基于改进的非负矩阵与模糊理论的图像融合

提出一种改进的非负矩阵与模糊理论相结合的图像融合方法,并给出了一种新的代价函数.该方法利用模糊理论将源图像化分为背景区域和目标区域,对源图像进行非负矩阵分解得到特征基图像,实现背景区域的融合,再将提取的目标区域特征与特征基图像融合得到最终融合图像.该方法很好地解决了非负矩阵分解过程迭代时可能出现迭代分母为零的情况,而且迭代过程的收敛更快,得到的最终的融合图像效果更好.仿真实验结果表明了该方法的有效性.     

基于不完全小波包分解的语音信号数据压缩

为有效解决现有语音信号压缩算法基本没有考虑人耳听觉特性,所划分出的子带与人耳听觉特性相去甚远,语音质量不高的问题,提出了一种基于不完全小波包分解的语音数据压缩算法.该算法充分考虑语音信号的特点以及人耳听觉特性,利用小波包合理分割子带,在每个子带内进行编码,并采用优化目标函数,作为选择最优小波基的评价函数,使划分出的子带更符合人耳听觉特性.实例仿真计算表明,该方法能取得较高的压缩率,压缩后恢复的语音信号具有良好的清晰度和自然度.     

牛顿迫近迭代算法在图像恢复中的应用

由光滑与非光滑函数构成的混合目标函数,传统的一阶优化算法,由于光滑函数一阶逼近的欠准确性和搜索步长的限制,很难获得目标函数的高精度解。针对此问题,提出二阶牛顿迫近算子分裂迭代算法。对光滑函数进行泰勒展开,获得目标函数的二阶转化模型,将转化模型分解为牛顿迭代子问题和迫近迭代子问题;给出牛顿迭代子问题的搜索方向和最优搜索步长;对算法的收敛特性进行分析。利用被系统和噪声退化的图像进行恢复实验,结果表明,该方法比现有方法峰值信噪比最高提高约2 dB,结构相似测度提高约3%。     

基于时空相似度量的复杂场景背景估计

针对复杂场景中背景的不完整性、背景噪声的影响以及场景中目标运动快慢不一等影响背景估计的因素,该文提出了一种基于时空相似度量的估计视觉监视场景背景的递进式策略。首先利用无运动假设分析时域相似度量矩阵中相邻时刻有运动的子块对,将相似度量矩阵分解为连续的相对平坦子相似矩阵;然后在子相似矩阵中,搜索候选背景子块集合,通过度量与邻近时刻的时域相似度及子块周围场景的空间相似度,判别最可能的背景子块;最后对于一直有运动目标遮挡的位置直接进行有损重建。该方法对噪声、运动目标速度有较强的适应性,计算代价较低。     

结构加权相关自适应子空间聚类

针对结构稀疏子空间聚类不能很好地把握数据相似度一致性的问题，提出一种新的子空间聚类优化模型；结构加权相关自适应子空间聚类（Structured Weighted Correlation Adaptive Subspace Clustering，SWCASC）模型。该模型引入数据点的相关性对表示系数施加显式惩罚，同时利用分割和相似度的依赖关系，引入子空间结构范数。该模型使得数据类别标签具有一致性，相似度矩阵具有稀疏性和一致性，并具有自适应性。相似度矩阵的稀疏性有利于将不同子空间的数据分离，而一致性有利于将同一子空间的数据聚集。实验结果表明，该模型获得了理想的聚类效果，并优于其他方法。     

基于图学习正则判别非负矩阵分解的人脸识别

基于图正则非负矩阵分解（NMF）算法充分利用了高维数据通常位于一个低维流形空间的假设从而构造拉普拉斯矩阵,但该算法的缺点是构造出的拉普拉斯矩阵是提前计算得到的,并没有在乘性更新过程中对它进行迭代。为了解决这个问题,结合子空间学习中的自表示方法生成表示系数,并进一步计算相似性矩阵从而得到拉普拉斯矩阵,而且在更新过程中对拉普拉斯矩阵进行迭代。另外,利用训练集的标签信息构造类别指示矩阵,并引入两个不同的正则项分别对该类别指示矩阵进行重构。该算法被称为图学习正则判别非负矩阵分解（GLDNMF）,并给出了相应的乘性更新规则和目标函数的收敛性证明。在两个标准数据集上的人脸识别实验结果显示,和现有典型算法相比,所提算法的人脸识别的准确率提升了1% ~ 5%,验证了其有效性。     

随机图的正常均匀全染色算法

目前对图的均匀全染色的研究仅限于一些如完全图、正则图等特殊图,还没有发现用于研究一般简单连通图的正常均匀全染色的算法。为了研究一般图的正常均匀全染色,根据正常均匀全染色的点约束、边约束、点边约束和均匀约束四个约束规则,设计了一种新的启发式智能算法。首先,该算法确定四个子目标函数和一个总目标函数;然后,在每个子目标函数内借助染色矩阵及色补集合矩阵逐步迭代交换,直到子目标函数值为0时,子目标染色完成;最后,当每个子目标函数值都为0时,总目标函数值为0,染色成功。实验结果表明,该算法可以生成8个点以内的所有简单连通图,并能对每个生成图进行正常均匀全染色,得到其均匀全色数,且验证得对任意的正整数k,当3≤ k≤ 9时,随机图G都有k-均匀全染色。同时在20到400个点之间选取了72个图,用所提算法对其进行均匀全染色,并依据染色结果绘制了它们的点数-边密度-所需色数关系图。     

基于图像似然度的人脸检测

本文提出了一种基于图像似然度的检测人脸方法，该方法能在复杂的背景下较好的检测出人脸。该方法分为训练阶段和检测阶段。在训练阶段。从人脸图像集中选取大量人脸图像的信息矩阵的奇异值向量作为矩阵中的一列而构成的人脸图像集特征矩阵。然后，用大量的人脸图像的特征向量与人脸图像集特征矩阵比较找出最小相似度，作为阈值；在检测阶段。求待测区域的特征向量与人脸特征矩阵的相似度，与阈值比较以决定是否是人脸。     

基于矩阵加权关联规则的核模糊聚类

提出一种基于矩阵加权关联规则的空间粒度聚类算法。该算法核心思想是根据文档特征向量矩阵提取文档的相似度,再在该关联规则算法上进行聚类来寻找相似关系的频繁项集。通过引入核函数,样本点被非线性变换映射到高维特征空间进行聚类,提高聚类性能。通过矩阵加权关联规则算法进行聚类。通过实验表明,在处理中小型文档时,该算法的精确度优于传统Apriori算法和K-mean算法;在处理大型文档时,该算法的时间复杂度小于传统的K-mean算法。     

Contourlet变换与粒子群优化相耦合的遥感图像融合方法

为有效优化融合图像中多光谱特性的保持和空间信息的保留,提出一种结合Contourlet变换与粒子群优化算法的遥感图像融合方法。通过设定粒子群优化算法的目标适应度函数,使其依赖于融合结果图像的客观评价指标,并自适应地获取低频子带的最优加权系数和高频子带间结构相似度阈值的最优值,从而得到优化的融合图像。首先将全色图像和多光谱图像的亮度I分量分别进行Contourlet变换,根据分解后的低频系数和高频系数不同的特征信息,在低频系数上以信息熵与相对偏差的差值作为目标适应度函数,采用优化算法自适应地寻找最优加权系数进行融合;在高频系数上以结构相似度作为目标适应度函数,搜索结构相似度的最优阈值p,再采用基于区域结构相似度的融合规则进行融合;最后经Contourlet和IHS逆变换得到融合图像。仿真实验结果表明:提出的方法能很好地兼顾多光谱图像光谱信息的保持和全色图像空间信息的保留。     

一种基于NMFSC的文本聚类方法

通过分析文本的特征,提出了一种基于稀疏约束非负矩阵分解（NMFsc）的文本聚类新方法。该方法用NMFSC分解词．文本矩阵来降低特征空间的维度,并依照稀疏约束更好地控制稀疏度,然后利用簇中文本的相似性进一步细化簇。实验表明,与基于k-means的文本聚类方法和基于NMF的文本聚类方法相比,此方法具有较高的归一化互信息值（NMI）,从而具有良好的聚类性能。     

一种高性能部分遮挡人脸识别新方法

针对部分遮挡人脸识别，提出了一种基于局部区域遮挡判断的人脸识别新方法。利用支持向最机对不同人的不同遮挡情况分别进行训练，确定局部相似度到整体相似度的最佳映射，使它具有最佳类间可分离性。实验表明，该文算法显著提高了部分遮挡人脸识别效果，对无遮挡识别也有所改善。     

基于改进鱼群算法的几何约束求解

几何约束求解是CAD建模中的关键技术。针对求解质量不高和求解速度慢的问题,进行了研究。提出了一种鱼群算法和混沌算法相结合的几何约束求解方法。首先,将CAD模型中的几何约束关系表示为一组代数方程组;然后,利用代数方程组来构造目标函数。将几何约束求解问题转换为目标函数的优化问题。最后,使用混沌算法来改进鱼群算法以寻找目标函数的最优解。实验结果表明：该方法可以有效地解决几何约束问题。     

基于字典学习和非局部相似的超分辨率重建

为提高单帧降质图像的分辨率,提出了一种基于字典学习和非局部相似性的超分辨率重建算法。该算法主要将高分辨率图像减去利用迭代反投影重建结果得到差值图像,再利用K-奇异值分解(K-SVD)算法和联合字典生成的思想形成的字典训练方法,训练差值图像块和低分辨率图像块得到对应的高、低分辨率字典用于超分辨重建。此外,引入非局部相似性的正则项约束以提高重建图像的质量。实验结果表明,所提算法重建得到的图像在主观视觉效果和客观评价上优于基于例子学习的超分辨率算法。     

Optimal structural similarity constraint for reversible data hiding

Until now, most reversible data hiding techniques have been evaluated by peak signal-to-noise ratio(PSNR), which based on mean squared error(MSE). Unfortunately, MSE turns out to be an extremely poor measure when the purpose is to predict perceived signal fidelity or quality. The structural similarity (SSIM) index has gained widespread popularity as an alternative motivating principle for the design of image quality measures. How to utilize the characterize of SSIM to design RDH algorithm is very critical. In this paper, we propose an optimal RDH algorithm under structural similarity constraint. Firstly, we deduce the metric of the structural similarity constraint, and further we prove it does’t hold non-crossing-edges property. Secondly, we construct the rate-distortion function of optimal structural similarity constraint, which is equivalent to minimize the average distortion for a given embedding rate, and then we can obtain the optimal transition probability matrix under the structural similarity constraint. Comparing with previous RDH, our method have gained the improvement of SSIM about 1.89 % on average. Experiments show that our proposed method outperforms the state-of-arts performance in SSIM.     

色彩复原图像的质量评价方法

针对褪色文物数字化保护中色彩复原图像的质量评价问题,研究客观质量评价方法。结合峰值信噪比(PSNR)的计算优势与人眼视觉特征信息熵的结构特性,提出一种基于视觉特征信息熵的彩色图像质量评价方法。该方法建立带权值的质量评价函数和对应评价算法流程,利用归一化方法确定权值。通过评价算法流程计算复原的彩色图像与参考彩色图像的函数值,比较两者的相似程度。值越小,代表相似度越高,对应的复原彩色图像质量越好,以此客观判断色彩复原方法的优劣。实验通过四种性能差异复原方法的质量评价参数比较,表明评价结果与人眼视觉主观感受相一致,验证了所提方法的有效性。     

A quality guaranteed robust image watermarking optimization with Artificial Bee Colony

Achieving robustness with a limited distortion level is a challenging design problem for watermarking systems in multimedia applications with a guaranteed quality requirement. In this paper, we provide an intelligent system for watermarking through incorporating a meta-heuristic technique along with an embedding method to achieve an optimized performance. The optimization objective is to provide the maximum possible robustness without exceeding a predetermined distortion limit. Hence, the quality level of the watermarking method could be guaranteed through that constraint optimization. A new fitness function is defined to provide the required convergence toward the optimum solution for the defined optimization problem. The fitness function is based on dividing its applied solution population into two groups, where each group is ranked according to a different objective. Thus, the multi-objectives in the problem are decoupled and solved through two single-objective sub-problems. Unlike existing watermarking optimization techniques, the proposed work does not require weighting factors. To illustrate the effectiveness of the proposed approach, we employ a recent watermarking technique, and then use it as the embedding method to be optimized. The Artificial Bee Colony is selected as the meta-heuristic optimization method in which the proposed fitness function is used. Experimental results show that the imposed quality constraint is satisfied, and that the proposed method provides enhanced robustness under different attacks for various quality thresholds. The presented approach offers a robust solution that can be applied to numerous multimedia applications such as film industry, intelligent surveillance and security systems.     

基于水平集接力的图像自动分割方法

为了实现图像的完全分割,基于无须重新初始化的水平集方法提出了一种接力水平集方法.该方法在待分割图像中自动交替地创建嵌套子区域和相应的初始水平集函数,使水平集函数在其中演化并收敛,然后重复这个过程直到子区域面积为0.与原始算法及经典的基于区域的水平集方法相比,该方法具有如下优点:1) 自动完成,无须交互式的初始化;2) 多次分割图像,能够比原始算法检测到更多的边缘;3) 对于非匀质的图像,能够取得比经典的基于区域的水平集方法更好的分割效果;4) 提供一个开放的分割算法框架,其他单水平集方法稍作修改后也可替换这里所使用的单水平集方法.实验结果表明,此算法对人造图像和医学影像实现了无须交互的完全分割,对非匀质图像分割表现出更好的鲁棒性.     

Dual clustering: integrating data clustering over optimization and constraint domains

Spatial clustering has attracted a lot of research attention due to its various applications. In most conventional clustering problems, the similarity measurement mainly takes the geometric attributes into consideration. However, in many real applications, the nongeometric attributes are what users are concerned about. In the conventional spatial clustering, the input data set is partitioned into several compact regions and data points which are similar to one another in their nongeometric attributes may be scattered over different regions, thus making the corresponding objective difficult to achieve. To remedy this, we propose and explore in this paper a new clustering problem on two domains, called dual clustering, where one domain refers to the optimization domain and the other refers to the constraint domain. Attributes on the optimization domain are those involved in the optimization of the objective function, while those on the constraint domain specify the application dependent constraints. Our goal is to optimize the objective function in the optimization domain while satisfying the constraint specified in the constraint domain. We devise an efficient and effective algorithm, named Interlaced Clustering-Classification, abbreviated as ICC, to solve this problem. The proposed ICC algorithm combines the information in both domains and iteratively performs a clustering algorithm on the optimization domain and also a classification algorithm on the constraint domain to reach the target clustering effectively. The time and space complexities of the ICC algorithm are formally analyzed. Several experiments are conducted to provide the insights into the dual clustering problem and the proposed algorithm.     

基于图结构优化的自适应多度量非监督特征选择方法

非监督特征选择是机器学习领域的热点研究问题,对于高维数据的降维和分类都极为重要。数据点之间的相似性可以用多个不同的标准来衡量,这使得不同的数据点之间相似性度量标准难以一致;并且现有方法多数通过近邻分配得到相似矩阵,因此其连通分量数通常不够理想。针对这两个问题,将相似矩阵看作变量而非预先对其进行设定,提出了一种基于图结构优化的自适应多度量非监督特征选择（SAM-SGO）方法。该方法将不同的度量函数自适应地融合成一种统一的度量,从而对多种度量方法进行综合,自适应地获得数据的相似矩阵,并且更准确地捕获数据点之间的关系。为获得理想的图结构,通过对相似矩阵的秩进行约束,在优化图局部结构的同时简化了计算。此外,将基于图的降维问题合并到所提出的自适应多度量问题中,并引入稀疏l2,0正则化约束以获得用于特征选择的稀疏投影。在多个标准数据集上的实验验证了SAM-SGO的有效性,相比较于近年所提出的基于局部学习聚类的特征选择和内核学习（LLCFS）、依赖指导的非监督特征选择（DGUFS）和结构化最优图特征选择（SOGFS）方法,该方法的聚类正确率平均提高了约3.6个百分点。