original performance metrics and extracted features. The results show that anomaly detection with features extracted by UFKLDA improves the accuracy of detection in terms of sensitivity and specificity.