基于低秩表示的非负张量分解算法

为了提高图像分类准确率,提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展,低秩表示将矩阵的秩作为一种稀疏测度,由于矩阵的秩反映了矩阵的固有特性,所以低秩表示能有效的分析和处理矩阵数据,本文把低秩表示引入到张量模型中,即引入到非负张量分解算法中,进一步扩展非负张量分解算法。实验结果表明,本文所提算法与其他相关算法相比,分类结果较好。     

基于特征融合的多约束非负矩阵分解算法

针对非负矩阵分解后数据的稀疏性降低、单一图像特征不能够很好地描述图像内容的问题,提出一种基于特征融合的多约束非负矩阵分解算法。该算法不仅考虑了少量已知样本的标签信息和稀疏约束,还对其进行了图正则化处理,而且将分解后的具有不同稀疏度的图像特征进行了融合,从而增强了算法的聚类性能和有效性。在Yale-32和COIL20数据集上进行的对比实验进一步验证了该算法具有更好的聚类精度和稀疏性。     

基于超图正则化非负Tucker分解的图像聚类算法

针对非负张量分解应用于图像聚类时忽略了高维数据内部几何结构的问题,在经典的张量非负Tucker分解的基础上,添加超图正则项以尽可能多地保留原始数据的内在几何结构信息,提出一种基于超图正则化非负Tucker分解模型HGNTD。通过构造超图刻画数据内部样本间的高阶关系,提高几何结构描述的准确性,针对超图正则化非负张量分解模型,基于交替非负最小二乘法,设计快速有效的超图正则化非负Tucker分解算法求解所给模型,证明算法在非负的条件下是收敛的,最终将算法应用于图像聚类。在Yale和COIL两个常用公开数据集上的实验结果表明,相对于k-means、非负矩阵分解、图正则化非负矩阵分解、非负Tucker分解和图正则化非负Tucker分解等算法,超图正则化非负Tucker分解算法聚类准确度提升了8.6%~11.4%,归一化互信息提升了2.0%~7.5%,具有更好的聚类效果。     

稀疏约束下非负矩阵分解的增量学习算法

非负矩阵分解(NMF)是一种有效的子空间降维方法。为了改善非负矩阵分解运算规模随训练样本增多而不断增大的现象,同时提高分解后数据的稀疏性,提出了一种稀疏约束下非负矩阵分解的增量学习算法,该算法在稀疏约束的条件下利用前一次分解的结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性。在ORL和CBCL人脸数据库上的实验表明了该算法降维的有效性。     

稀疏约束图正则非负矩阵分解的增量学习算法

针对非负矩阵分解后数据的稀疏性降低、训练样本增多导致运算规模不断增大的现象,提出了一种稀疏约束图正则非负矩阵分解的增量学习算法。该方法不仅考虑数据的几何信息,而且对系数矩阵进行稀疏约束,并将它们与增量学习相结合。算法在稀疏约束和图正则化的条件下利用上一步的分解结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性。在ORL和PIE人脸数据库上的实验结果表明了该算法的有效性。     

L1范数约束正交子空间非负矩阵分解

针对非负矩阵分解（NMF）相对稀疏或局部化描述原数据时导致的稀疏能力和程度比较弱的问题,提出了L1范数约束正交子空间非负矩阵分解方法.通过将L1范数约束引入到正交子空间非负矩阵分解的目标函数中,提升了分解结果的稀疏性.同时给出累乘迭代规则.在UCI、ORL和Yale三个数据库上进行的实验结果表明,该算法在聚类效果以及稀疏表达方面优于其他算法.     

基于张量奇异值分解的动态核磁共振图像重建

本文为了改善动态MR图像重建质量,提出了一种结合张量奇异值分解和全变分稀疏模型(TV)的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范,分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明,在相同采样率下本文算法与单独使用全变分方法,k-t SLR方法,单独使用张量奇异值分解方法相比重建质量更优,在峰值信噪比(PSNR),均方差(MSE)和结构相似性度量(SSIM)的评价指标上有所提高,对图像去噪去模糊重建有具体的应用价值。     

双层非负矩阵分解的分形图像压缩算法

分形图像压缩作为一种基于结构的图像压缩技术,在许多图像处理中得到了应用。但是分形图像压缩的编码阶段非常耗时,且重建图像的质量效果不佳。针对这些问题,提出了一种基于双层非负矩阵分解的分形图像压缩编码算法。在传统的非负矩阵分解理论上,将投影非负矩阵分解与[L3/2]范数约束相结合,可以在较短的时间内提取具有代表性的图像特征。算法采用双层非负矩阵分解提取原始图像的特征,对图像的特征进行[K]均值聚类,根据对应索引得到分类的图像块,在相应类别块里进行正交稀疏分解得到分形码,最后重建图像。实验结果表明,与快速稀疏分形图像压缩理论重建的图像相比,双层非负矩阵分解的分形压缩算法提高了重建图像的质量,同时缩短了编码时间。     

非负张量分解的快速算法*

作为非负矩阵分解的多线性推广,非负张量分解已被成功地应用在信号处理、计算机视觉、数据挖掘和神经科学等领域中.提出了非负张量分解的一种快速算法.首先,将大的张量数据视做多元连续函数的离散化,对其进行采样得到一个小张量;其次,对小张量执行非负分解,可得到它的重构张量;然后,对于采样后的重构张量,使用二维线性插值方法对原始张量进行重构;最后,实验结果表明快速张量分解算法的有效性.     

基于用户近邻的N维张量分解推荐算法

基于张量分解的推荐算法存在推荐精度较低和数据稀疏的问题。为此,在传统的张量分解模型基础上,引入用户近邻信息,提出一种新的N维张量分解算法。利用上下文感知信息,把隐式反馈信息作为张量的第3维度,以建立N维张量分解模型,为进一步提高推荐质量,加入用户近邻信息来优化N维张量分解模型,以提高张量分解推荐算法的准确率。实验结果表明,融合用户近邻的张量分解推荐算法比传统的张量分解算法具有更好的准确性,能有效解决稀疏性和准确性问题。     

基于Kmeans与SVM结合的遥感图像全自动分类方法*

遥感图像分类方法通常采用监督的学习算法,它需要人工选取训练样本,比较繁琐,而且有时很难得到;而非监督学习算法的分类精度通常很难令人满意.针对这些缺陷,提出一种基于K-means与支持向量机(SVM)结合的遥感图像全自动分类方法.首先使用K-means聚类算法对样本进行初始聚类,根据每类中样本数及其稀疏程度选取一些点作为标记的学习样本训练SVM分类器,然后用SVM对原始数据重新分类.Iris数据和遥感数据的实验结果均验证了新方法的有效性.     

A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data

This study proposes a new four-component algorithm for land use and land cover (LULC) classification using RADARSAT-2 polarimetric SAR (PolSAR) data. These four components are polarimetric decomposition, PolSAR interferometry, object-oriented image analysis, and decision tree algorithms. First, polarimetric decomposition can be used to support the classification of PolSAR data. It is aimed at extracting polarimetric parameters related to the physical scattering mechanisms of the observed objects. Second, PolSAR interferometry is used to extract polarimetric interferometric information to support LULC classification. Third, the main purposes of object-oriented image analysis are delineating image objects, as well as extracting various textural and spatial features from image objects to improve classification accuracy. Finally, a decision tree algorithm provides an efficient way to select features and implement classification. A comparison between the proposed method and the Wishart supervised classification which is based on the coherency matrix was made to test the performance of the proposed method. The overall accuracy of the proposed method was 86.64%, whereas that of the Wishart supervised classification was 69.66%. The kappa value of the proposed method was 0.84, much higher than that of the Wishart supervised classification, which exhibited a kappa value of 0.65. The results indicate that the proposed method exhibits much better performance than the Wishart supervised classification for LULC classification. Further investigation was carried out on the respective contribution of the four components to LULC classification using RADARSAT-2 PolSAR data, and it indicates that all the four components have important contribution to the classification. Polarimetric information has significant implications for identifying different vegetation types and distinguishing between vegetation and urban/built-up. The polarimetric interferometric information extracted from repeat-pass RADARSAT-2 images is important in reducing the confusion between urban/built-up and vegetation and that between barren/sparsely vegetated land and vegetation. Object-oriented image analysis is very helpful in reducing the effect of speckle in PolSAR images by implementing classification based on image objects, and the textural information extracted from image objects is helpful in distinguishing between water and lawn. The decision tree algorithm can achieve higher classification accuracy than the nearest neighbor classification implemented using Definiens Developer 7.0, and the accuracy of the decision tree algorithm is similar with that of the support vector classification which is implemented based on the features selected using genetic algorithms. Compared with the nearest neighbor and support vector classification, the decision tree algorithm is more efficient to select features and implement classification. Furthermore, the decision tree algorithm can provide clear classification rules that can be easily interpreted based on the physical meaning of the features used in the classification. This can provide physical insight for LULC classification using PolSAR data.     

基于半监督模糊C均值算法的遥感影像分类

遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SS-AIT2FCM）。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

网格技术在遥感图像监督分类中的应用

在遥感图像监督分类中经常遇到在单独PC下使用复杂的遥感图像分类算法来实现对大数据量遥感图像监督分类的情况。在这种情况下,由于遥感图像监督分类算法的复杂性与单独PC计算能力的限制导致处理效率低下,并有可能出现内存溢出等状况。经过对网格技术与遥感图像监督分类的研究,给出基于网格环境的遥感图像监督分类算法处理该类问题的解决方案,并使用B/S结构为该应用创建可扩展测试与实验结果查看平台。实验结果表明,此方案有效提高大数据遥感图像分类的效率。     

Semantic classification for hyperspectral image by integrating distance measurement and relevance vector machine

Accurate hyperspectral image classification requires not only image features but also semantic concept. Similarity and relevance relation are both key factors in building image features and semantic measurement. To perform hyperspectral image classification from the viewpoint of semantic, this study focuses on creating a semantic annotation-based image classification method with relevance and similarity measurement. First, the computational model of relevance vector machine is utilized to perform cluster computation for hyperspectral image data. Then multi-distance learning algorithm is optimized as holding capability for multiple dimensions data. The proposed multi-distance learning algorithm with multiple dimensions is used to measure the similarity, according to the result of cluster computation through relevance vector machine. Finally, semantic annotation is introduced to complete classification of hyperspectral image with semantic concept. Validation with the ground truth data illustrates that the proposed method can provide more accurate and integrated classification result compared with the other methodologies. Therefore, the integration of similarity and relevance measurement is able to improve the performance of hyperspectral image classification.     

基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

基于稀疏表示全局字典学习的图像分类方法

针对传统的稀疏表示字典学习图像分类方法在大规模分布式环境下效率低下的问题,设计一种基于稀疏表示全局字典的图像学习方法。将传统的字典学习步骤分布到并行节点上,使用凸优化方法在节点上学习局部字典并实时更新全局字典,从而提高字典学习效率和大规模数据的分类效率。最后在MapReduce平台上进行并行化实验,结果显示该方法在不影响分类精度的情况下对大规模分布式数据的分类有明显的加速,可以更高效地运用于各种大规模图像分类任务中。     

遥感图像波谱角并行分类算法

针对海量遥感数据处理提出了一种遥感图像波谱角并行分类算法.该算法是基于单机波谱角算法.针对其处理遥感图像数据速度慢、效果差、内存不足等缺点,提出了在集群环境下遥感图像波谱角并行分类算法的同步、互斥和负载均衡等策略,以及在多台设备上并行处理的方法.通过对算法的时间复杂度、加速比进行分析,并在集群环境下进行实例验证,将分类图像与知名软件ENVI进行对比,验证了算法的优越性和有效性.     

基于集成分类算法的自动图像标注

基于语义的图像检索技术中,按照图像的语义进行自动标注是一个具有挑战性的工作. 本文把图像的自动标注过程转化为图像分类的过程,通过有监督学习对每个图像区域分类并得到相应关键字,实现标注. 采用一种快速随机森林(Fast random forest, FRF)集成分类算法,它可以对大量的训练数据进行有效的分类和标注. 在基于Corel数据集的实验中,相比经典算法, FRF改善了运算速度,并且分类精度保持稳定. 在图像标注方面有很好的应用.