图像特征提取中领域尺寸和本征维数的自动选择算法

本文首先对图像特征提取过程中的近邻距离进行线 性重构,然后对其在整个流形上的分布进行优化运算,得到一个最优线性重构权为变量的图 像数据局部低维特征的表达函数。最后以该函数稳定性的最小度量构造出适用于图像特征提 取的邻域尺寸和本征维数的自动选择策略。实验表明该方法实现了图像数据本征维数与邻域 尺寸的自动化选择,并具有计算简单、匹配率高且计算复杂性低等特点。     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析(ICA)和遗传算法(GA)相结合的人脸自动识别方法,人脸图像的独立基的获取是采用基于四阶统计信息的ICA算法;为了减少计算复杂度,对原图像进行滤波降维,并用遗传算法对ICA求得的独立基集合进行搜索得到了一个最优的独立基子集;最后,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决.对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高,且计算量小于传统的基于ICA人脸识别方法.     

基于HSI彩色模型的图像降维技术

为了实现快速而准确的图像检索,降低图像维数,通过对HSI色彩空间的分析,将RGB颜色模型转换为基于视觉感知的HSI颜色模型,提出了一种利用HSI颜色模型提取图像主色的图像降维算法。仿真结果表明,该算法无需事先指定需要降维的维数,能较好地利用图像的本征维数,达到图像快速降维的目的。     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。     

基于二维双向PCA的手写数字识别算法研究

手写数字识别系统中,传统K最近邻(KNN)算法的识别速度较慢,而基于主分量分析(PCA)以及二维主分量分析(2DPCA)的KNN识别算法其识别速度虽有提升,但识别率仍然有待提高。为此,提出了一种基于二维双向主分量分析(Two Dimension Double PCA,2DDPCA)结合KNN的识别算法,并使用MINIST手写数据集进行了仿真实验验证,结果表明,该算法与2DPCA相比,在识别速度相当的情况下,识别率可提高近3个百分点。     

基于PCA的代谢组学数据滤噪方法

代谢组学数据不可避免地受到各种刺激因素的作用,如何降低干扰因素的影响是代谢组学数据预处理的一个重要任务。详细分析了代谢组学数据方差的构成及其在特征空间中的分布特点,并在此基础上提出一种滤除未知干扰因素的新方法,提高感兴趣因素的显著性。文中采用真实的代谢组学数据验证新滤波算法的有效性,并与正交信号校正（orthogona...     

PCA联合子空间理论的规范化与扩展

对于高维数据的分类,主成分分析(PCA)联合子空间可为各类数据建立更为细致的概率模型,从而提高贝叶斯分类的准确性。本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数“代表特征根”的启发式取值正是其极大似然估计。本文进一步对样本残差的概率模型进行了扩展,提出了扩展型逐类联合子空间算法。最后,本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性。      

基于条件共生概率矩阵的移位JPEG双压缩检测

针对合成JPEG图像的小区域移位JPEG双压缩(SD-JPEG压缩)篡改问题,提出一种基于条件共生概率矩阵(CCPM)的SD-JPEG压缩篡改检测算法。为了减小图像内容的影响,增强SD-JPEG压缩效应,首先对JPEG量化的离散余弦变换(DCT)系数的幅度矩阵进行水平、垂直、主对角和副对角4个方向差分和阈值化处理,然后使用CCPM对这4个阈值化的差分矩阵进行建模,选取CCPM的元素作为特征数据,并用主分量分析(PCA)对其降维处理,最后通过支持向量机(SVM)技术判决图像块是否经过SD-JPEG压缩。实验结果验证了本文算法的有效性。     

基于PCA算法的人脸识别技术研究

随着计算机硬件技术的进步和改善、人脸识别算法的优化与改进,人脸识别技术逐渐成熟并在智慧校园中得到广泛应用.人脸识别技术研究的难点主要体现在特征提取和分类识别两个方面.本文研究人脸识别技术主成分分析法(Principal Component Analysis,PCA)的工作原理,并对它的数学解析进行推导.在以PCA算法为...     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于图像模糊度与主成分分析的车牌汉字识别

针对车牌汉字字符结构复杂且图像品质差异大而导致识别率不高的情况,提出了一种基于图像模糊度的主成分分析(PCA)子空间车牌汉字字符识别方法。首先通过三角模和非模糊基数计算字符图像的模糊度,然后根据模糊度将训练样本分成不同的子集并生成相应的PCA子空间族,最后以待识别字符的模糊度为依据选择相应的子空间族进行识别。实验数据表明,本文方法使得子类的类内距离变小类间距离增大,从而可以获得较高的识别率。与其他算法的对比实验进一步表明,本文算法能更好地同时满足精度和实时性的要求,具有良好的综合性能。     

基于中值PCA和加权PCA数据分类的研究

在分析了传统主成分分析（PCA）方法的原理和实现方法上,提出了基于中值的主成分分析新方法（MPCA）.另外,针对多类高维数据分类问题,较深入地研究了权函数对分类问题的影响,对传统PCA模型进行加权处理得到加权主成分分析（WPCA）.实验结果表明,MPCA比传统PCA具有较好的分类效果,不同权函数对数据的分类结果影响较大,且WPCA比传统PCA在分类效果上有明显的优势.     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

分块CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

利用PCA加速实现基于特征点的图像拼接

给出了一种对具有旋转、放缩或光照差异等现象的图像进行加速拼接的方法.采用多分辨分析提取Harris特征点,构建特征描述向量;然后利用主成分分析方法,在不损失特征向量信息的前提下,降低特征向量维度,减少特征匹配计算时间.实验表明:该拼接方法能够实现图像的有效拼接.     

Estimation of rock-aggregate volume based on PCA and LM-optimized neural network

In granule processing industries, acquisition of particle size and shape parameters is a common procedure, and volumetric measurement is of great importance in dealing with particle sizing and gradation. To eradicate the major drawbacks with manual gauge, this paper proposes an optical approach using Back Propagation (BP) neural network to estimate the particle volume based on the two-Dimensional (2D) image information. To achieve the better network efficiency and structure simplicity, Principal Component Analysis (PCA) is adopted to reduce the dimensions of network inputs. To overcome the shortcomings of generic BP network for being slow to converge and vulnerable to being trapped in local minimum, Leven-berg-Marquardt (LM) algorithm is applied to achieve a higher speed and a lower error rate. The real particle data is utilized in training and testing the presented network. The experimental result suggests that the proposed neural network is capable of estimating aggregate volume with satisfactory precision and superior to the generic BP network in terms of performance capacity.