抑制图像纹理的岩石节理裂隙检测

岩石节理裂隙图像由于噪声多、色彩复杂而分割困难,同时岩石节理裂隙检测在工程应用中又具有重要意义。将彩色图像从RGB转换到CIELAB色彩空间后,计算其方差图像。并将原始图像与方差图像相减得到图像的势能向量,同时利用小波系数进行加权,以此抑制岩体纹理噪声。最后,通过图像形态学方法获得边缘图像。实验结果表明,算法可以较好地抑制纹理噪声并能精确定位,以及获得理想的岩石节理裂隙边缘图像。     

基于分数阶微分和形态学多级合成的岩石节理裂隙图像分割

岩石节理裂隙形状复杂且无规则,图像中带有大量噪声,利用传统的图像分割方法很难达到很好的分割效果。提出了一种基于分数阶微分和数学形态学多级合成的边缘检测方法。首先对岩石裂隙图像进行噪声滤除、图像分割、空腔填充、短枝去除等操作,然后使用分数阶微分的方法进行预处理,最后采用改进形态学多级合成方法得到结果。实验结果表明,该方法与传统算子相比,对岩石节理裂隙图像具有较好的边缘检测能力和抗噪性。     

基于自组织动态神经网络的图像分割

图像分割是图像处理和模式识别的重要课题,而图像特征空间聚类是图像分割的一种重要方法,认为图像的特征是图像中待分割物体表面所特有而且恒定的特征,并将图像的特征映射到某种几何空间,称为特征空间,并且假定图像中不同的待分割物体在该特征空间中呈现为不同的聚集,提出了自组织动态网络(SODNN)聚类算法,并且利用该算法对图像特征空间聚类.该算法实现了神经网络结构的快速生长和动态调节,具有自动适应数据内在分布特征和聚类结果更为准确稳定的特点.利用SODNN算法对图像颜色空间进行聚类的同时综合了图像的位置信息来实现图像分割.实验表明分割结果与人工分割结果具有较好的一致性.     

人脸检测的贝叶斯特征判别方法

研究了人脸检测的贝叶斯特征判别法,该方法包括三个部分:原始图像的特征判别分析、人脸区和其它区的统计建模以及贝叶斯分类器。特征分析包括一维Harr小波变换和幅度投影,后者可以获取人脸图像垂直方向对称分布和水平方向特征。统计建模将人脸部分看作多维正态分布,估算其条件概率密度函数(PDF)。最后使用贝叶斯分类器检测人脸。该方法具有很好的外推能力。     

基于余类零空间与最近距离的人脸识别算法

提出了一种新的人脸识别算法,即基于余类零空间与最近距离的人脸识别算法. 通过构建不同类别的人脸图像的余类零空间与子空间,可以将不同类别的人脸最大化地区别出来. 本算法的主要思想在于：测试图像与所属类别图像的子空间之间的距离最小,而与所属类别的图像的余类零空间距离最大. 本算法基于ORL数据集与AR数据集进行了测试. 从这些人脸数据集上的测试结果可以看出,本文提出的算法在PCA降维方法的基础上,比一些常见的算法所使用的判别方式更有效,如最近邻分类器（NN）所使用的最近距离判别方式、最近空间分类器（NS）所使用的最近空间距离判别方式、最近最远子空间分类器（NFS）所使用的最近最远空间距离判别方式等.     

基于SLIC方法的光照偏强农田图像分割研究

精准农业是未来农业发展的趋势,而农田图像分割是精准农业的前提与基础。针对光照偏强条件下农田图像高光点区域丢失植物绿色特征对图像分割质量的影响,以SLIC方法和YCrCb颜色空间中的Cg分量为基础,利用不同分类器实现光照偏强条件下农田图像分割的研究。首先采用SLIC对农田图像进行预处理,获取超像素模块;为避免植物叶面因光照偏强出现高光点区域丢失部分绿色特征,引入YCrCb颜色空间模型中的Cg分量和超绿颜色因子提取特征;为避免监督学习对训练样本要求高,采用半监督学习,将有标签样本和无标签样本进行混合;最后采用不同的分类器进行图像分割,并对实验结果采用混淆矩阵和Kappa系数进行评价。对比实验结果可得,采用距离判别法核函数为diagQuadratic的图像分割效果较其他方法较好,分割正确率较高。     

基于主题模型对象判别特征的场景识别

为了解决场景识别中存在的类内差异性与类间相似性问题,提出一种基于主题模型的对象判别特征的场景识别方法。首先,使用双卷积神经网络模型提取图像的全局空间特征和对象特征;然后用主题模型的方法对对象特征进行描述,将非欧几里得空间中的判别向量投影到欧几里得空间,得到对象判别图像描述符;最后将全局空间特征和对象判别图像描述符相融合,并采用分类器进行分类。实验结果表明,所提出的方法具有更好的场景分类性能。     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

基于紫外光图像的岩石裂隙骨架抽取

利用数字图像技术对基于紫外光的岩石裂隙图像进行裂隙骨架抽取。首先对岩石裂隙图像进行噪声滤除、图像分割、空腔填充、短枝去除等图像处理操作,然后在分析了骨架特性和骨架抽取算法的基础上提出了基于结构元素的逐层细化算法。经实验得知,该算法可以高效地抽取较理想的岩石裂隙骨架,且算法稳定,行之有效。     

基于游程特征的文本图像识别方法

提出了一种基于游程特征的中英文本图像识别方法,用游程统计特征提供的图像信息作为图像模式识别的描述特征,在此基础上利用神经网络来训练分类器。实验结果表明,该方法的识别精度较高,具有一定的容错能力。     

基于Bhattacharyya距离准则的核空间特征提取算法

提出了一种新的以Bhattacharyya距离为准则的核空间特征提取算法．该算法的核心思想是把样本非线性映射到高维核空间．在核空间中寻找一组最优特征向量，然后把样本线性映射到低维特征空间，使类别间的Bhattacharyya距离最大。从而保证Bayes分类误差上界最小．采用核函数技术，把特征提取问题转化为一个QP(Quadratic Programming)优化问题．保证了算法的全局收敛性和快速性．此算法具有两个优点：(1)该算法提取的特征对数据分类来说更有效；(2)对于给定的模式分类问题，算法可以预测出在不损失分类精度情况下所必须的特征向量数目的上界，并能够提取出分类有效特征．实验结果表明，该算法的性能与理论分析的结论相吻合，优于目前常用的特征提取算法．     

基于FKPCA与双决策子空间的人脸识别

针对人脸识别中的小样本问题,提出一种快速核主元分析(FKPCA)与双决策子空间的人脸识别方法。利用FKPCA方法将原始样本空间映射到高维空间,在高维空间中实现原始样本的降维,在双决策子空间分别用Fisher准则和类间散布判决准则提取常规信息和非常规信息,通过加权欧式距离进行信息融合并用最近邻分类器进行识别。在ORL人脸库上的实验结果表明,该方法具有较高的识别率与较快的识别速度。     

一种2D+3D人耳融合识别方法研究

提出一种2D和3D模式相融合的人耳识别方法.利用基于Adaboost算法的人耳检测器在2D图像上进行人耳检测,在对应的深度图像中定位出人耳区域.对于2D人耳图像,利用核Fisher鉴别分析法进行特征提取,再利用最近邻分类器进行识别;对于3D人耳深度图,利用3D局部二值模式进行特征提取,结合几何约束和位置约束在测试耳和注册原型耳上进行特征点匹配,并利用匹配点数进行识别.最后将两者进行决策层融合.在UND人耳图像库上的实验结果表明,与单独2D或3D人耳识别相比,文中提出的2D+3D人耳融合识别方法在光照变化情况下能取得更好的识别性能.     

核典型相关性鉴别分析

提出一种新的基于典型相关性的核鉴别分析,以图片集为基础的人脸识别算法。把每个图片集映射到一个高维特征空间,然后通过核线性鉴别分析(KLDA)处理,得到相应的核子空间。通过计算两典型向量的典型差来估计两个子空间的相似度。根据核Fisher准则,基于类间典型差与类内典型差的比率建立核子空间的相关性来得到核典型相关性鉴别分析(KDCC)算法。在ORL、NUST603、FERNT和XM2VTS人脸库上的实验结果表明,该算法能够更有效提取样本特征,在识别率上要优于典型相关性鉴别分析(DCC)和核鉴别转换(KDT)算法。     

Distance-Based Classifier via the Kernel Trick

For classifying large data sets, we propose a discriminant kernel that introduces a nonlinear mapping from the joint space of input data and output label to a discriminant space. Our method differs from traditional ones, which correspond to map nonlinearly from the input space to a feature space. The induced distance of our discriminant kernel is Eu- clidean and Fisher separable, as it is defined based on distance vectors of the feature space to distance vectors on the discriminant space. Unlike the support vector machines or the kernel Fisher discriminant analysis, the classifier does not need to solve a quadric program- ming problem or eigen-decomposition problems. Therefore, it is especially appropriate to the problems of processing large data sets. The classifier can be applied to face recognition, shape comparison and image classification benchmark data sets. The method is significantly faster than other methods and yet it can deliver comparable classification accuracy.     

人脸识别中基于核的子空间鉴别分析

尽管基于Fisher准则的线性鉴别分析被公认为特征抽取的有效方法之一，并被成功地用于人脸识别，但是由于光照变化、人脸表情和姿势变化，实际上的人脸图像分布是十分复杂的，因此，抽取非线性鉴别特征显得十分必要。为了能利用非线性鉴别特征进行人脸识别，提出了一种基于核的子空间鉴别分析方法。该方法首先利用核函数技术将原始样本隐式地映射到高维（甚至无穷维）特征空间；然后在高维特征空间里，利用再生核理论来建立基于广义Fisher准则的两个等价模型；最后利用正交补空间方法求得最优鉴别矢量来进行人脸识别。在ORL和NUST603两个人脸数据库上，对该方法进行了鉴别性能实验，得到了识别率分别为94％和99．58％的实验结果，这表明该方法与核组合方法的识别结果相当，且明显优于KPCA和Kernel fisherfaces方法的识别结果。     

基于核主元分析的神经网络控制图模式识别

针对异常特征之间存在较大的相似性而带来的网络结构复杂和识别精度不高的问题,提出一种基于核主元分析的神经网络控制图模式识别方法。先通过核方法将低维空间中的非线性特征转化为高维空间中的线性特征,再将其进行线性组合并向低维空间投影,然后用BP神经网络分类器对控制图模式进行识别。通过仿真进行验证,结果显示该方法对控制图各个模式能够有效聚类,并且识别精度得到提高。     

Capitalize on dimensionality increasing techniques for improving Face Recognition Grand Challenge performance

This paper presents a novel pattern recognition framework by capitalizing on dimensionality increasing techniques. In particular, the framework integrates Gabor image representation, a novel multiclass Kernel Fisher Analysis (KFA) method, and fractional power polynomial models for improving pattern recognition performance. Gabor image representation, which increases dimensionality by incorporating Gabor filters with different scales and orientations, is characterized by spatial frequency, spatial locality, and orientational selectivity for coping with image variabilities such as illumination variations. The KFA method first performs nonlinear mapping from the input space to a high-dimensional feature space, and then implements the multiclass Fisher discriminant analysis in the feature space. The significance of the nonlinear mapping is that it increases the discriminating power of the KFA method, which is linear in the feature space but nonlinear in the input space. The novelty of the KFA method comes from the fact that 1) it extends the two-class kernel Fisher methods by addressing multiclass pattern classification problems and 2) it improves upon the traditional Generalized Discriminant Analysis (GDA) method by deriving a unique solution (compared to the GDA solution, which is not unique). The fractional power polynomial models further improve performance of the proposed pattern recognition framework. Experiments on face recognition using both the FERET database and the FRGC (Face Recognition Grand Challenge) databases show the feasibility of the proposed framework. In particular, experimental results using the FERET database show that the KFA method performs better than the GDA method and the fractional power polynomial models help both the KFA method and the GDA method improve their face recognition performance. Experimental results using the FRGC databases show that the proposed pattern recognition framework improves face recognition performance upon the BEE baseline algorithm and the LDA-based baseline algorithm by large margins.