基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于流形学习的新高光谱图像降维算法

提出了一种新的基于图像块距离的邻域选择方法,并将其应用于流形学习中,得到一类新的高光谱图像非线性降维算法。该类算法利用高光谱图像物理特性,结合图像的光谱信息和空间信息,在最大限度减小图像信息冗余的基础之上,很好地保持了原始数据集的特性。与其它高光谱图像的降维算法相比,改进的流形学习算法不仅考虑到高光谱图像本身的空间关系,而且利用图像块距离更好地保持了数据点之间的局部特性,从而有效地去除原始数据集光谱维和空间维的冗余信息。实际高光谱数据的实验结果表明,所提出的算法在应用于高光谱图像分类时,与其它方法相比具有更高的分类精度。     

近邻边界Fisher判别分析

将数据集进行合理的维数约简对于一些机器学习算法效率的提高起着至关重要的影响。该文提出了一种利用数据点邻域信息的线性监督降维算法:近邻边界Fisher判别分析(Neighborhood Margin Fisher Discriminant Analysis,NMFDA)。NMFDA尝试将每一数据点邻域内最远的同类数据点和最近的异类数据点之间的边界在投影子空间内尽可能地扩大,从而提高基于距离的识别算法的准确率。同时为了解决非线性降维问题,提出了Kernel NMFDA,通过在几个标准人脸数据库上与其它降维算法的对比识别实验,验证了提出算法的有效性。     

X射线荧光光谱结合深度学习算法可视化检验食品包装纸

为了实现对案件现场常见食品包装纸的快速分类及认定,提出一种基于X射线荧光光谱(XRF)结合深度学习算法的食品包装纸可视化检验方法.首先,采用XRF检验44个不同来源的食品包装纸样本中的无机元素,并根据主要构成元素的含量,对其进行人工分类和系统聚类分析.其次,分别使用主成分分析和t分布随机邻域嵌入两种降维算法处理数据以检...     

一种基于孤立点挖掘的入侵检测技术

探讨基于孤立点挖掘的异常检测的可行性,将基于2k-距离的孤立点挖掘方法应用到入侵检测中,并针对该方法无法很好地处理符号型属性数据的问题,采用编码映射方法对符号型数据进行处理,同时利用主成分分析来实现对编码映射后扩展的属性进行降维。详细阐述了具体实现方案,并通过仿真实验验证了该方法的可行性。     

P-ISOMAP:一种新的对邻域大小不甚敏感的数据可视化算法

ISOMAP算法对邻域大小敏感,而邻域大小却难以有效选取.本文根据二阶最小生成树不含有"短路"边的特性提出了能有效删除邻域图中的"短路"边因而对邻域大小不甚敏感的P-ISOMAP算法.由于避免了邻域大小难以有效选取的问题,该算法能更容易地对数据进行可视化,也获得了一定程度的拓扑稳定性和鲁棒性.实验结果很好地验证了该算法的有效性.     

步进频雷达的目标回波建模方法与仿真

本文以调频步进雷达导引头为研究对象,分析了脉内线性调频/脉间步进调频体制雷达的信号模型,利用模糊函数分析并验证了该信号的距离维和速度维的分辨能力,并对目标回波进行建模,分析了点目标的回波模型与一维距离像合成原理,针对步进频雷达特点,根据多散射中心理论建立了基于冲激响应函数法的扩展目标合成的数学模型.通过理论分析与仿真结...     

最大边缘准则图形嵌入在人脸识别中的应用

局部线性嵌入是一种有效地非线性维数约减方法,它能保持降维后的数据与原空间有相同的拓扑关系。但是这种方法在降维处理、可视化以及数据分类方面应用不是很广泛,针对上述问题,提出了一种新的、有效的降维以及数据分类方法——基于最大边缘准则图形嵌入方法。该方法首先构建最近邻关系图聚合数据点之间的最近邻样本,同时最大化类间间隔,保证不同类之间数据可分性大,从而更好地实现数据分类。最后,该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。     

基于稀疏类别保留投影的基因表达数据降维方法

针对基因表达数据高维小样本特性所带来的维数灾难问题,结合回归和类别保留投影方法,提出一种新的基因表达数据降维方法,叫稀疏类别保留投影.相比类别保留投影,能有效避免类别保留投影在基因表达数据降维上存在的矩阵奇异和过拟合问题.通过对真实基因表达数据进行数据可视化和分类识别,验证了方法的有效性.     

基于低秩张量分析的高光谱图像降维与分类

提出一种用于高光谱图像降维和分类的分块低秩张量分析方法。该算法以提高分类精度为目标,对图像张量分块进行降维和分类。将高光谱图像分成若干子张量,不仅保存了高光谱图像的三维数据结构,利用了空间与光谱维度的关联性,还充分挖掘了图像局部的空间相关性。与现有的张量分析法相比,这种分块处理方法克服了图像的整体空间相关性较弱以及子空间维度的设定对降维效果的负面影响。只要子空间维度小于子张量维度,所提议的分块算法就能取得较好的降维效果,其分类精度远远高于不分块的算法,从而无需借助原本就不可靠的子空间维度估计法。仿真和真实数据的实验结果表明,所提议分块低秩张量分析算法明显地表现出较好的降维效果,具有较高的分类精度。     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。     

基于密度的K-means初始聚类中心选取算法

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作为初始聚类中心。在聚类类别数给定的情况下,使用标准的UCI数据库进行对比实验,发现改进后的算法较传统算法有相对较高的准确率和稳定性。     

基于相对距离的反k近邻树离群点检测

针对分布复杂且离群类型多样的数据集进行离群检测困难的问题,提出基于相对距离的反k近邻树离群检测方法RKNMOD（Reversed K-Nearest Neighborhood）.首先,将经典欧氏距离、对象局部密度和对象邻域结合,定义了对象的相对距离,能同时有效检出全局和局部离群点.其次,以最小生成树结构为基础,采取最大边切割法以快速分割离群点和离群簇.最后,人工合成数据集和UCI数据集试验均表明,新算法的检测准确率更高,为分布异常且离群类型多样的数据集的离群检测提供了一条有效的新途径.     

一种基于激光三维成像雷达距离像的目标检测方法

为了提高激光三维成像雷达地面目标的检测效率,提出一种基于激光三维成像雷达距离像的目标检测方法。该方法首先采用基于邻域像素内检测距离反常算法对距离像进行噪声抑制预处理,然后采用基于形态学的地面估计和高程分割算法实现了距离像的地物分割,最后根据感兴趣目标的尺寸特征,采用最小外接矩形估计算法实现了感兴趣目标的快速检测。本文提出的方法充分利用了距离像的高程信息和目标已知的先验知识,不受二维图像中光照灰度变化对目标检测效果的影响以及处理三维海量点云数据对计算速率的影响。实验结果证明,本文提出的方法适用于复杂多变的战场环境下对地面目标进行快速检测,且满足了实时性要求。     

自适应邻域尺寸选择的点云法向量估计算法

三维空间中的法向量估计在计算机视觉和表面重建等研究领域中具有重要的意义，基于局部表面拟合的方法是基于点云数据的经典估计方法。为了增强该方法对于不同局部邻域细节尺度的适应性以得到更准确的估计结果，提出了一种基于自适应邻域尺寸选择的点云法向量估计算法。该方法通过分析三维空间点的邻域点在点的梯度上投影来估计点云中各点的邻域分布情况|最后根据不同的分布情况选择不同的邻域大小，根据该邻域范围内的点拟合出的平面求解得到各点的法向矢量。实验结果表明:该方法能够克服邻域半径选择过大或者过小的情况，有效地提高基于局部表面拟合法向矢量求解的正确性。     

Optimal spatial adaptation for patch-based image denoising.

A novel adaptive and patch-based approach is proposed for image denoising and representation. The method is based on a pointwise selection of small image patches of fixed size in the variable neighborhood of each pixel. Our contribution is to associate with each pixel the weighted sum of data points within an adaptive neighborhood, in a manner that it balances the accuracy of approximation and the stochastic error, at each spatial position. This method is general and can be applied under the assumption that there exists repetitive patterns in a local neighborhood of a point. By introducing spatial adaptivity, we extend the work earlier described by Buades et al. which can be considered as an extension of bilateral filtering to image patches. Finally, we propose a nearly parameter-free algorithm for image denoising. The method is applied to both artificially corrupted (white Gaussian noise) and real images and the performance is very close to, and in some cases even surpasses, that of the already published denoising methods.     

ToF点云强度与位置相关联的目标提取算法

目前光子飞行时间技术在三维成像中应用广泛,但三维点云目标提取相关研究匮乏,因此提出了一种利用点云位置信息和强度信息相关联的三维点云复杂目标提取方法。该方法首先使用边缘提取及形态学处理对点云强度信息中的目标位置定位,使目标在强度图中被标识。然后将强度信息与点云位置信息相关联,在三维点云中提取出目标所在区域。最后建立K邻近邻域,通过改进邻域大小选取方式,使用高斯均值代替固定的人工选择的邻域。实验结果表明,该方法能有效的滤除离群点并完整的保留真是目标物体点云数据的位置信息和强度信息,同时具有较高的运算速度。     

层次化点云边界快速精确提取方法研究

为了提高依据邻近点最大夹角提取边界点方法的提取效率,提出了一种层次化快速精确提取边界点的方法。先对任意采样点检索其R邻域内点集,依据R邻域内点集重心点坐标与采样点的距离粗提取边界点,然后将粗提取的边界点及其邻域点投影至微切平面,通过各邻近点与采样点的方向向量求取相邻向量间的最大夹角,再依据最大夹角精提取边界点。通过理论分析和点云数据实验验证了该算法的可行性。结果表明,该算法相较于传统的方法,能缩短22.11%的运行时间,但精度降低5.23%;相较于其它层次化提取方法,在缩短10.99%的运行时间的同时精度提高7.17%。该研究为点云3维重建中边界提取提供了参考。     

基于自适应邻域双边滤波的点目标检测预处理算法

该文通过分析点目标的成像原理,提出一种基于自适应邻域时空双边滤波的点目标检测预处理算法。算法针对每个像素建立自适应邻域,对不同类的邻域分别定义其定义域和值域势函数的乘积为滤波模板,并通过限制自适应邻域的大小加快了算法速度。与固定邻域的空域双边滤波算法和时空双边滤波算法相比,该文算法能够快速、有效去除噪声,同时增强点目标和背景的对比度。     

完全自适应的谱聚类算法

针对谱聚类算法self-tuning的局部尺度参数σ_i会受噪音点影响,进而影响聚类结果,及其所使用的K-means算法的不稳定,对聚类结果的影响,提出两种完全自适应的谱聚类算法SC_SD（Spectral Clustering based on Standard Deviation）和SC_MD（Spectral Clustering based on Mean Distance）,分别定义样本i的标准差、样本i到其余样本的距离均值,为样本i的邻域半径,统计邻域内的样本数,以样本i的邻域标准差为其局部尺度参数,避免样本i的局部尺度参数受噪音点影响,进而影响聚类结果;以方差优化初始聚类中心的SD_K-medoids算法代替K-means算法,克服K-means算法的不稳定,发现数据的真实分布.UCI数据集和人工数据集实验测试表明,提出的SC_SD和SC_MD算法能得到更优聚类结果,不受噪音点影响,有很好的伸缩性.提出的SC_SD和SC_MD能完全自适应地发现数据集的真实分布信息,尤其SC_MD算法很适合较大规模数据集的聚类分析.