基于AdaBoost的计算机生成图像检测算法

提出了一种基于AdaBoost的计算机生成图像检测算法;该算法从空间域和变换域提取JPEG图像的特征值,利用特征组合技术来检测计算机生成图像.其中,小波域特征值是图像小波子带系数及其线性预测误差的高阶统计量,空间域特征是图像的梯度能量特征值.利用AdaBoost算法来构造分类器.相比于其它分类算法,AdaBoost算法是将弱学习算法通过一定规则上升为一种强学习算法,从而通过实际样本训练得到一个识别率较为理想的分类器.仿真实验表明,对计算机生成图像的检测率有了很大的提高.     

ICA和子采样在DWT域彩色图像水印中的应用

为了实现对彩色图像等多媒体信息的版权保护,采用独立分量分析(ICA)和图像子采样技术,提出了一种基于离散小波变换(DWT)的彩色图像水印算法.该算法对原图像YIQ色彩空间的Y分量进行子采样,将置乱后的二值水印图像,嵌入到选定子图像的二级小波逼近子图中,嵌入水印的子图像位置由随机数确定,检测时利用快速ICA算法来提取水印.计算机仿真结果和性能分析表明,算法具有较好的隐蔽性和鲁棒性.     

基于小波的离焦模糊图像清晰度判定

提出了一种基于小波变换的离焦模糊图像清晰度判定算法.这种算法根据小波变换后的高频子图表示图像细节部分的特性,将高频子图分块,并根据子块保持细节信息的多少,对其加以不同的权值,从而对图像清晰度进行了客观、准确的度量.与传统的灰度方差、模糊指数和熵相比,该算法定义的图像清晰度对图像模糊程度变化敏感,并且更符合人眼的视觉特性.     

基于均值变换的Particle Filter实时跟踪算法

提出一种基于均值变换(Mean Shift)的Particle Filter图像跟踪算法.算法将目标的状态空间分解为位移子空间和形变子空间.使用均值变换算法跟踪位移子空间变化,获得目标的位置信息.在此基础上使用Particle Filter跟踪形变子空间变化和补偿均值变换的跟踪误差,由于均值变换算法跟踪的信息使Particle Filter跟踪的位移子空间大大缩小,减少Particle Filter所需要的样本数,使Particle Filter的实时性能提高,而Particle Filter获得的形状信息补偿了均值变换算法对于形状跟踪的误差.该算法比标准的Particle Filter算法具有更高的效率,并拥有均值变换算法所不具备的形状跟踪能力.实验结果证明算法的有效性和快速性.     

基于混合域的自适应扩频肓鲁棒水印算法

针对当前数字水印技术中基于单一变换域所存在的问题,提出了一种基于DWT与DCT相结合的自适应扩频肓检数字水印算法.在载体图像被转入YIQ空间后,首先对Y分量小波分解,再对中低频子带做分块DCT变换,从而有效地降低单一变换所带来的负面影响.算法在对水印图像进行Hamming编码与混沌调制后,根据人眼视觉特性对各系数子块分别计算水印自适应强度因子实现了水印的自适应嵌入.将仿真结果与基于单一变换域的算法进行比较,结果表明了该算法具有更好的鲁棒性.     

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.     

基于Contourlet的中低码率图像质量可分级编码算法

首先对图像Contourlet变换各子带系数的分布情况进行了统计分析,进而给出了一种基于Contourlet变换的空间方向树结构,并统计验证了该空间方向树的"零树"特性.同时针对图像Contourlet变换各子带"重要系数"的分布情况提出了一种基于图像Contourlet方向子带的多尺度量化方案,该方案对图像的边缘方向信息和纹理信息具有很好的捕捉能力,在此基础上提出了一种基于Contourlet变换的嵌入式图像质量可分级编码算法,该算法除了具有一般基于小波变换的零树编码方法的特性外,还具有方向性和各向异性的特点,其解码图像在中低码率下无论是PSNR还是纹理和边缘区域的视觉效果均优于SPIHT算法.实验结果验证了所提出算法的有效性.     

一种基于小波变换的鲁棒数字图像水印

提出了一种基于小波变换的鲁棒数字图像水印算法。该算法首先对水印信息进行置乱以降低空间相关性,然后把原始图像进行三级小波变换。并将水印信息嵌入到原始图像的低频子带中,最后经三级小波反变换得到嵌入水印后的图像。实验结果表明,该算法具有较强的鲁棒性。     

基于双特征高斯混合模型和双约束空间变换的配准

非刚性点集配准是当前多个领域中的一项重要研究问题.现今流行的配准算法通常使用基于单一特征的对应关系评估与包含单一约束条件的空间变换更新,而单特征与单约束限制了其配准效果与应用领域.提出了一种基于双特征高斯混合模型和双约束空间变换的非刚性点集配准算法.首先定义了双特征描述子,并用全局特征和局部特征构建它;随后,基于此描述子将高斯混合模型改进为双特征高斯混合模型.定义了局部结构约束项,并与全局结构约束项分别维护点集在进行空间变换更新时的局部与全局结构稳定.通过交替进行基于双特征高斯混合模型评估点集之间的对应关系和基于高斯径向基函数（Gaussian radial basis function）更新双约束空间变换,使该算法准确地完成非刚性点集配准.通过人造点集配准、CMU序列图像配准、遥感图像配准、IMM人脸数据配准和真实图像特征点配准对该算法进行了性能测试,同时也与当前流行的8种算法进行了性能比较实验,该算法展现出了卓越的非刚性配准性能,并在大部分实验中超越了当前的相关算法.     

基于Haar小波域自学习的图像超分辨率方法

图像超分辨率重构是指由低分辨率图像来获得高分辨率图像的过程.为了能够有效的重构出高分辨率图像,提出一种基于Haar小波域自学习的图像超分辨率重构算法.该算法将高分辨率图像通过Haar小波变换后得到的近似子块L与已知的低分辨率图像联系起来,然后通过Bp神经网络来自学习Haar小波变换细节子块之间相近的自相似性,从而预测出高分辨率图像通过Haar小波变换后的三个细节子块H,V和D.最后由逆Haar小波变换重构高分辨率图像.实验表明由该算法重构的高分辨图像有很好的视觉效果和峰值信噪比.     

基于局部小波变换与DCT的人脸识别算法

提出了一种基于局部小波变换和离散余弦变换(DiscreteCosineTransform,DCT)相结合的人脸识别方法,该算法首先利用小波变换对人脸图像做适当层次的小波分解,然后通过离散余弦变换对低频分量作进一步的特征提取和压缩,得到人脸识别特征,最后利用欧氏距离和最近邻分类器进行识别。基于ORL人脸数据库的实验结果表明了该算法的有效性。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

一种基于2D-DWT和2D-PCA的人脸识别方法

提出了一种联合图像二维离散小波变换（2D-DWT）和二维主成分分析（2D-PCA）的人脸识别方法。首先通过2D-DWT将当前图像分解成四个子图像，其中一子图像对应原图像的主体部分（低通部分），其余三个子图像则对应图像的细节部分（高通部分）。在此基础上，采用2D-PCA方法分别对每一子图像进行特征提取。此外，文中还提出了一种简单有效的方法对各子图像中所提取的特征进行融合，根据所得到的特征进行人脸识别。同其他基于小波分解的人脸识别方法相比，所提出的方法能更充分地利用人脸图像的有用判别信息，并得到更好的识别结果。     

基于小波变换和二维非负矩阵分解的人脸识别算法

结合二维离散小波变换(2DDWT)和二维非负矩阵分解(2DNMF)两者的优点,提出了一种新的人脸识别融合算法2DDWT+2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域,并对三个高频子块进行图像融合,然后对低频子块和融合图像进行二维非负矩阵分解以提取特征,进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明,与PCA、SVD、NMF以及2DDWT+NMF算法相比,新融合算法能有效缩短训练时间和提高识别率。     

基于Curvelet的人脸识别

人脸的主要特征是曲线信息,提出了一种基于Curvelet变换的人脸识别算法。Curvelet变换在表达图像的曲线奇异性时,比小波变换和脊波变换能获得更稀疏的图像表示。在人脸识别中,用人脸的曲波系数来提取特征能更好地反映人脸的主要特征,文中使用支持向量机进行了识别。结果表明该方法比小波方法更有效。     

基于WT和LVQ网络的多姿态人脸识别

提出了基于小波变换和学习矢量量化网络相结合的新方法进行人脸识别。小波变换具有良好的多尺度特征表达能力，能将图像的大部分能量集中到最低分辨率子图像，可以很好地对图像降维和表征人脸图像的特征。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单，但却表现出比BP网络更强的有效性和鲁棒性。实验表明该方法对表情和姿态变化的人脸具有良好的分类性能和识别效率。     

基于轮廓波变换和核Fisher判别分析的人脸识别

Contourlet变换是一种新的多尺度几何分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向性和各向异性.提出基于Contourlet变换和核Fisher判别分析的人脸识别方法,研究了Contourlet变换的低频系数、各层高频系数与核Fisher判别分析相结合进行人脸识别的识别率和识别时间.实验表明,Contourlet变换的低频系数与核Fisher判别分析相结合,有优异的识别率,也减少了识别时间;高频成分有一定的识别性能,但识别率较低.将低频成分与高频方向子带相结合能获得最优的识别率.     

基于离散余弦变换基函数迭代的人脸图像识别

使用非线性混沌方法处理与识别图像的研究工作逐渐增多,已有文献给出了一种 将正弦函数作为辅助函数与图像构造动力系统,迭代生成混沌吸引子作为图像特征。为进一步 探究图像吸引子作为图像的特性,改进识别效果,使用离散余弦变换(DCT)基函数矩阵代替正 弦函数,迭代生成近似混沌吸引子,用于人脸识别。首先,研究分析了DCT 基函数矩阵的多样 性与振荡特性;然后利用DCT 基函数矩阵与图像矩阵构造迭代表达式,通过给出的迭代算法使 其产生吸引子,再对吸引子进行快速傅里叶变换,计算相关系数,识别人脸图像。对于Yalefaces 图像库,每幅图像都参加训练,识别率可以达到100%,当使用每组前5 幅图像训练提取特征, 识别率可以超过85%;对于CMU PIE 数据库,每幅图像都参加训练,识别率可以超过99%。 该吸引子方法可以作为一种图像底层特征提取方法,有待于进一步深入研究。     

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。