基于离散小波变换和主成分分析的人脸识别

提出了一种基于离散小波变换、主成分分析和余弦相似度分类器的人脸识别方法。首先对图像进行二维离散小波变换,得到近似分量以及水平、垂直和对角细节分量,然后对每幅图像进行二维主成分特征提取。最后,使用余弦分类器对4种特征进行分类并融合得出最终结果。实验表明,此方法准确率要优于单一的二维主成分分析,且余弦相似度分类器拥有比欧几里得距离更好的分类效果。     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

基于离散余弦变换的人脸识别方法

人脸图像的庞大信息量使其不适合于直接识别。提出用离散余弦变换处理人脸原始图像,得到降维的特征矢量,并结合前馈神经网络对人脸进行分类识别。通过对ORL人脸库多幅人脸图像的仿真实验表明,系统的识别率较高,且训练时间大大降低,是一种高效的识别方法。     

基于离散余弦变换和稀疏表示的人脸识别

传统的基于稀疏表示的人脸识别方法是基于人脸的整体特征的,这类方法要求每位测试者的人脸图像要有足够多幅,而且特征维度高,计算复杂,针对这一问题,提出一种基于离散余弦变换和稀疏表示的人脸识别方法,对人脸图像进行分块采样,对采样样本使用离散余弦变换和稀疏分解,然后使用一种类似于词袋的方法得到整幅图像的特征向量,最后使用相似度比较的方法进行分类识别。实验表明,在此提出的方法比传统的基于稀疏表示的人脸识别方法在训练样本较少时效果更好。     

基于离散余弦变换和支持向量机的人脸识别研究

提出了一种基于图片分割的人脸特征提取方法,该方法利用二维离散余弦变换对每个子图进行分解,并提取其中最具代表性的系数作为该子图的特征,文中构造了一对多的支持向量机作为分类器来识别不同的人脸。基于ORL人脸数据库对算法性能进行了模拟,实验结果表明,所提出的算法实现简单,并具有较好的性能。     

二维离散余弦变换/逆离散余弦变换电路及方法

为了实现二维离散余弦变换(DCT)/逆离散余弦变换(IDCT),本文提供一种二维离散余弦变换/逆离散余弦变换电路,采用一个加法器和两个移位器代替一个乘法器,通过选择特定的系数,使得硬件电路无需使用耗费资源较多、速度较慢的乘法器,是一种高效的无乘法器的DCT变换电路。该电路只需要很少的加法器和移位器,并可以达到很高的精度。     

基于离散余弦变换的图像压缩技术

对离散余弦变换DCT的实现原理及过程进行了介绍，并通过实验，分析了应用DCT变换压缩的重构图像与原始图像比较的优越性，以及DCT变换的缺陷。     

离散Gabor变换与离散余弦变换在图像编码中性能的比较

本文介绍了二维实值离散Ｇａｂｏｒ变换（ＲＤＧＴ）的快速算法,并着重探讨了二维实值离散Ｇａｂｏｒ变换与二维离散余弦变换在图像编码中的性能及差异。     

基于离散余弦变换的图像压缩研究

图像压缩是数据压缩技术在数字图像上的应用,其目的是减少图像数据中的冗余信息,从而用更加高效的格式存储和传输数据。图像压缩可以是有损数据压缩也可以是无损数据压缩。这里所研究的是有损压缩技术,对于此类技术,变换编码是最常用的方法,如离散余弦变换（DCT）或者小波变换这样的傅里叶相关变换,然后进行量化和用熵编码法压缩。     

利用离散余弦变换的语音信号压缩方案

利用离散余弦变换后的语音信号能量主要集中在低频段的特点以及语音信号的短时平稳性，研究三种基于一维离散余弦变换的语音压缩方案。Matlab仿真结果表明三种方案的数据压缩率高，重建语音信号具有艮好的清晰度和自然度。     

A new optimal digital halftoning technique based on the discrete cosine transform

Digital halftoning is a technique to display a gray-level image with a bilevel device. Conventionally, most halftoning techniques are done in the spatial domain. A new halftoning technique based on the discrete cosine transform is proposed. The method chooses an optimal bilevel image to display the original gray-level image and minimize the weighted mean square error based on the discrete cosine transform domain. The simulation results indicate that our algorithm can produce very good halftoned images without false contours.     

离散余弦变换和全息技术相融合的图像压缩感知重构

为了获得理想的图像重构效果,提出一种基于离散余弦变换和全息技术相融合的图像重构算法。首先采用离散余弦变换对图像进行分解保留少数的低频分量,从而构建压缩感知的稀疏基加快重构速度,然后采用全息技术对图像重构结果进行处理,提高图像重构效果,最后采用仿真实验测试算法的性能。实验结果表明,相对于当前经典图像重构算法,本文算法不仅提高了图像重构质量,而且加快了图像重构速度,具有较好的实际应用价值。     

结合主成分分析和局部导数模式的人脸识别方法

针对基于局部模式的人脸识别方法特征维数高、计算复杂度高、识别时间长的问题,提出一种结合主成分分析和局部导数模式的人脸识别方法,并针对如何解决光照、人脸表情等方面的问题提出了改进的编码方法。该方法首先将人脸图像分成很多小的区域,然后在每一个小区域中用改进的编码方法进行编码,并建立该区域的局部导数直方图,然后采用主成分分析法对所有直方图向量进行降维得到特征向量,最后利用最近邻分类器计算相似度。实验表明,这里提出的结合主成分分析和局部导数模式方法无论在识别率还是在运算速度上都优于传统的识别算法。     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;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...     

基于流形学习的遮挡条件下表情识别方法

提出了一种识别遮挡图像表情的方法。先用主元分析(PCA,principal component analysis)算法对遮挡图像重建;然后根据正态分布理论检测出遮挡区域,并根据图像的部分相似性,将遮挡图像嵌入到流形空间中;最后用支持向量机(SVM,support vector machine)实现表情分类。本方法较好地消除了遮挡区检测误差对表情识别的影响,对遮挡图像的表情识别具有良好的鲁棒性。通过Cohn-Kanade和JAFFE人脸库上的表情识别实验,验证了本方法有较强的鲁棒性、较高的识别率和较高的运行效率。     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

基于核主成分分析的二次雷达脉冲信号初始特征提取

针对二次雷达脉冲信号的特征选择与分类问题进行研究,提出了一种基于核主成分分析(KPCA)的初始特征提取方法.根据二次雷达脉冲信号的特点,首先经过数据整编、预处理,获取样本的初始特征参数;然后利用KPCA方法对特征参数进行主成分组合,以消除信号特征间的相关性和压缩特征向量的维数,最后利用聚类工具进行分类.数学分析和可视化实验结果都表明这种分析方法是有效的.试验还表明,KPCA在特征选取方面性能优于PCA.