图像挖掘研究

图像挖掘是一个新兴的具有挑战性的研究领域,同时它作为数据库和信息决策等领域的一个前沿分支近年来受到人们的关注.首先研究了图像挖掘的特性,提出了几个不同于传统数据挖掘的图像挖掘特性,然后对图像挖掘的总体过程和主要模型进行了分析,并对图像挖掘的主要技术进行了讨论.在此基础上,对目前图像挖掘的应用情况进行了分析和讨论,最后对图像挖掘的一些问题及未来的发展进行了展望.     

挖掘脑部医学图像序列相似模式

随着脑部疾病(尤其是脑瘤)发生率的逐年上升，通过挖掘脑部医学图像来发现知识对辅助医生的诊断变得越来越重要.图像挖掘是数据挖掘的重要分支，它不仅仅是数据挖掘简单的扩展到图像领域，而是一个多学科交叉的研究方向周像的聚类和相似性搜索是图像挖掘的两个非常重要的领域．针对医学图像数据库引入了图像序列相似模式(ISSP)的概念，对于各自包含一个图像序列的两个对象，ISSP是指隐藏在他们中的最长相似连续子模式．这些模式在医学图像中是很有意义的，因为对医生来说两个对象相似要比两个图像相似更有意义．设计了新的基于领域知识指导下的算法来发现可能性占位(Pso)和ISSP以支持相似性索引．实验表明，该研究对医生的辅助诊断有比较好的效果．     

图像挖掘技术研究

对目前图像挖掘的研究及应用现状进行综述,首先阐明图像数据的特点及图像挖掘的主要问题,随后分析了图像的表示模型、图像挖掘的框架模型,介绍了图像挖掘的主要技术,最后对图像挖掘应用和未来研究方向进行展望。     

利用颜色进行层次模式挖掘的图像分类方法

图像的中间层特征挖掘能够发现不同视觉词之间的关系,然后可以利用挖掘得到的模式代替原有的视觉词进行图像表示。目前大部分的中层特征挖掘都是针对所有图像块进行的,而没有考虑到可以在局部进行模式挖掘。在局部进行模式挖掘有利于发现不同对象区域的模式,并且最终提高图像分类的准确率。提出了一种有效的基于颜色的层次模式挖掘方法。该方法把对有判别力的颜色的判断作为划分层次的标准,然后在每一层中对拥有这些颜色的图像块进行挖掘,最后用挖掘到的模式进行图像表示,并用于图像分类。实验结果表明,所提方法能够在Soccer、Flower 17和Flower 102上取得良好的分类效果。     

数据源特性对序列模式挖掘结果的影响

用IBM数据生成工具生成数据考察了客户序列数、平均序列长度、平均事务长度、项目数等数据特性对挖掘结果序列模式个数的影响,得到了单项特性对挖掘结果序列模式个数的影响模型,用以在进行正式挖掘之前,通过数据特性对挖掘结果进行初步判断。     

动态网络模式挖掘方法及其应用公式变为图片版

应用复杂静态网络的研究方法,研究人员在揭示社会网络、生物网络和信息网络的形成和演化机制方面取得了重要的研究成果.实际的生活中,网络往往会随着时间的变化而变化,是一种动态的状态,也可以称为动态网络.本文动态网络为研究对象,简述动态网络的相关概念,对动态网络的拓扑特性进行简要的分析,分析比较动态网络的各种模式挖掘模型和方法.然后将所分析的动态网络模式挖掘方法应用于实际的生物网络和社会网络中,研究其网络模型的动态模块和模式演化问题.最后指出动态网络模式挖掘方法在现实动态网络研究存在的问题和挑战,并对未来的研究方向经行分析.     

序列模式挖掘研究与发展

序列模式挖掘是数据挖掘的一个重要研究课题,它在很多领域中都有着广泛的应用.首先讨论了序列模式挖掘的相关背景,然后对序列模式挖掘进行分类,并在此基础上对每一类序列模式挖掘算法的特点进行了介绍和比较;最后,对序列模式挖掘未来的研究重点进行展望,以便研究者对序列模式挖掘做进一步的研究.     

基于图像挖掘技术的车辆目标识别方法

在目前的图像处理技术发展现状中,图像挖掘技术是其中一项较为突出和新颖的技术分支。而随着日益庞大的图像数据信息处理量的要求增加,却没有一个有效的分析和处理技术,为此,如何解决大量数据的解析和处理问题是目前图像挖掘技术的主要方向。本文将着重研究图像挖掘技术的原理和其在目前社会中的应用情况。利用简析图像挖掘技术的基本原理分析其数据模型,探讨其所具备的基本功能以及在车辆目标识别上的应用和方法。总结出图像挖掘技术对图像中所存在信息的完全解读,挖掘图像中存在的隐形关联,而且随着图像挖掘技术的不断改进,其目标识别的功能可以应用到车辆管理模式当中。通过实验表明,此方法可以对目标图像中车辆数量和种类的辨识度达到80%以上。     

图像挖掘的方法与技术研究

文章从图像挖掘的过程开始介绍了图像挖掘中的预处理技术、特征提取技术和图像挖掘技术等,最后对图像挖掘未来研究方向进行了展望。     

从图数据库中挖掘频繁跳跃模式

很多频繁子图挖掘算法已被提出.然而,这些算法产生的频繁子图数量太多而不能被用户有效地利用.为此,提出了一个新的研究问题:挖掘图数据库中的频繁跳跃模式.挖掘频繁跳跃模式既可以大幅度地减少输出模式的数量,又能使有意义的图模式保留在挖掘结果中.此外,跳跃模式还具有抗噪声干扰能力强等优点.然而,由于跳跃模式不具有反单调性质,挖掘它们非常具有挑战性.通过研究跳跃模式自身的特性,提出了两种新的裁剪技术:基于内扩展的裁剪和基于外扩展的裁剪.在此基础上又给出了一种高效的挖掘算法GraphJP(an algorithm for mining jump patterns from graph databases).另外,还严格证明了裁剪技术和算法GraphJP的正确性.实验结果表明,所提出的裁剪技术能够有效地裁剪图模式搜索空间,算法GraphJP是高效、可扩展的.     

基于纹理分析的去噪声方法研究

中巴资源一号卫星高分辨率CCD相机接收的图像数据,灰度值偏低,对比度较差,且存在明显的条带噪声;当图像被增强时,这种条带更加突出,严重影响了图像的质量以及清晰度,不利于数据的应用。从与以往不同角度出发,提出了基于纹理分析的去条带方法。即将图像上具有特定特征的噪声信息看作是某种对应的纹理特征,在基于纹理特征滤波法去噪声基础上,再用灰度共生矩阵法进一步进行直方图平滑,以消除局部噪声。同时将此方法与基于统计的均值调节法进行对比分析。     

基于奇异值特征和统计模型的人像识别算法

人像识别是模式识别领域中的一个前沿课题。目前多数研究者采用人脸的一维和二维几何特征来完成识别任务。人脸的几何特征抽取以及这些特性的有效性都面临着很多问题，至今人像识别的研究仍然处于较低的水平。作者证明了图象矩阵的奇异值特征矢量具备了代数上和几何上的不变性以及稳定性，提出用它作为识别人脸的代数特征。本文的人像识别算法是基于奇异值特征矢量建立Ｓａｍｍｏｎ最佳鉴别平面上的正态Ｂａｙｅｓ分类模型。在本文的     

Visual learning and recognition of 3D objects using two-dimensional principal component analysis: A robust and an efficient approach

Inspired by the conviction that the successful model employed for face recognition [M. Turk, A. Pentland, Eigenfaces for recognition, J. Cogn. Neurosci. 3(1) (1991) 71-86] should be extendable for object recognition [H. Murase, S.K. Nayar, Visual learning and recognition of 3-D objects from appearance, International J. Comput. Vis. 14(1) (1995) 5-24], in this paper, a new technique called two-dimensional principal component analysis (2D-PCA) [J. Yang et al., Two-dimensional PCA: a new approach to appearance based face representation and recognition, IEEE Trans. Patt. Anal. Mach. Intell. 26(1) (2004) 131-137] is explored for 3D object representation and recognition. 2D-PCA is based on 2D image matrices rather than 1D vectors so that the image matrix need not be transformed into a vector prior to feature extraction. Image covariance matrix is directly computed using the original image matrices, and its eigenvectors are derived for feature extraction. The experimental results indicate that the 2D-PCA is computationally more efficient than conventional PCA (1D-PCA) [H. Murase, S.K. Nayar, Visual learning and recognition of 3-D objects from appearance, International J. Comput. Vis. 14(1) (1995) 5-24]. It is also revealed through experimentation that the proposed method is more robust to noise and occlusion.     

Two-dimensional PCA: a new approach to appearance-based face representation and recognition

In this paper, a new technique coined two-dimensional principal component analysis (2DPCA) is developed for image representation. As opposed to PCA, 2DPCA is based on 2D image matrices rather than 1D vectors so the image matrix does not need to be transformed into a vector prior to feature extraction. Instead, an image covariance matrix is constructed directly using the original image matrices, and its eigenvectors are derived for image feature extraction. To test 2DPCA and evaluate its performance, a series of experiments were performed on three face image databases: ORL, AR, and Yale face databases. The recognition rate across all trials was higher using 2DPCA than PCA. The experimental results also indicated that the extraction of image features is computationally more efficient using 2DPCA than PCA.     

二维共轭正交偏最小二乘分析及图像识别应用

偏最小二乘（PLS）是一种有效的图像特征抽取方法。不同于其他的多元数据分析方法,PLS综合了PCA与CCA的优点,抽取对样本具有最佳解释能力的成分。讨论了偏最小二乘法建模思想及非迭代算法、共轭正交算法和基于2D特征抽取时的算法原理和特点,以及PLS用于图像识别时类隶属矩阵的构造。在ORL与Yale人脸库上的实验结果表明用2DCOPLS抽取的特征进行图像识别的效果更好,更稳定。     

Pose-Robust Facial Expression Recognition Using View-Based 2D $+$ 3D AAM

This paper proposes a pose-robust face tracking and facial expression recognition method using a view-based 2D 3D active appearance model (AAM) that extends the 2D 3D AAM to the view-based approach, where one independent face model is used for a specific view and an appropriate face model is selected for the input face image. Our extension has been conducted in many aspects. First, we use principal component analysis with missing data to construct the 2D 3D AAM due to the missing data in the posed face images. Second, we develop an effective model selection method that directly uses the estimated pose angle from the 2D 3D AAM, which makes face tracking pose-robust and feature extraction for facial expression recognition accurate. Third, we propose a double-layered generalized discriminant analysis (GDA) for facial expression recognition. Experimental results show the following: 1) The face tracking by the view-based 2D 3D AAM, which uses multiple face models with one face model per each view, is more robust to pose change than that by an integrated 2D 3D AAM, which uses an integrated face model for all three views; 2) the double-layered GDA extracts good features for facial expression recognition; and 3) the view-based 2D 3D AAM outperforms other existing models at pose-varying facial expression recognition.     

基于相对角分布聚类和支持向量机的3维人脸特征点匹配技术的研究

人脸特征点自动定位及对应点匹配是计算机视觉和模式识别领域一个非常热门的研究方向,应用领域包括图像配准、对象识别与跟踪、3维重建、立体匹配等。通过相对角直方图分布和K均值聚类确定脸部特征点的聚类点集,再利用几何信息提取聚类点集的特征,进而采用支持向量机分类最终从点集中分离出39个脸部特征点。实验结果表明,此混合提取方法比单纯使用RAC得到了更好的匹配准确率,在给定的距离阈值范围内,50%的特征点定位准确率达到了100%。     

基于2维偏最小二乘法的图像局部特征提取及其在面部表情识别中的应用

为了更有效地提取图像的局部特征,提出了一种基于2维偏最小二乘法(two-dimensional partial leastsquare,2DPLS)的图像局部特征提取方法,并将其应用于面部表情识别中。该方法首先利用局部二元模式(localbinary pattern,LBP)算子提取一幅图像中所有子块的纹理特征,并将其组合成局部纹理特征矩阵。由于样本图像被转化为局部纹理特征矩阵,因此可将传统PLS方法推广为2DPLS方法,用来提取其中的判别信息。2DPLS方法通过对类成员关系矩阵的构造进行相应的修改,使其适应样本的矩阵形式,并能体现出人脸局部信息重要性的差异。同时,对于类成员关系协方差矩阵的奇异性问题,也推导出了其广义逆的解析解。基于JAFFE人脸表情库的实验结果表明,该方法不但可以有效地提取图像局部特征,并能取得良好的表情识别效果。     

基于2DPCA和压缩感知的人脸识别方法

提出一种基于二维主成份分析(2DPCA)和压缩感知的人脸识别方法.阐述2DPCA提取特征向量的工作原理,利用压缩感知方法求解待识别图像在足够样本下的稀疏表示.由所有训练图的特征向量构成测量矩阵,将每一幅待识别图像的特征向量作为测量值,由压缩感知中求解的L1范数极小值得到待识别图像的编码信号,根据该编码信号识别人脸图像....