局部敏感判别直推学习机

为了充分挖掘样本内在的几何结构和蕴含的判别信息来指导样本数据分类,提出一种局部敏感的判别直推学习方法.该方法将局部敏感辨析（LSDA）的基本原理引入到直推学习中,在直推学习的正则化框架中同时引入有助于分类的样本局部结构信息和判别信息,在判别信息指导下构建了类内图和类间图来刻画类内紧性和类间散性,从而在每个局部邻域中进一步最大化类间样本的间隔.同时,用数学的形式给出了目标函数的解析表达,在几个典型数据集上的实验结果表明,相较传统的基于图的半监督学习算法,该方法能取得更高的分类效果.     

基于近邻保留PNMF特征提取的高光谱图像分类

通过对投影非负矩阵分解(PNMF)增加近邻保留假设,提出了一种新的高光谱图像线性特征提取方法———近邻保留投影非负矩阵分解(NPPNMF)。NPPNMF保留了高光谱数据在低维特征空间中的局部几何结构,克服了PNMF基于Euclidean的缺点。根据在构造k近邻图时是否使用训练样本的类标签信息决定了NPPNMF既可以是无监督的特征提取方法,也可以是有监督的特征提取方法,从而提高了PNMF算法的鉴别力。理论证明和高光谱图像数据的分类结果表明了该方法的有效性及应用潜力。     

基于局部保持线性判别嵌入特征提取的光谱图像分类

针对难于获得足够多的高光谱图像训练样本的问题,基于流形学习标准、Fisher标准和最大边缘标准,提出了一种适用于高光谱图像小样本问题的局部保持线性判别嵌入(LPLDE)监督线性流形学习特征提取方法。LPLDE方法利用类内近邻图和类间近邻图描述类内的紧性和类间的可分性,有效地避免了因类内离散度矩阵奇异导致的小样本问题,具有更好的判别性能,更适合于分类问题。高光谱数据的实验结果表明了该方法的有效性。     

应用黄金比Haar小波实现图像加密

探讨了Fibonacci序列,给出一些重要的相关性质.在此基础上研究了Fibonacci正交变换,进而将Fibonacci序列中的黄金比引入Hadamard变换,产生一种正交变换矩阵.为使正交变换矩阵的物理意义更加明确,提出一种基于黄金比（GR）的Haar小波变换,对所提出的黄金比Harr（GRH）小波在时、频域进行分析并将GRH应用于图像加密.实验结果表明,GRH变换不失为一种有效、便捷的可用于图像加密处理.与现有的图像加密算法相比,本文给出的方法具有图像加密所采用的矩阵构造便捷、加密算法简单、频域特性优良等特点;同时,加密矩阵正交、解密运算也简单.     

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.     

基于特征再分解的数据稀疏表示

针对因非负矩阵分解模型目标函数非凸而出现局部次优基特征平滑的现象,提出基于特征再分解的数据稀疏表示方法,在多种先验正则信息约束下初步挖掘原始数据的潜在特征,再秉承非负加性线性表示方式的"局部构成整体"的认知优势,利用非负矩阵分解对特征突显的信息再次凝练,获取数据潜在本征信息,实现非负数据稀疏表示.算法在合成的Swimmer和人脸图像数据的实验结果表明,与传统非负矩阵分解方法相比,该方法的基特征稀疏性得到增强,且判别能力也获得显著提高.     

适用于复杂结构的多路谱聚类算法的改进

为使多路谱聚类方法对复杂结构数据集有效地聚类,根据矩阵扰动理论,利用局部近邻关系更新谱聚类算法(NJW)中的初始相似度矩阵,得到最终的亲和矩阵.理论分析表明,数据集可划分时,该矩阵是理想块矩阵或接近理想块矩阵,保证了本文算法聚类划分的正确性.将本文算法和基于路径的谱聚类、密度敏感的谱聚类以及基于流平面排序的谱聚类进行了比较,结果表明,本文算法在数据集具有复杂分布结构时可以确定聚类个数,得到正确的聚类结果.进一步将本文算法用于真实数据集上的聚类分析,表明本文算法是有效的.     

基于权重曼哈顿非负矩阵分解的图像修复和聚类方法

当数据中存在大量椒盐噪声时,传统的鲁棒非负矩阵分解方法无法获得更具有鲁棒性的低维特征.为了解决该问题,本文提出了一种更具有鲁棒性的权重曼哈顿非负矩阵分解来修复被污染的数据点以及通过曼哈顿矩阵分解获得鲁棒的特征表示.本文提出的模型可以被看作为非凸非光滑的优化问题,可以通过加速梯优化理论和最小一乘法求其局部最优解.通过对人脸图像ORL数据集加入椒盐噪声,实验结果表明本文提出的算法在图像修复和学习特征表示方面更有效、更鲁棒.     

基于低秩矩阵分解和协作表示的人脸图像分类

为了降低干扰因素对人脸识别准确率的影响,提出一种基于低秩矩阵分解和协作表示的人脸图像分类算法。针对噪声阴影影响,使用鲁棒主分量分析(RPCA)对人脸数据进行低秩矩阵分解,去除干扰,得到较为干净的人脸图像。通过协作表示分类方法对经RPCA处理后的低秩分量图像进行分类,通过归一化的最小重构误差来判定测试样本的具体类标。在3个人脸数据集上对算法性能进行仿真测试,结果表明,该算法在10%到50%的标记率下较其他算法均能提升分类识别率。     

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.