非负矩阵分解耦合环形区域分割的图像哈希认证算法

受到图像传输的限制,研究人员还未设计出同时具备较强安全性、鲁棒性,且行之有效的耦合环形区域分割的图像哈希认证算法。因此,提出非负矩阵分解耦合环形区域分割的图像哈希认证算法。所提算法利用高斯平滑滤波电路,除去图像中较为明显的噪音、调节图像亮度,并通过非负矩阵分解通过构建图像耦合环形区域预处理函数,对滤波后的图像进行耦合环形区域分割,完成图像的预处理。在图像的耦合环形区域进行图像哈希认证前,先对耦合环形区域分割结果进行归一化处理,对非负矩阵分解的分割结果进行归纳,减少算法运算量。算法根据归一化处理结果对图像哈希算法流程进行设计。经实验验证表明,所提算法具备较强的安全性和鲁棒性,对增强图像传输清晰度较为有效。     

基于投影梯度的NMF相关反馈医学图像检索算法

相关反馈技术是近年来在图像检索中较为重要的研究方法,由于有人的参与,它能在一定程度上弥补图像的底层特征难以表达图像语义内容的不足.由于NMF在一定程度上勾勒出了相关图像在基矩阵所代表的空间中的分布,因而对整个图像库进行检索时可以查找到更多的相关图像.提出了一种基于投影梯度的非负矩阵分解(NMF)相关反馈方法,与常用的基...     

基于角点检测和NMF的图像Hash算法

为了有效地实现图像Hash函数在图像认证检索中的应用,提出了结合Harris角点检测和非负矩阵分解(NMF)的图像Hash算法,首先提取图像中的角点,对角点周围图像块信息进行非负矩阵分解得到表征图像局部特征的系数矩阵,进一步量化编码产生图像Hash。实验结果表明,得到的图像Hash对视觉可接受的操作如图像缩放、高斯低通滤波和JPEG压缩具有良好的稳健性,同时能区分出对图像大幅度扰动或修改的操作。     

基于约束NMF的盲源分离算法

非负矩阵分解(NMF)是解决非独立源信号混合的盲分离的另一条新途径.该文提出一种基于约束NMF的盲源分离算法,在对NMF估计得到的源信号施加最小相关约束的基础上,对混合矩阵估计施加行列式约束,实现NMF的唯一分解.与已有算法相比,本算法放宽了对混合矩阵的稀疏性要求,大幅提高了信号分离质量.该算法仍适用于独立源信号分离问题.     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

基于NSCT域的动态WNMF图像融合算法的研究

在红外线与可见光图像的融合过程中，经常会出现融合图像细节方面缺失的情况。为了解决这一问题，采用了改进的非下采样轮廓波变换（NSCT）图像融合算法，融入动态的加权非负矩阵分解规则（WNMF），对图像进行融合处理。结果表明，利用非下采样轮廓波变换算法对两幅源图像进行多尺度多方向的分解，可得到低频与高频部分；动态的WNMF融合规则作为低频部分的融合规则；高频部分中最高层的分解尺度采用绝对值取大的方法；高频部分其它各层则设定匹配度阈值；低于阈值时，使用基于区域能量匹配度的区域方差选大的方法；如果高于阈值时，采用加权平均的方法进行；通过对低频部分与高频部分的处理，用NSCT逆变换方式获得了融合图像。该方法有效提高了融合图像清晰度，凸显了其细节信息，缩短了所需的计算时间。     

基于NMF和LS-SVM的肖像漫画生成算法研究

提出一种基于非负矩阵分解(NMF)和最小二乘支持向量机(LS-SVM)的肖像漫画生成算法.在训练阶段,利用非负矩阵分解来对夸张特征空间数据降维,运用最小二乘支持向量机(LS-SVM)统计学习夸张漫画与人脸之间的关系,建立形状夸张模型.在应用阶段,利用AAM算法提取人脸特征点,形状夸张模型计算出相应的漫画特征点数据,经过图像变形和风格化即可得到最终的肖像漫画.算法实验表明,该算法可以合理地夸张主要特征并避免过度变形.     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

基于压缩感知的图像哈希算法

在信息安全相关研究中,图像哈希算法是一项热门的内容,通过一串短效的字符、数字序列,对一副图像进行映射,在数字水印、图像检索、图像索引、图像认证等方面,均有着广泛的应用.哈希算法的两个基本性质就是感知鲁棒性、惟一性.传统的密码学哈希算法,一般仅适用于文本数据,需要设计开发新的哈希算法,用于图像等多媒体数据的处理.基于此,本文基于数字图像,提出了基于压缩感知的图像哈希算法,分别以颜色向量角、环形分割为切入点,对图像哈希算法进行了研究.     

基于非负矩阵分解的彩色图像质量评价方法

针对稀疏表示的图像质量评价模型都基于灰度图像,缺少颜色信息,该文提出一种基于非负矩阵分解(NMF)的全参考彩色图像质量评价方法。首先,从自然彩色图像中随机采样,得到训练样本,利用非负矩阵分解,训练得到特征基矩阵,并经过Schmidt正交化,构建特征提取矩阵;其次,根据视觉显著性模型,利用最大视觉显著性和显著性差值两步骤选取视觉重要区域;最后,利用特征提取矩阵,得到低维的特征向量,并最终得到彩色图像质量评价值。实验结果表明,该文方法在LIVE, CSIQ和TID2008 3个图像质量评价库上有很好的表现。3个图像库的平均结果显示,该文方法的综合表现优于所有对比方法。这表明该文方法与主观感知有更好的关联度。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

基于Sinkhorn距离特征缩放的多约束非负矩阵分解算法

为了减少原始特征对非负矩阵分解(NMF)算法的共适应性干扰,并提高NMF的子空间学习能力与聚类性能,该文提出一种基于Sinkhorn距离特征缩放的多约束半监督非负矩阵分解算法。首先该算法通过Sinkhorn距离对原始输入矩阵进行特征缩放,提高空间内同类数据特征之间的关联性,然后结合样本标签信息的双图流形结构与范数稀疏约束作为双正则项,使分解后的基矩阵具有稀疏特性和较强的空间表达能力,最后,通过KKT条件对所提算法目标函数的进行优化推导,得到有效的乘法更新规则。通过在多个图像数据集以及平移噪声数据上的聚类实验结果对比分析,该文所提算法具有较强的子空间学习能力,且对平移噪声有更强的鲁棒性。     

一种基于部分基矩阵稀疏约束非负矩阵分解的抵抗大强度剪切攻击视频水印构架

该文提出一种部分基矩阵稀疏约束的非负矩阵分解(Non-negative Matrix Factorization with Sparseness Constraints on Parts of the Basis Matrix, NMFSCPBM)方法,其次将水印嵌入在NMFSCPBM分解后的基矩阵大系数中,利用NMFSCPBM提取视频运动特征自适应控制水印嵌入强度。最后,在水印检测时,只要残余视频中包含有视频最小剩余子块数,就可以恢复出完整基矩阵,进而提取出完整水印。实验表明,与同类方法相比,该方法抵抗强剪切攻击的能力获得了较大程度提升。     

非负矩阵集分解

非负矩阵分解(Nonnegative Matrix Factorization,NMF)是一种新近被提出的方法,它以非线性的方式实现对非负多元数据的纯加性、局部化、线性和低维描述。NMF可使数据中的潜在结构、特征或模式变得清晰,因此它作为一种有效的特征提取手段已被成功应用在许多领域的研究中。但是,NMF 的处理对象本质上是向量,用NMF处理数据矩阵集时要先将被处理矩阵集中的矩阵逐一矢量化,这常使对应的学习问题成为典型的小样本问题,从而使NMF结果的描述力不强、推广性差。为克服这两个问题,并保留NMF的好的特性,该文提出了非负矩阵集分解(Nonnegative Matrix-Set Factorization,NMSF),不同于NMF处理数据矩阵的矢量化结果,NMSF直接处理数据矩阵本身。理论分析显示：处理数据矩阵集时,NMSF会比NMF描述力强、推广性好。为了说明NMSF如何实现,也为了能对NMSF的性能做实验验证,构造了NMSF实现方式之一的基于双线性型的NMSF(Bilinear Form-Based NMSF,BFBNMSF)算法。BFBNMSF和NMF的比较实验结果支持了理论分析的结论。需要指出,更佳的描述力和更好的推广性意味着NMSF比NMF更善于抓住数据矩阵的本质特征。     

Image annotation using multi-view non-negative matrix factorization with different number of basis vectors

Automatic Image Annotation (AIA) helps image retrieval systems by predicting tags for images. In this paper, we propose an AIA system using Non-negative Matrix Factorization (NMF) framework. The NMF framework discovers a latent space, by factorizing data into a set of non-negative basis and coefficients. To model the images, multiple features are extracted, each one represents images from a specific view. We use multi-view graph regularization NMF and allow NMF to choose a different number of basis vectors for each view. For tag prediction, each test image is mapped onto the multiple latent spaces. The distances of images in these spaces are used to form a unified distance matrix. The weights of distances are learned automatically. Then a search-based method is used to predict tags based on tags of nearest neighbors’. We evaluate our method on three datasets and show that it is competitive with the current state-of-the-art methods.     

基于显著性检测与HOG-NMF特征的快速行人检测方法

行人检测在机器人、驾驶辅助系统和视频监控等领域有广泛的应用,该文提出一种基于显著性检测与方向梯度直方图-非负矩阵分解(Histogram of Oriented Gradient - Non-negative Matrix Factorization, HOG-NMF)特征的快速行人检测方法。采用频谱调谐显著性检测提取显著图,并基于熵值门限进行感兴趣区域的提取;组合非负矩阵分解和方向梯度直方图生成HOG-NMF特征;采用加性交叉核支持向量机方法(Intersection Kernel Support Vector Machine, IKSVM) 。该算法显著降低了特征维数,在相同的计算复杂度下明显改善了线性支持向量机的检测率。在INRIA数据库的实验结果表明,该方法对比HOG/线性SVM和HOG/RBF-SVM显著减少了检测时间,并达到了满意的检测率。     

基于人类视觉系统的图像感知哈希算法

图像感知哈希(Perceptual Hashing)是一门新兴技术,它通过对图像感知信息的简短摘要和基于摘要的匹配,来支持图像的认证和识别,具有广泛的应用前景.目前关于图像感知哈希的研究主要集中在图像特征的提取上,但是特征的选择缺乏对人眼视觉特性的考虑.本文从不同的侧面提出几种基于人类视觉系统的图像感知哈希算法.通过这几种算法之间和已有传统算法之间的测试比较,结果表明考虑了人眼视觉特性的图像感知哈希算法在鲁棒性和区分性上能够得到提高,算法给出的感知距离度量更符合人的主观感受.