学习相位一致特征的无参考图像质量评价

为了有效地评价不同失真类型的图像质量,该文提出一种利用广义回归神经网络(GRNN)学习图像相位一致特征的无参考评价方法.该方法首先使用相位一致模型产生相位一致图像、相位一致协方差最大、最小图像,然后利用灰度-梯度共生矩阵模型计算该3幅图像的梯度熵、原始图像的梯度均值和梯度熵,再加上该3幅图像的均值,共8个特征输入GRNN模型训练学习,预测得到图像质量评价得分.实验结果表明新方法与主观得分有较好的一致性,同时具有可靠的推广性.     

融入压缩感知的脉冲耦合神经网络用于图像快速融合

针对脉冲耦合神经网络(PCNN)图像融合模型对含噪 声图像敏感和融合时间效率不高的问题,通过引入压缩感知(CS)技术对传统模型进行改 造,提出了一种融入CS技术的新型快速脉冲耦合图像融合方法,不仅能够弥补传统脉冲耦 合模型抗噪声能力不强的缺陷,还可 以实现含噪声图像去噪和图像融合同步进行,有效克服了传统去噪融合方法中人为将去噪 过程和融合过 程分开而造成的信息不一致等问题,在一定程度上提高了融合效果和时间效率 。在多聚焦图 像和小目标图像上进行了相关实验研究,并在视觉效果和性能评价、含噪声多少与方法性能 、稳定性等方 面进行了详细分析。实验结果表明,新方法无论从融合效果还是评价指标上均较一些相 关方法显示出一定的优越性。     

基于深度学习的无监督红外图像与可见光图像融合算法

卷积神经网络(CNN)由于出色的性能,被逐渐应用于图像融合领域.对于红外图像和可见光图像的融合任务而言,由于没有标签数据,对其进行无监督的学习建模具有重要意义.针对这个问题,提出了一种无监督的端到端的深度融合算法,该算法可以由输入的红外源图像和可见光源图像,直接预测出包含源图像显著信息的融合图像.所提算法构建了一个自编...     

基于Log-Gabor滤波特征的黎曼流形图像集分类算法*

生物神经中的感知理论符合黎曼流形,相比其它滤波器,Log-Gabor滤波器更适合人眼的非线性对数特性,因此两者结合符合人类视觉的感知过程.基于上述情况,文中利用协方差鉴别学习,提出基于Log-Gabor 滤波特征的黎曼流形图像集分类算法.使用Log-Gabor滤波器滤波图像,获得多尺度多方向的图像特征,然后对高维的协方差矩阵使用双向二维主成分分析进行降维,利用协方差鉴别学习进行分类.在多个标准数据库上的实验结果表明文中算法效果较好,从而验证算法的有效性.     

基于协同表示的子空间聚类*

针对稀疏子空间聚类(SSC)求得的系数矩阵过于稀疏和最小二乘回归子空间聚类(LSR)求得的系数矩阵过于稠密的问题,文中提出基于协同表示的子空间聚类算法(SCCR).结合SSC和LSR的优点,将l₁范数和Frobenius范数引入同一优化问题中,使系数矩阵保证在同一子空间数据点联系(如LSR)的同时,消除不同子空间数据点之间的联系(如SSC).然后利用此系数矩阵建立相似矩阵,应用谱聚类得到聚类结果.实验表明SCCR可以提高聚类性能.     

基于遗传算法的自适应机动多目标跟踪算法

根据卡尔曼滤波器池思想。设计一组有不同初始滤波参数组成的具有并行关系的卡尔曼滤波器。通过浮点编码的遗传算法离线对这些滤波参数寻优，找到最佳滤波参数。仿真结果说明机动多目标跟踪的遗传算法具有较强的全局最优搜索能力，自适应好且跟踪精确度较高，这证实了此新方法在自适应机动多目标跟踪下的可应用性。     

视觉跟踪中模板匹配相似度指标研究*

由于模板匹配中像素点r、g、b颜色值计算存在多对一缺陷,加之背景特征的影响,视觉跟踪中模板匹配往往得不到全局最优解。为此提出模糊隶属度概念和新的相似度指标公式,修正颜色值计算缺陷,相近似颜色值聚类,从而提高视觉跟踪中目标识别能力。这种新指标有效抑制背景成分的影响,同时突出目标特征的权重,改善匹配函数峰值特性,使得搜索目标得到全局最优解,最终实现鲁棒跟踪。实验结果表明,模板匹配具有良好的峰值特性,算法在跟踪目标存在变形、噪声、遮挡时也可以达到比较理想的跟踪效果。     

基于新颖相似度的视觉跟踪算法

模板匹配是视觉跟踪领域中的重要环节.以粒子滤波为跟踪框架,提出了一种新颖的模板匹配的统计特征相似性指标,引进了加权因子有效抑制目标边界噪声干扰和匹配区域背景成分的影响,同时突出了目标特征的权重.由于完全不同模板图像统计特征也会存在交集,导致相似性偏差,所以融合基于HSV颜色空间的相似度能够修正偏差,改善匹配函数峰值特性,使得搜索目标得到全局最优解,最终实现鲁棒跟踪.实验结果表明,模板匹配具有良好的峰值特性,算法在跟踪目标存在变形、噪声、遮挡时也可以达到比较理想的跟踪效果.     

一种改进的模糊-统计混合聚类算法研究

本文对模糊-统计混合聚类算法进行了研究。在Woodbury算法的基础上,对似然函数和目标泛函数进行改进。研究表明,改进的算法比Woodbury算法在聚类分析时明显减少迭代次数,从而加快了收敛速度。     

改进的半监督模糊聚类算法

针对Ｇｒｉｒａ等近期提出的利用点对约束的半监督模糊聚类算法,其约束项与竞争聚类算法（ＣＡ）的目标函数之间数量级不一致,造成隶属度调整过度的问题,在重新定义目标函数的基础上提出一种改进算法,约束惩罚函数采用约束点对中两个样本新的联合表达式,使数量级与经典模糊聚类算法一致．实验结果显示,新算法的约束项与ＣＡ目标函数之间能很好地协调合作,并能通过对模糊隶属度的适度调整,实现更准确的聚类．