基于局部保持映射的图像隐密检测算法

提出了一种新的基于局部保持映射（Locality Preserving Projections,LPP）降维的图像隐密检测方案。为降低图像特征向量的维数,同时保持其内在低维结构,方便构造更有效的分类器,在经过小波变换形成图像特征后,利用LPP算法得到图像特征集的低维流形,实现对图像高维特征的降维。进而使用支持向量机（SVM）算法将降维后的特征映射到分类特征空间,实现对正常图像和隐密图像分类。实验结果表明,与不采用降维算法的检测方案相比,提出的方案能够显著地提高检测的准确率。     

基于差分零系数和索引共生矩阵的通用隐密分析

为提高互联网通信的安全性和可靠性,提出一种针对图形交换格式(graphics interchange format,简称GIF)图像的隐密分析算法.该算法基于差分零系数(differential zero coefficients,简称DZC)和索引共生矩阵(index cooccurrencematrix,简称ICM),提取对图像像素间颜色相关性和图像纹理特征变化敏感的36 维统计特征.结合支持向量机(support vector machine,简称SVM)分类技术,实现对GIF 图像中隐密信息的有效检测.实验结果表明,相比于同类算法,该算法对最佳奇偶分配(optimum parity assignment,简称OPA)、分量和(sum of components,简称SoC)、多比特分配(multibit assignment steganography,简称MBA)等典型隐密算法以及EzStego,S-Tools4,Gif-it-up 等网络上常见隐密工具的检测效果更佳,时间效率更高,且具备通用隐密分析的能力.     

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

应用于人脸识别的改进局部保持投影算法

局部保持投影算法（locality preserving projections,LPP）作为降维算法,在机器学习和模式识别中有着广泛应用。在识别分类中,为了更好的利用类别信息,在保持样本点的局部特征外,有效地从高维数据中提取出低维的人脸图像信息并提高人脸图像的识别率和识别速度,使分类达到一定优化,基于LPP算法结合流形学习思想,通过构造一种吸引向量的方法提出一种改进的局部保持投影算法（reformation locality preserve projections ,RLPP）。将数据集利用极端学习机分类器进行分类后,在标准人脸数据库上的进行试验,实验结果证明,改进后算法的识别率优于LPP算法、局部保持平均邻域边际最大化算法和鲁棒线性降维算法,具有较强的泛化能力和较高的识别率。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

基于流形学习和SVM的Web文档分类算法

为解决Web文档分类问题,提出一种基于流形学习和SVM的Web文档分类算法。该算法利用流形学习算法LPP对训练集中的高维Web文档空间进行非线性降维,从中找出隐藏在高维观测数据中有意义的低维结构,在降维后的低维特征空间中利用乘性更新规则的优化SVM进行分类预测。实验结果表明该算法以较少的运行时间获得更高的分类准确率。     

一种基于流形学习的图像检索特征降维方法

"维度灾难"是基于内容的图像检索(CBIR,content-based image retrieval)技术需要重点解决的关键问题。局保投影(LPP,locality preserving projections)流形学习算法可以最大限度地保留图像的局部非线性结构,从而更能够保留图像的本质特征。利用LPP流形学习算法的特性,在CBIR框架下,提出了一种图像检索特征降维方法。实验结果表明,方法在保持与原始特征基本相当的检索性能情况下,特征比对的计算复杂度可以降低66.51%。     

基于LPP的工业过程故障检测

针对传统的降维算法在降维过程中存在着丢失数据的局部邻域信息的问题,一种基于局部保持投影(LPP)用于工业工程数据检测的方法被应用。LPP算法的思想是通过构造数据样本点之间的亲疏关系,并且在投影降维的同时保留数据样本点的这种局部邻域结构,从而保留数据的局部信息。论文将LPP算法与传统的降维算法-主元分析法(P CA)在田纳西-伊斯曼过程(T EP)仿真系统上进行检测对比,结果表明,LPP算法具有更加优越的检测性能。     

基于Curvelet及LPP的人脸识别算法

基于人脸图像的曲线奇异性及高维图像数据带来的计算复杂性．提出一种结合Curvelet变换与LPP的人脸识别方法。首先通过Curvelet变换对人脸图像降维,利用LPP将图像投影到最优子空间中,利用支持向量机进行分类识别,实验结果表明该算法的识别效果优于小波变换结合LPP方法、LPP方法。     

基于步态能量图的特征提取

本文提出了采用步态能量图作为检测的特征,由于直接提取到的特征序列维数较高,需要对特征序列进行降维处理.本文采用保局映射投影(LPP)方法对特征序列进行降维,得到了较好的效果.     

特征维数对隐写检测的影响分析

通过实验验证并分析图像隐写检测过程中特征维数对隐写检测正确率的影响,对比使用人工选取与机器降维的隐写图像识别率。结果表明,低维特征更有利于简化分类器的设计,降低计算复杂度,提高隐写检测正确率,且机器降维后的特征相比人工选取的特征拥有更好的隐写检测效果。     

改进GA-PSO优化SVM的行人检测算法

针对当前对于行人检测的准确率和检测效率的要求越来越高,提出一种GA-PSO算法对于支持向量机（SVM）参数优化的行人检测方法。首先,针对梯度直方图特征描述子的维数高、提取速度慢,使用PCA对其进行降维处理;以SVM算法作为分类器,为避免传统单核支持向量机算法检测率低的情况出现,以组合核函数作为分类器核函数,并设置松弛变量,引进惩罚因子,结合遗传算法（GA）和改进权重系数的粒子群算法（PSO）进行组合系数和参数的优化与选择,根据优化后的参数构成最终的SVM分类器进行行人检测。实验结果表明,与传统SVM检测以及其他优化方法相比,检测率方面都有明显改进,且满足对检测效率的要求。     

基于密度刻画的降维算法

针对LLE算法在数据密度变化较大时很难降维的问题,提出一种基于密度刻画的降维算法。采用cam分布寻找数据点的近邻,并在低维局部重建时对数据点加入密度信息。对手写体数字图像进行字符特征的降维,再对降维后的特征进行分类识别。实验结果表明,该方法能区分字符,具有较好的识别率,能够发现高维空间的低维嵌入流形。     

基于小波奇异性分析的扩频隐写检测算法

针对扩频隐写会破坏图像局部平稳性而使其产生高频奇异性的缺点,提出一种基于小波奇异性分析的扩频隐写检测算法。通过分析待测图像不同尺度下小波系数模极大值数量的变化情况,提取8维特征向量作为Fisher分类器的输入向量并对共进行训练。对测试样本的检测和攻击实验结果表明,该算法的平均检测率达到80％以上,能够检测出隐写的大致频带范围并实施有效的滤波攻击,为隐秘信息的进一步提取奠定了基础。     

基于ACO-FS-SVM特征选择加权的网络入侵分类方法

特征选择和分类器设计是网络入侵分类的关键,为了提高网络入侵分类率,针对特征选择问题,提出一种蚁群算法优化SVM选择和加权特征的网络入侵分类方法.首先利用支持向量机的分类精度和特征子集维数加权构造了综合适应度指标,然后利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索;然后选择网络数据的关键特征,计算信息增益获得各个特征权重,并根据特征权重构建加权支持向量机的网络入侵分类器;最后设计了局部细化搜索方式,使得特征选择结果不含冗余特征的同时提高了算法的收敛性,并通过KDD1999数据集验证了算法有效性.结果表明,ACO-SVM有效降低了特征维数,提高了网络入侵检测正确率和检测速度.     

基于BM3D预处理的纹理光照不变特征提取算法

为消除光照变化对图像结构信息的影响,提出基于三维块匹配（BM3D）预处理的纹理光照不变特征提取算法。基于BM3D算法的良好降噪特性,该方法首先对图像各颜色通道采用BM3D降噪,利用小波变换得到各颜色通道对数域的低频和高频分量,然后对低、高频分量分别运用小波降噪和Bayes-Shrink算法降噪,并构造光照不变量,最后采用主成分分析(PCA)降低特征维度,取得特征向量,并利用K-最近特征线分类器进行图像分类。在Outex_TC_00014纹理数据库的实验结果表明,该算法具有较好的分类效果。     

图像的扩散界面无监督聚类算法

图像的无监督聚类就是基于图像数据,在无任何先验信息的情况下将整个图像集合划分成若干子集的过程。由于图像的本征维度很高,在图像处理中会遇到“维数灾难”问题。针对图像无监督聚类的特点,提出了一种图像的扩散界面无监督聚类算法,将图像编码成高维观测空间中的点,再通过投影变换映射到低维特征空间,在低维特征空间中构建扩散界面无监督聚类模型,并在模型中引入维度约简算子,采用循环迭代算法优化扩散界面模型的能量函数。基于最优的扩散界面,将整个图像集合聚类成不同的子集。实验结果表明,扩散界面无监督聚类算法优于传统聚类算法中的K-means算法、DBSCAN算法和Spectral Clustering算法,能够更好地实现图像的无监督聚类,在相同条件下具有更高的准确度。     

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.     

基于特征属性信息熵的网络异常流量检测方法

针对网络异常流量检测问题,文章提出一种基于网络流量特征属性信息熵的异常流量检测方法.该方法首先计算描述网络流量特征变化的源端口号、目的端口号、源IP地址和目的IP地址这4种特征属性信息熵,并进行归一化处理,降低异常样本数据对分类性能的影响;然后利用自适应遗传算法对支持向量机分类器的惩罚参数和核函数参数进行优化,提高分类...