基于空间-色度多维向量模糊量化的彩色图象压缩

在Ｆｕｚｚｙｋ－ｍｅａｎｓ算法的基础上,考虑到真实图象中的色度信息与空间相关性,提出了空间－色度复合的多维向量模糊聚类量化方法。它能有效地压缩彩色图象信息,量化失真小,并在不使图象边缘钝化的条件下去除图象的高频噪声。该方法在彩色图象处理的实验中取得了良好的效果     

亚采样彩色CCD图象的重建

在彩色图象传输、采集、存贮过程中，一般都采用对色度通道进行压缩的技术来减少图象占用的系统资源，在重建中，采用大面积着色的方法来重建图象。但这种方法会在图象的细节部分引入较大的误差，为了在实际应用中得到最佳的重建彩色图象，就需要研究在色度通道亚采样的情况下，如何利用了完备的数据有效地重建图象。针对CCD彩色图象的空间量化特点，提出了一种利用自然图象的约象条件和人眼视觉生理学特点重建CCD彩色图象的方法。该方法利用高分辩率的通道数据来获得图象的细节信息，并且利用图象各通道间的细节相似性（同变性）来获得低分辩率通道的图象细节。通过实验证明，该方法有效地提高了图象的清晰渡，消除了CCD图象重建中常见的伪彩和图象模糊等现象，可以用于数码相机或多光谱遥感图象处理等方面。     

一种用于彩色图象量化的快速聚类算法

为了对彩色图象进行有效地压缩处理,提出了一种基于模式识别技术的图象量化新算法（FSCAMMD）,该算法首先把彩色图象中的颜色样本归为一类,并采用最大频度与类内最小距离最大相结合的方法选取初始类代表点--初始值优选法;然后采用欧氏距离聚类准则及重心法,求得新聚类域中心的向量值,从而得到了令人满意的量化效果。该算法不仅克服了SCA算法对聚类中心初始值选取的不足,较大幅度地减少了彩色图象量化后的总方差以及颜色失真度,而且较好地解决了重建彩色图象的整体层次与局部细节之间的矛盾,其量化效果优于SCA和其他一些聚类量化算法。     

阈值分割与颜色聚类相结合的色度学图象分割方法

根据真彩色图象象素在3D彩色空间呈现聚类分布的特点,可利用基于直方图的多维空间滤波技术得到目标图象,但会产生丢失目标信息的过度分割现象。采用颜色聚类方法改善此现象,在保证算法速度的基础上,大大提高了真彩色图象的分割效果,并对不同彩色模型和聚类中心有较好的鲁棒性,在医学染色图象处理中得到很好应用。     

彩色视频的四维矩阵离散余弦变换编码

为了在高信噪比条件下获得对彩色视频的高倍压缩 ,提出了 4维矩阵及 4维矩阵离散余弦变换理论 ,并将该理论应用于彩色视频编码 .基于 4维矩阵离散余弦变换的彩色视频编码方法将彩色视频的多个帧放在一个统一的数学模型 (即 ,4维矩阵 )中考虑 ,利用 4维矩阵离散余弦变换去除其间的各种相关性 ,并通过矢量量化对变换系数进行压缩编码 .其方法可以同时全面利用彩色视频图象相邻像素间、彩色空间 Y、U、V 3分量间 ,以及视频图象相邻帧之间的相关性 .实验结果证明 ,对可视电话和视频会议等应用中的彩色视频序列图象 ,利用该方法可在高信噪比条件下获得较高压缩比的编码效果     

一种基于YUV空间的彩色形态多分辨率分析

该文基于YUV空间提出了彩色图象的彩色形态采样,得到了彩色图象的多分辨率表示方法。基于YUV彩色坐标系统上的彩色形态变换,研究了彩色形态采样及两种彩色形态重建,即彩色形态膨胀重建和彩色形态腐蚀重建。提出了相应的彩色图象分析与合成方法,并给出了实验结果。     

一种新的彩色图象边缘检测方法

通过对HSV彩色视觉模型的分析,充分利用边缘信息的多尺度特性、小波变换和多尺度基本形式的特性,提出了基于HSV色度空间的,应用小波多尺度基本形式对彩色图象进行多尺度边缘检测的新方法.实验结果表明,该方法能准确检测出彩色图象的边缘,效果较好.     

一种基于K-means的色彩量化快速算法

用K-means算法量化彩色图象能够取得很好的视觉效果,但由于初始聚类中心选取的任意性,导致迭代次数过多,运行时间过长.本文提出的色彩量化算法在吸取K-means算法的迭代思想的基础上,借鉴统计学原理,选取出现频率最高且在色彩空间相互之间距离大于某一阈值的一组颜色作为初始聚类中心.这样既保留了输入图象的主颜色,又尽可能多地表达更加丰富的颜色.实验表明在有效保证量化后图象的质量的同时,该算法能使运行效率得到明显地改进.     

用聚类算法提取基于彩色特征的语义物体

该文提出一种用聚类算法提取基于彩色特征的语义物体的方法。首先把RGB空间转化为L*a*b*空间,然后用最近邻算法进行聚类,把图象中象素依次聚类到各个颜色区域中,最后,根据彩色信息提取出语义物体,实验表明该方法具有实用性,并且对图象语义信息的研究有很大的帮助。     

关于彩色图象处理的形态学算子研究

彩色形态变换是数学形态学从灰度图象到彩色图象的推广,基于ＲＧＢ（ｒｅｄ－ｇｒｅｅｎ－ｂｌｕｅ）彩色坐标系统,提出了彩色形态变换的理论,并讨论了它们的性质,进而建立了彩色形态变换与灰度形态学的联系,彩色形态变换作为一种数学形态学方法在彩色空间的延拓,可有效地应用于彩色图象处理、图象编码和目标形状特征提取等。     

基于模糊矢量量化图象编码的研究

分析了模糊矢量量化（ＦＶＱ）图象编码的原理，给出了ＦＶＱ设计三要素。提出了用于图象编码的指数型模糊矢量量化算法（ＦＶＱＥ）。实验结果表明，ＦＶＱＥ的图象编码性能与ＦＶＱ相当，但收敛速度要略快于ＦＶＱ算法。     

基于模糊神经网络的彩色图像滤波方法

提出一种基于模糊神经网络的彩色图像滤波方法．该方法将滤波窗口内的像素矢量作为模糊神经网络的输入，根据像素间的矢量距离进行模糊化，通过模糊推理实现对各个像素加权求均值，得到中心像素的输出．输入的模糊化和模糊推理参数由神经网络的自学习功能自动调整，实现最优的滤波效果．对样本图像的处理结果表明，该滤波方法对不同类型的噪声均有较好的滤波效果。     

Fuzzy algorithms for learning vector quantization

This paper presents the development of fuzzy algorithms for learning vector quantization (FALVQ). These algorithms are derived by minimizing the weighted sum of the squared Euclidean distances between an input vector, which represents a feature vector, and the weight vectors of a competitive learning vector quantization (LVQ) network, which represent the prototypes. This formulation leads to competitive algorithms, which allow each input vector to attract all prototypes. The strength of attraction between each input and the prototypes is determined by a set of membership functions, which can be selected on the basis of specific criteria. A gradient-descent-based learning rule is derived for a general class of admissible membership functions which satisfy certain properties. The FALVQ 1, FALVQ 2, and FALVQ 3 families of algorithms are developed by selecting admissible membership functions with different properties. The proposed algorithms are tested and evaluated using the IRIS data set. The efficiency of the proposed algorithms is also illustrated by their use in codebook design required for image compression based on vector quantization.     

模糊支持向量机中隶属度的确定与分析

针对目前模糊支持向量机方法中，一般使用特征空间中样本与类中心之间的距离关系构建隶属度函数的不足，提出了一种新的有效地反映样本不确定性的隶属度计算方法——基于样本紧密度的隶属度方法。在确定样本的隶属度时，不仅考虑了样本与类中心之间的关系，还考虑了类中各个样本之间的关系，并采用模糊连接度来度量类中各个样本之间的关系。将其应用于模糊支持向量机方法中，较好地将支持向量与含噪声或野值样本区分开。实验结果表明，采用模糊支持向量机方法，其分类错误率比采用支持向量机方法的错误率低，在使用的3种隶属度函数中，采用基于紧密度隶属度的模糊支持向量机方法抗噪性能最好，分类性能最强。     

Fuzzy relational clustering based on comparing two proximity matrices with utilization of particle swarm optimization

The first stage of knowledge acquisition and reduction of complexity concerning a group of entities is to partition or divide the entities into groups or clusters based on their attributes or characteristics. Clustering algorithms normally require both a method of measuring proximity between patterns and prototypes and a method for aggregating patterns. However sometimes feature vectors or patterns may not be available for objects and only the proximities between the objects are known. Even if feature vectors are available some of the features may not be numeric and it may not be possible to find a satisfactory method of aggregating patterns for the purpose of determining prototypes. Clustering of objects however can be performed on the basis of data describing the objects in terms of feature vectors or on the basis of relational data. The relational data is in terms of proximities between objects. Clustering of objects on the basis of relational data rather than individual object data is called relational clustering. The premise of this paper is that the proximities between the membership vectors, which are obtained as the objective of clustering, should be proportional to the proximities between the objects. The values of the components of the membership vector corresponding to an object are the membership degrees of the object in the various clusters. The membership vector is just a type of feature vector. Based on this premise, this paper describes another fuzzy relational clustering method for finding a fuzzy membership matrix. The method involves solving a rather challenging optimization problem, since the objective function has many local minima. This makes the use of a global optimization method such as particle swarm optimization (PSO) attractive for determining the membership matrix for the clustering. To minimize computational effort, a Bayesian stopping criterion is used in combination with a multi-start strategy for the PSO. Other relational clustering methods generally find local optimum of their objective function.     

一种改进的鲁棒模糊孪生支持向量机算法

针对模糊孪生支持向量机算法（FTSVM）对噪声仍然敏感,容易过拟合以及不能有效区分支持向量和离群值等问题,提出了一种改进的鲁棒模糊孪生支持向量机算法（IRFTSVM）。将改进的k近邻隶属度函数和基于类内超平面的隶属度函数结合,构造了一种新的混合隶属度函数;在FTSVM算法的目标函数中引入正则化项和额外的约束条件,实现了结构风险最小化,避免了逆矩阵运算,且非线性问题可以像经典的SVM算法一样直接从线性问题扩展而来;将铰链损失函数替换为pinball损失函数,以此降低对噪声的敏感性。此外,在UCI数据集和人工数据集上对该算法进行评估,并与SVM、TWSVM、FTSVM、PTSVM和TBSVM五个算法进行比较。实验结果表明,该算法的分类结果是令人满意的。     

基于模糊隶属函数的主元分析人脸识别算法

将一个人脸图象矩阵视为一矢量,先通过主元分析的方法构造优化的“人脸空间”,并在此基础上引入模糊数学中的矢量隶属函数、隶属度等概念,提出和设计了一种新的基于模糊隶属函数的主元分析人脸特征抽取和识别算法。实验结果表明,这种识别算法既可行又具有良好的识别能力。     

基于话者特征图案的BPNN话者模型

该文提出了一种用于说话人识别的基于话者特征图案的BPNN话者模型，该话者模型解决了语音信号的时长变化与神经网络输入层结点数固定不变之间的矛盾。利用VQ技术对所有话者的语音样本训练出话者特征图案，再将语音样本对该特征图案进行映射，在映射域解决了语音样本的时间规正问题。同时，该方法还提高了映射域参数的模式分类能力。     

一种新的分形图像压缩方法

文中提出了一种新的分形图像压缩方法。该方法将固定矢量的概念应用于分形块编码中,对图像的平缓区进行固定矢量的线性组合编码,对图像的丰富细分区用分形编码。