利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。      

一种基于权重融合的JPEG隐写分析方法

针对JPEG图像通用隐写检测中检测效率低、训练时间长的问题,提出一种基于集成分类器的新检测方法。算法以CC-PEV为特征对图像进行描述并作为隐写分析特征;然后,随机构造若干个特征子空间,用bootstrap方法构造图像训练子集,分别进行训练得到数个基分类器;根据基分类器的分类结果赋予基分类器不同的权重,将基分类器的结果按照其权重进行融合得到最终的结果。本文对该算法进行了测试,对它的集成性、检测准确率和训练时间进行分析。实验结果表明,相对于传统的集成方法,本文方法用自举方法构造训练集、随机方法构造子特征空间、赋予基分类器不同权重进行融合能够显著地提高算法准确率。本文方法相对于SVM和传统的集成分类方法,具有更高的检测率,对于特征维数更大的图像检测,具有更好的拓展性和一般适用性。     

基于深度学习技术的水稻生长期辨识方法研究

我国作为人口大国,对粮食的需求量与日俱增。文章以水稻田间管理为研究对象,采集广东省内不同地区的水稻田图像,基于深度学习技术,采用多分类器融合的思想,将不同分类器联合使用,得出以下结论：直接应用传统CNN网络辨识准确率低,采用多分类器融合的思想,得到的分类结果准确性高,融合后的分类性能优于任何单一分类器的分类性能,所提出的方法11类总体分类准确率达到70.3%。     

一种SVM集成的图像分类方法研究*

针对单分类器没有充分考虑数据集的特征而不能很好地完成分类识别,提出了一种基于集成学习技术的SVM集成的图像分类方法。该方法是在基于较为流行的词袋(Bag-of-Words,BOW)模型的图像分类方法的基础上,利用训练生成的不同SVM分类器分类测试图像,并将分类结果采用集成学习算法进行集成。分别采用传统的BOW模型的图像分类方法和本文提出的方法进行分类实验,实验结果表明采用SVM集成的图像分类方法明显提高了分类精度,具有一定的稳健性。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。     

基于集成学习的SAR图像农田区域识别与检测方法研究

旨在综合利用特征提取、多种分类器、图像融合、相关判决等方法,实现对SAR遥感图像中农田种植区域的精确识别与检测。首先论述了相关研究与应用现状,然后分析了SAR图像农田种植区域的特征提取、多种分类器训练与检测的效果,及采用基于PCA的SAR图像融合、多种检测结果的相关,最后综合以上提出了一种基于多分类器集成学习的SAR图像农田区域识别与检测方法。通过实验验证了文章所提出方法的有效性。     

基于集成学习的交互式图像分割

针对交互式图像分割人工标记示例匮乏、不同目标区域难以均衡标记,单一分类器难以获得有效分割结果的问题,提出一种多分类器集成学习的交互式图像分割方法.采用多元自适应回归样条(MARS)方法构造第一个分类器;同时引入光滑薄板样条回归函数(TPSR)构造与之互补的第二个分类器,综合组成bagging集成学习器,以降低单一分类器对噪声的敏感度并进一步提高人工标记样本特征空间的利用率.随后,基于半监督学习中的聚类假设,结合bagging多学习器并联特点,提出一种REG-Boosting半监督学习算法,实现半监督图像分割.在不同数据集上的验证性和对比性实验表明所提方法的有效性和优越性.     

基于深度学习的红外图像超分辨率重建方法

为了提高红外图像的超分辨率重建效果,提出基于深度学习的红外图像超分辨率重建方法。利用红外图像的反射特性与红外辐射特性建立红外图像的显著性区域检测模型;通过可见光与近红外图像之间样貌差异度水平检测图像的边缘轮廓特征,提取可见光与近红外光融合性特征参数;根据融合层次不同对图像信号级、像素级、特征级、决策级四个维度进行重建,提取图像的边缘、形状、纹理特征;根据特征分布的噪声水平与配准质量,采用深度学习算法实现对红外图像超分辨率重建。仿真测试结果得出,该方法进行红外图像重建的显著性特征检测能力较强,重建后将图像分辨率提升到1 280×960 PPI,模板匹配准确率为49.4%,峰值信噪比PSNR值高于36.34 dB,结构相似度SSIM值高于0.972,重建效果较好,更适合用于特定场景下的红外图像目标特征识别。     

集成学习在短文本分类中的应用研究

为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。     

基于随机子空间和AdaBoost的自适应集成方法

如何构造差异性大且精确度高的基分类器是集成学习的重点,为此提出一种新的集成学习方法——利用PSO寻找使得AdaBoost依样本权重抽取的数据集分类错误率最小化的最优特征权重分布,依据此最优权重分布对特征随机抽样生成随机子空间,并应用于AdaBoost的训练过程中.这就在增加分类器间差异性的同时保证了基分类器的准确度.最后用多数投票法融合各基分类器的决策结果,并通过仿真实验验证该方法的有效性.     

基于滤波器组的遥感图像融合方法及其性能分析研究

提出了一种基于滤波器组的图像融合方法,用以融合高空间分辨率全色图像和低空间分辨率的多光谱图像．在高空间分辨率全色图像经过多通道滤波器组分解的基础上,用多光谱图像直接替换全色图像低频子图像的方式进行融合处理;最后对替代后的子图像进行滤波器组重构得到融合后的图像．实验结果表明,通过调整滤波器组的通道个数,该方法能够使融合图像中空间信息和多光谱信息获得更好地折衷．     

基于深度学习的认知无线电调制参数估计

自动调制分类是电磁空间感知的一个关键问题，目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此，提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性，通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像，同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域，在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取，将提取的特征融合后用作神经网络分类器的输入，以实现对多种类型信号的自动调制分类。实验结果表明，使用Swin-Transformer网络模型对转换后的图像进行分类，在信噪比大于4 dB的情况下，调制方法的识别率超过90%。     

基于选择学习机制的深度图像超分辨率算法

针对深度图像传感器与彩色图像传感器的空间分辨率较差的问题,提出一种提高深度图像分辨率的算法,不同于传统方法,本文算法是基于机器学习的超分辨率选择机制,选择均值型、最大值型和中值型三种滤波器方法作为候选方法。首先运用高分辨率深度图像下采样和高分辨率彩色图像选择最优的滤波器,同时经过特征提取获得特征集;然后,高分辨率深度图像直接通过最优滤波器获得特征集;最后,这些特征集经过支持向量机(SVM)训练获得滤波器分类器。此外,本文还提出了一种频域特征向量,用于提高算法识别性能。无噪声和有噪声的深度图像实验验证了本文算法的有效性和鲁棒性,在真彩色和飞行时间深度图像的实验结果表明,本文算法的性能优于传统算法。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

基于离散余弦变换和主成分分析的光照条件人脸识别

在光照变化条件下,人脸识别的正确率急剧下降,为了解决该难题,提出了一种离散余弦变换和主成分分析相融合的光照变化条件人脸识别方法.首先对人脸图像进行分块,并采用离散余弦变换对每一个子块提取DCT系数,然后采用主成分分析提取人脸特征,并采用深度学习算法建立人脸识别的分类器,最后采用ORL和Yale B人脸库进行仿真实验,测试其有效性和优越性.实验结果表明,相比其它光照人脸识别方法,本文方法提高了光照人脸图像的识别率,消除了光照变化的不利影响,具有较强的鲁棒性.     

基于负相关神经网络集成的货币识别算法研究

为了提高货币识别率,提出了用负相关学习算法来提高神经网络集成的泛化能力.将紫外光照射下的纸币图片作为实验样本,将负相关学习法的集成神经网络用于分类器设计,选择6种面额纸币在不同噪声下的样本共300个作为训练样本,对单个神经网络分类器和神经网络集成分类器进行了MATLAB仿真,并对仿真所得的可靠性、识别率进行对比.实验结果表明,基于负相关学习的神经网络集成对货币识别分类有很好的效果,与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比,它的识别率平均可以高出4％.     

深度学习框架下的红外与可见光图像融合算法综述

红外与可见光图像融合是图像融合领域的重要分支。将红外与可见光传感器获取的图像进行互补融合,融合后的图像既具有红外图像的整体信息又具有可见光图像的细节信息,并广泛应用于日常生活和军事领域。由于深度学习在计算机视觉和图像处理领域具有显著优势,因此将深度学习框架应用于红外与可见光图像融合领域成为近年来的研究热点。本文首先根据融合算法的特点及原理,对现有基于深度学习框架的融合算法进行分类概述,并详细介绍算法的研究进展;其次,对图像融合领域的评价指标进行介绍;再次,选取不同分类中的典型算法进行融合试验,利用六种评价指标对实验结果进行评价;最后,分析总结融合算法存在的缺陷,对红外与可见光图像融合算法的发展方向进行展望。     

基于人脸测温技术的通道闸机人员身份识别方法

以往体温测量方式效率较低，无法满足疫情防控的需求，为了测量流动人员体温，保障公共空间的安全，提出一种基于人脸测温技术的通道闸机人员身份识别方法。利用红外热像仪采集并处理热红外人脸图像；借助人脸测温技术中的黑体模块构建温度——灰度模型，标注超温人员人脸图像；融合Gabor与SVD算法，提取超温人员人脸图像特征向量，构建与集成多分类器，识别超温人员的身份。实验数据显示，在不同特征向量维数下，应用提出方法获得的人脸测温误差较低，人员身份识别率高于最低限值，充分证实该方法的可行性。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

基于快速整数提升小波变换的多幅图像融合

在分析已有多分辨率图像融合方法的基础上,针对多幅图像融合模型的选择问题,提出了一种基于快速整数提升小波变换的多幅图像融合新算法。首先采用整数提升小波变换将多幅源图像分解到不同尺度、方向频带范围内,然后根据图像提升小波变换后不同子带的特点分别采用了2种新的高、低频融合策略,最后通过整数提升小波逆变换得到融合图像。对多幅源图像进行了融合实验,并对融合结果进行了主观和客观的评价。实验结果表明,该算法不仅适合多幅图像的实时快速融合,而且可以获得视觉效果较佳、细节更为丰富的融合图像。