基于网格多密度的古建筑图像特征匹配方法

古建筑图像三维重建中图像特征可靠匹配是影响重建效果的一个关键问题.为提高古建筑图像特征的匹配性能,提出了一种基于网格多密度聚类的特征匹配方法.该方法首先采用SIFT算子获取图像特征点;其次对图像进行网格划分,依据网格单元特征点密度确定图像锚单元、邻居单元、边界单元;然后依据局部区域密度相似性确定图像簇;最后对相似簇中的特征点依据最近邻距离比准则进行匹配.在中国古代建筑三维重建数据集和141幅山西晋祠古建筑图像上进行了实验,验证了算法的有效性.     

基于加权相似性度量的特征匹配方法

针对图像特征匹配过程中采集图像易受噪声、光照、尺度等因素影响使产生的匹配结果鲁棒性差、误匹配率高等问题,提出一种基于加权相似性度量（WSM）的特征匹配方法。该方法首先采用基于网格多密度聚类的特征匹配（FM_GMC）算法对原始图像进行特征聚类块划分;其次在每一特征聚类块中,采用Canny提取边缘特征点并使用尺度不变特征变换（SIFT） 进行描述;然后采用加权的方式对特征聚类块之间的空间上下文信息间的Hausdorff距离、图像特征点外观描述子间的欧氏距离以及图像特征点的局部几何灰度信息的归一化互相关度量（NCC）进行相似性度量;最后依据最近邻距离比值（NNDR）对相似性度量结果进一步优化,从而确定特征匹配结果。以古建筑图像为数据集的实验结果表明WSM方法的平均匹配精确率达到92%,在匹配数量和精确率上优于常用的特征匹配方法,验证了该方法的有效性和鲁棒性。     

罚处共享最近邻密度峰聚类算法

为解决传统密度峰聚类算法容易忽略低密度簇中心以及难以自动选择聚类中心的问题,提出罚处共享最近邻密度峰聚类算法.设计罚处系数,减少高密度簇中非中心点的共享最近邻局部密度值,降低低密度簇中心点被忽视的机率;采用迭代阈值法实现簇中心点的自动选择.在人工数据集、UCI真实数据集以及图像数据集上进行仿真实验,其结果表明,该算法能找到数据集的簇中心和簇数目,聚类精度优于相比较的其它算法,该算法是可行的、有效的.     

基于对比学习的超多类深度图像聚类模型

图像聚类通过表征学习对图像数据降维并提取有效特征而后进行聚类分析。当图像数据存在超多类别时,数据分布的复杂性和类簇的密集性严重影响了现有方法的实用性。为此,提出了基于对比学习的超多类深度图像聚类模型,主要分为3个阶段：首先,改进对比学习方法训练特征模型以使类簇分布均匀;其次,基于语义相似性原则多视角挖掘实例语义最近邻信息;最后,将实例及其最近邻作为自监督信息训练聚类模型。根据实验类型的不同,设计了消融实验和对比实验。在消融实验中,证明了所提方法使类簇均匀分布在映射空间,并可靠挖掘语义最近邻信息。在对比实验中,将其与先进算法在7个基准数据集上进行了比较,在ImageNet-200类数据集上,其准确率比目前先进方法提升了10.6%;在ImageNet-1000类数据集上,其准确率比目前先进算法提升了9.2%。     

一种基于Grassmann流形的图像集分类算法研究

当前基于多模型的图像集分类方法通过对每个图像集进行单次聚类来提取局部模型,与其他图像集进行匹配时使用固定的聚类。然而,如果环境条件不佳,则可能导致两个最近邻聚类表示同一对象的不同特征。针对这一问题,首先,根据重建误差,在Grassmann流形上定义两个子空间间的Frobenius范数距离。然后,通过稀疏表示从画廊图像集中提取局部线性子空间。对每个局部线性子空间,通过联合稀疏表示,利用探测图像集的样本来自适应构建相应的最近邻子空间。基于Honda、ETH-80和Cambridge-Gesture数据集的实验结果表明,与基于仿射包的图像集距离(AHISD)、稀疏近似最近邻点(SANP)和流形判别分析(MDA)等其他算法相比,算法的性能更优。     

SURF特征及预处理RANSAC算法在人脸识别中的应用

针对人脸识别问题,提出了一种基于SURF特征的人脸图像快速识别方法。首先,对经预处理后的人脸图像提取SURF特征点,采用最近邻匹配法对特征点进行粗匹配;其次,利用KMeans聚类算法对粗匹配的特征点进行预处理来过滤明显不合适的匹配点,再利用RANSAC算法对过滤后的特征点实现精匹配,以达到对人脸的特征点比较准确地识别匹配。实验结果表明,该方法适用于手机终端的人脸图像的快速匹配,具有较强的鲁棒性及一定的实用价值。     

基于数据场的类簇中心选取及其聚类

针对现有聚类算法普遍存在聚类质量低、参数依赖性大、孤立点难识别等问题,提出一种基于数据场的聚类算法。该算法通过计算每个数据对象点的势值,根据类簇中心的势值比周围邻居的势值大,且与其他类簇中心有相对较大距离的特点,确定类簇中心;根据孤立点的势值等于零的特点,选出孤立点;最后将其他数据对象点划分到比自身势值大且最近邻的类簇中,从而实现聚类。仿真实验表明,该算法在不需要人为调参的情况下准确找出类簇中心和孤立点,聚类效果优良,且与数据集的形状无关。     

基于数据集压缩的聚类算法性能优化研究

针对目前聚类算法对大数据集的聚类分析中存在时间花费过大的问题,提出了一种基于最近邻相似性的数据集压缩算法。通过将若干个相似性最近邻的数据点划分成一个数据簇并随机选择簇头构成新的数据集,大大缩减了数据的规模。然后分别采用k-means算法和AP算法对压缩后的数据集进行聚类分析。实验结果表明,压缩后的数据集与原始数据集的聚类分析相比,在保证聚类准确率基本一致的前提下有效降低了聚类的花费时长,提高了算法的聚类性能,证明该数据集压缩算法在聚类分析中的有效性与可靠性。     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

谱聚类中选取特征向量的动态选择性集成方法

谱聚类中k个最大特征值对应的特征向量不一定使聚类结果达到最好,因此,文中采用特征向量组的选择性集成方法以提高谱聚类性能,涉及基特征向量组的选取、选择性集成策略等问题.利用训练数据的成对约束信息进行打分,选出较好的基特征向量组;应用测试数据在训练数据中的l-最近邻的聚类性能指标,动态评价每组特征向量,选出少量几个参与投票的特征向量组;对测试数据集的几个特征向量组数据进行谱聚类,并对结果进行簇配准,给出最终的聚类结果.实验表明,采用动态选择性集成方法能提高测试数据的聚类性能.