用于表示级特征融合与分类的相关熵融合极限学习机

在极限学习机(ELM)网络结构和训练模式的基础上,该文提出了相关熵融合极限学习机(CF-ELM)。针对多数分类方法中表示级特征融合不充分的问题,该文将核映射与系数加权相结合,提出了能够有效融合表示级特征的融合极限学习机(F-ELM)。在此基础上,用相关熵损失函数替代均方误差(MSE)损失函数,推导出用于训练F-ELM各层权重矩阵的相关熵循环更新公式,以增强其分类能力与鲁棒性。为了检验方法的可行性,该文分别在数据库Caltech 101, MSRC和15 Scene上进行实验。实验结果证明,该文所提CF-ELM能够在原有基础上进一步融合表示级特征,从而提高分类正确率。

     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

改进蝙蝠算法优化极限学习机的图像分类

针对分类器中的极限学习机参数优化问题,本文提出一种改进蝙蝠算法优化极限学习机的图像分类模型。首先将极限学习机参数看作蝙蝠位置,然后采用改进蝙蝠算法进行求解。采用病毒群体感染主群体,主群体在历代个体间纵向传递信息,病毒群体通过感染操作在同代个体间横向传递信息,增强了算法跳出局部极小值的能力。最后根据最优参数建立图像分类模型,并对模型的性能进行仿真测试。仿真结果表明,相对于对比模型,本文模型不仅提高了图像分类正确率,而且加快了分类速度,是一种有效的图像分类模型。     

基于多特征融合技术的商品图像分类

针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。     

融合极限学习机

为提高极限学习机(Extreme Learning Machine, ELM)的分类性能,同时保留其训练速度快的优点,该文提出融合ELM的方法,详细分析了特征级融合及决策级融合两种实现方式。为实现决策级融合ELM,提出概率极限学习机(Probabilistic ELM, PELM),将传统ELM的数值型输出转化为概率型输出,使得不同特征的判决结果统一在固定范围。在此基础上,采用自适应权值的方式实现决策级融合,该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义。实验证明,该文提出的融合ELM相较于传统的单一特征支持向量机(SVM)方法及ELM方法,具有更优的分类性能;在训练时间方面,优于SVM方法。     

结合BM3 D去噪与极限学习机的SAR目标分类方法

合成孔径雷达(SAR)目标分类一般通过特征提取和分类决策具体实施.采用3维块匹配滤波(BM3D)去噪算法对SAR图像进行处理,减轻噪声干扰的影响.在此基础上,采用极限学习机(ELM)对去噪后的图像进行决策分类.ELM具有很高的分类效率和分类精度,其对噪声的敏感性可通过BEMD去噪算法克服.因此,通过结合BM3D以及EL...     

多光谱和SAR遥感图像融合分类的特征选取

针对多光谱和SAR遥感图像特征层融合分类的特征选取问题,以Landsat卫星的TM图像和JERS—1卫星的SAR图像融合分类为例,给出了一种基于Rough Set理论的最佳分类特征选取方法．     

基于红外目标分割的图像融合方法研究

针对红外图像中目标图像灰度分布集中,微光图像灰度分布相对均匀的特点,提出了一种先提取红外图像中的热目标,然后以微光图像为背景进行图像融合的方法.实验结果表明,该方法在保留微光图像高空间分辨率和丰富纹理细节信息的同时,又突出了红外图像中的热目标.     

小波变换在特征级多重图像融合与目标分类中的应用

针对特征级图像融合的一般规律,用小波变换算法实现了图像的多分辨分割,提取目标的多分辨特征矢量,在特征级完成CCD图像和热成像图像的信息融合,并基于融合特征实现目标分类,最后,对实验结果进行了分析,提出了在特征级图像融合及目标分类中应考虑的问题.     

基于多尺度特征融合的红外小目标检测方法

红外小目标检测因其探测距离远、抗干扰能力强等特点,在空中目标探测与跟踪系统中得到了广泛的应用.针对目前红外小目标检测算法在复杂背景下检测准确率低、虚警率高等缺点.提出了一种基于多尺度特征融合的端到端红外小目标检测模型(multi-scale feature fusion single shot multibox det...     

Encrypted image classification based on multilayer extreme learning machine

Nowadays, numerous corporations (such as Google, Baidu, etc.) require an efficient and effective search algorithm to crawl out the images with queried objects from databases. Moreover, privacy protection is a significant issue such that confidential images must be encrypted in corporations. Nevertheless, decrypting and then classifying millions of encrypted images becomes a heavy burden to computation. In this paper, we proposed an encrypted image classification framework based on multi-layer extreme learning machine that is able to directly classify encrypted images without decryption. Experiments were conducted on popular handwritten digits and letters databases. Results demonstrate that the proposed framework is secure, efficient and accurate for classifying encrypted images.     

改进极限学习机的电子音乐分类模型

针对传统模型无法准确实现电子音乐分类和识别的难题,提出改进极限学习机的电子音乐分类模型。首先对电子音乐数据进行采集,并提取其倒谱系数特征,并采用核主成分分析对特征进行筛选;然后采用遗传算法对极限学习机的参数进行选择,并用于构建电子音乐的分类器;最后采用多种类型的电子音乐进行仿真实验,改进极限学习机的电子音乐平均分类率达到了95%以上,电子音乐的错分率要远远低于当前其他电子音乐分类模型。实验结果验证了该电子音乐分类模型的可行性以及优越性。     

一种稳定的基于极端学习机的纹理分类方法

针对传统基于极端学习机(ELM)的纹理分类方 法容易出现输出不稳定的缺点,本文将线性和非线 性模型进行融合,改进了传统动力学模型。利用ELM能够快速学习的特点,将其作为基分类 器,同时利用 线性吸引子和局部吸引子的迭代,实现多个ELM分类器的最佳融合,以提升学习模型的泛 化能力和稳定 性。利用动力模型实现多分类器的融合有助于寻求多个基分类器之间的一致性,摒弃了基分 类器中判别错 误的样本输出。通过对CUReT纹理数据库的分类结果,与传统纹理分类方法相 比,本文算法的稳定性 和分类准确率都得到了一定程度的提升,取得了理想的分类效果。     

基于极限学习机的自动化图书信息分类技术

针对数字图书馆领域中的中文图书书目自动化分类问题,提出一种基于极限学习机的自动化图书信息分类方法。首先使用基于统计的分词方法对图书信息进行预处理形成特征项集合,并采用信息增益(IG)实现特征选择,从而减少特征项的数量;然后通过基于TF-IDF特征权重的向量空间模型进行文本表示;最后采用机器学习算法中的极限学习机对图书语料进行学习和测试。实验结果表明,相比朴素贝叶斯分类、K最近邻策略分类和支持向量机分类,基于极限学习机的分类方法可以有效实现图书自动分类过程,并具有较高的准确率和分类效果。     

一种微光与红外图像彩色融合方法

微光夜视仪和红外热像仪这两种图像传感器互补的成像特性可以使它们在几乎任何条件渊昼/夜/烟/雾）下观察场景。针对微光与红外图像,提出了一种彩色融合算法,可以使融合图像有相对自然真实的颜色感觉。首先用中心-环绕拮抗彩色融合算法产生彩色源图像,然后在YCbCr 颜色空间中让源图像的直方图与参考图像的相匹配。为了增强融合图像的对比度,可以先用灰度融合图像代替亮度分量,然后进行直方图匹配。仿真结果表明文中提出的方法可以使融合图像接近自然真实的颜色感觉,易于分辨识别目标,从而提高观察者或机器视觉系统的工作效率,增强对总体形势的意识能力。     

红外与可见光图像多特征自适应融合方法

为解决可见光图像可视性差与如何精确控制可见光与红外图像输入量的问题,本文提出一种结合图像自适应增强与独立性、聚焦度、对象性等显著性检测的可见光与红外图像融合算法。首先在可见光图像中引入自适应增强算法提高图像纹理细节的可见性,并对红外图像归一化处理,其次将处理后的图像利用引导滤波分解为细节层与基础层,利用显著性检测生成细节层的权重图,提高细节层中可见光图像背景信息与红外图像边缘信息的精确融合量,最终将依据权重值融合后的细节层与基础层组合得到最终的融合图像。为验证本文算法的优越性,选取图像熵、平均梯度、边缘强度、空间频率、视觉保真度、平均灰度等6种融合评价指标对融合图像定量分析,并利用YOLO v5（You Only Look Once）网络对各融合算法进行目标检测,结果表明本文算法在融合定性评价、定量评价与目标检测评价指标平均精度中达到最优。     

基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

基于HOGv-CLBP特征融合和ELM的交通标志识别

针对交通标志识别识别率低和时间复杂度大的问题 ,本文提出一种HOGv-CLBP特征融合和极限学习机的交通标志识别算法。首先通过描述交通 标志图像边缘信息的方向梯度直方图(HOG)特征,与能够 表示标志图像内部纹理信息的局部二值模式(LBP)特征融合得到降维后形成一种HOGv-CLB P有效特征, 然后利用ELM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别 率,而且降低了时间复杂度,增强了系统鲁棒性。     

红外与可见光图像深度学习融合方法综述

红外与可见光图像融合技术充分利用不同传感器的优势,在融合图像中保留了原图像的互补信息以及冗余信息,提高了图像质量。近些年,随着深度学习方法的发展,许多研究者开始将该方法引入图像融合领域,并取得了丰硕的成果。根据不同的融合框架对基于深度学习的红外与可见光图像融合方法进行归类、分析、总结,并综述常用的评价指标以及数据集。另外,选择了一些不同类别且具有代表性的算法模型对不同场景图像进行融合,利用评价指标对比分析各算法的优缺点。最后,对基于深度学习的红外与可见光图像融合技术研究方向进行展望,总结红外与可见光融合技术,为未来研究工作奠定基础。     

基于多特征融合的弱小目标检测方法研究

提出了一种基于多特征距离图的红外弱小目标检测方法。弱小目标的许多特征,如局部熵、平均梯度强度等,不但刻画了弱小目标的特点而且易于提取。通过特征融合技术,可以将弱小目标检测问题转化成在一个多特征空间的极值求取问题。该方法利用已经提取的多个特征,采用特征融合技术构造一个距离图像,再对该图像进行二值化处理,达到目标检测的目的。通过对实际的红外图像序列进行小目标检测,验证了所提方法的可行性和有效性。