基于RPCA的皮革图像缺陷检测

提出了一种皮革视觉缺陷检测算法.通过分析皮革图像的低秩特征,将皮革图像缺陷检测问题转变为从低秩背景图像中分离稀疏矩阵图像.首先采用Gaussian高通滤波器对图像进行了预处理,然后利用鲁棒性主成成分分析(RPCA)对图像进行低秩稀疏分解,并采用效率较高的非精确增广拉格朗日乘子法(IALM)求解.对分解后的稀疏图像进行了后处理,最终在二值图像中获得缺陷的形状和位置.该算法的效率及准确率已经在实验中进行了验证,并与现有算法进行了比较.实验表明,该算法可以用来检测各种不同种类和大小的缺陷,检测准确率高且能够提供完整的缺陷掩模.     

一种鲁棒的三维水印方案

提出了一种基于Spin-Image的鲁棒水印算法.首先通过Spin-Image变换,提取出网格模型的全局几何特征,同时实现几何数据的二维参数化,然后利用K-L变换对Spin-Image映射的方阵进行降维,保留其主要特征,并利用小波域低频系数构造出用于注册的水印.实验结果表明,该算法很好地平衡了水印鲁棒性和透明性之间的矛盾,而且对常见的水印攻击手段,如平滑、加噪、剪切、网格简化等具有较好的鲁棒性.     

基于频率响应信号PCA的陶瓷绝缘子缺陷检测

为了对陶瓷绝缘子缺陷进行检测，利用频率响应分析法(FRA)识别陶瓷绝缘子主要固有模态的峰值范围，运用时间频域特征提取的主成分分析(PCA)对陶瓷绝缘子进行缺陷检测。通过选取安装在500kV输电塔上材质为方石英和氧化铝的67个陶瓷绝缘子样本，研究了瓷体、瓷帽和内部三种典型的陶瓷绝缘子缺陷类型。通过PCA对时间数据和频率响应数据提取特征进行分析，实现了对完好、瓷体缺陷、瓷帽缺陷、内部缺陷和材质的区分问题。实验结果表明：内部缺陷表现为固有模态的消失或新模态的产生，基于时间数据的PCA对数据方差贡献最大的向量达到99.74%，可以区分瓷体缺陷和材质；基于频率响应数据的PCA对数据方差贡献最大的向量达到96.70%，可实现陶瓷绝缘子内部缺陷检测。     

基于核主成分分析的图像模糊篡改检测算法

现有的图像模糊篡改检测算法通常提取模糊操作引入的某单一特征进行判断,为更好地提高算法检测效率,提出基于核主成分分析的模糊篡改检测算法.通过奇异值分解提取第一组特征,计算图像二次模糊相关性作为第二组特征,计算图像质量因子作为第三组特征.运用核主成分分析方法实现多特征融合.采用支持向量机进行判断,从而实现模糊篡改检测.实验表明:该算法能够有效地检测数字篡改图像的模糊操作痕迹,并能对模糊篡改区域进行准确定位.     

基于正交水印的盲水印检测技术

提出一种稳健的盲水印检测技术.利用水印信号与主数据之间的正交性,水印检测时不需要使用原始数据并且可以彻底消除主数据噪声的干扰,从而大大提高了水印检测器的稳健性.无论是根据Neyman-Pearson准则还是最小错误概率准则,理论分析表明本文检测器在性能上可以取得很大改善.利用对水印加权的分组技术,盲水印检测器在性能上逼近非盲水印检测器.各种失真下的实验结果表明这种盲水印检测技术是有效的.     

晶圆表面缺陷在线检测研究

针对准确与实时检测晶圆表面缺陷的需求,提出了一种基于主成分分析(Principal Component Analysis, PCA)和贝叶斯概率模型(Bayesian Probability Model, BPM)的在线检测算法。首先,改进双边滤波方法以消除晶圆表面图像中的噪声和突出晶圆表面的模式特征。然后,提取晶圆表面缺陷的Hu不变矩、方向梯度直方图(Histogram of Oriented Gradients, HOG)和尺度不变特征变换特征(Scale Invariant Feature Transform, SIFT)。接着,采用PCA方法对特征进行降维。最后,在离线建模阶段构建各种缺陷模式的BPMs;在在线检测阶段采用胜者全取(Winner-take-all, WTA)法判断缺陷的模式和构建新缺陷模式的BPMs。提出算法在WM-811K晶圆数据库中得到了87.2%的检测准确率。单副图像的平均检测时间为40.5ms。实验结果表明,提出算法具有较高的检测准确性与实时性,可以实际应用到集成电路制造产线的晶圆表面缺陷在线检测中。     

基于候选区域对比度的显示屏缺陷检测方法

显示屏在生产、组装过程中易出现多种类型的缺陷,传统的人工检测方法工作量大,主观性强,检测标准难以量化,误判率高。为此,提出一种使用折线阈值对候选区域对比度进行阈值判断的显示屏缺陷检测方法。通过计算候选区域对比度来检出点状、块状、Mura缺陷,候选区域对比度的计算方式克服了显示屏亮度不均匀产生的影响,使用折线阈值对候选区域对比度进行阈值判断,提高了低对比度Mura缺陷的检测精度。     

采用核判别分析的图像水印方法

提出一种新的基于核判别分析的图像水印方法.栽体图像被划分为不重叠的图像块,并且每个图像块被进一步分为两个子图像块.所有这些子图像块分别进行小波分解.利用图像块的两个子图像块局部能量之间的某种关系来隐藏水印信息.为了提取水印,核判别分析方法被用作分类器来学习这种关系.通过利用核判别分析良好的学习能力,水印能在几种不同攻击下被正确地提取,并且不要求原始图像参与.实验结果表明本文方法在对抗诸如JPEG压缩、加噪、低通滤波、锐化等攻击有比其它几种方法更好的性能和鲁棒性.     

基于图像指纹的数字图像水印检测方法

数字水印是近年来出现的一种新的数字媒体产品版权保护技术，然而在实际应用情况下，带有水印的图像不可避免地会受到一些如图像滤波、图像增强、图像锐化和图像压缩等无意攻击及合谋攻击、混淆攻击、削去攻击等恶意攻击。数字图像水印的仿射变换攻击破坏水印检测器与水印信号的同步达到攻击的目的，是一种有效的水印攻击方法。利用图像指纹恢复经仿射变换的水印图像，使水印检测器与水印同步以达到有效检测水印的目的。实验表明，使用该方法能较好地恢复图像，有效地同步水印检测器与水印信号，从而使水印对仿射变换攻击具有鲁棒性。     

在DCT域内应用RBF神经网络检测图像水印

主要研究了低水印嵌入强度下数字图像水印的检测方法,提出了一个在DCT域内应用径向基函数（RBF）神经网络检测数字图像水印的方案。该方案通过设计一个基于最小二乘学习算法的RBF神经网络,利用它良好的非线性映射能力从待测水印图像中提取出嵌入的水印,从而实现对数字图像水印的有效检测。与直接基于相关技术的数字图像水印检测方案相比,在低水印嵌入强度下本文提出的检测方案具有更好的水印检测能力。     

概率核主成分分析及其应用

主成分分析（PCA）、核主成分分析（KPCA）和概率主成分分析（PPCA）是已经取得广泛应用的特征提取方法。提出一种基于概率核主成分分析（PKPCA）的检测液晶屏幕亮点的方法。作为对PPCA的一种非线性扩展,PKPCA在PPCA的基础上引入了核函数方法,因而其捕获模式非线性特征的能力更强。在KPCA和PPCA的基础上推导了PKPCA过程公式,并在检测液晶屏幕亮点的应用中将PKPCA、PPCA、PCA算法进行比较。实验结果表明,PKPCA的检测率和局部信噪比优于其他两者。     

基于动态参数的函数空间学习最优核映射

核函数方法可挖掘出高精度快速印刷品图像间的非线性分布规律,而挖掘能力由所选择的核函数及其参数来决定。这两者的学习与选择同样是核函数理论继续发展与实际应用需要迫切解决的问题。针对印刷品智能检测这一特定背景,提出了一种新的基于优化问题的从具有动态参数的函数空间中学习核函数及参数的方法,以此来使核函数方法达到最优性能。与传统的计算方法不同之处在于其核函数空间中的核参数是连续变化的,这使学习的范围得到一个维度上的扩展。实验结果显示,结合理论分析的迭代算法仅需要10次迭代便可得到统计最优的核函数及参数,利用学习到的核函数计算的复原误差是统计最小的。     

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析（KPCA）监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。     

单向阀的小波包核主元分析故障检测

高压活塞隔膜泵是管道输送的最重要动力源,为了解决其内部单向阀故障的在线监测问题,提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理,求出信号各频率段的能量值;然后采用KPCA方法对能量值在高维空间进行分解建立特征模型,利用特征模型中的SPE和T2统计量对故障信号进行检测;最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对,表明所提方法能够快速、准确地对单向阀故障进行在线检测,在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。     

一种实用的说话人特征提取方法

针对稀疏核主成分分析方法在特征提取中的不足,提出了一种基于核K-均值聚类的稀疏核主成分分析（Sparse KPCA）的特征提取方法用于说话人识别。通过核K-均值聚类的方法对语音帧进行聚类,由于聚类的中心能够很好地代表类内的特征,用中心样本帧取代该类,减少了核矩阵的维数,然后再采用稀疏KPCA方法对核矩阵进行特征提取。该方法能够减少存储空间和计算的复杂度,它保证约简后的数据能够很好地代表原始数据并且在约简过程中信息损失最小。实验结果验证了提出的方法在不影响识别率的前提下提高了识别速度,满足了说话人识别的实用性要求。     

特征有效提取的自适应核特征子空间方法

基于核的主成分分析(KPCA)方法能提取数据的非线性特征,但特征提取的效率却与训练样本集合的容量成反比.文中提出一种特征提取的自适应核特征子空间方法来快速有效地提取特征.该方法和KPCA方法在理论分析框架上是一致的,但通过自适应的选取核子空间的张成向量,能在提高特征提取效率的同时不影响特征提取的精度.针对模拟数据和MNIST数据的实验结果表明文中方法优于经典KPCA方法和参考方法.     

一种融合KPCA和KDA的人脸识别新方法

核判别分析（KDA）和核主成分分析（KPCA）分别是线性判别分析（LDA）和主成分分析（PCA）在核空间中的非线性推广,提出了一种融合KDA和KPCA的特征提取方法并应用于人脸识别中,该方法综合利用KDA和KPCA 的优点来提高人脸识别的性能。此外,还提出了一种广义最近特征线(GNFL)方法来构造有效的分类器。实验结果证明：提出的方法获得了更好的识别结果。     

基于特征选择和TrAdaBoost的跨项目缺陷预测方法

跨项目软件缺陷预测可以解决预测项目中训练数据较少的问题,然而源项目和目标项目通常会有较大的数据分布差异,这降低了预测性能。针对该问题,提出了一种基于特征选择和TrAdaBoost的跨项目缺陷预测方法（CPDP-FSTr）。首先,在特征选择阶段,采用核主成分分析法（KPCA）删除源项目中的冗余数据;然后,根据源项目和目标项目的属性特征分布,按距离选出与目标项目分布最接近的候选源项目数据;最后,在实例迁移阶段,通过采用评估因子改进的TrAdaBoost方法,在源项目中找出与目标项目中少量有标签实例分布相近的实例,并建立缺陷预测模型。以F1作为评价指标,与基于特征聚类和TrAdaBoost的跨项目软件缺陷预测（FeCTrA）方法以及基于多核集成学习的跨项目软件缺陷预测（CMKEL）方法相比,CPDP-FSTr的预测性能在AEEEM数据集上分别提高了5.84%、105.42%,在NASA数据集上分别提高了5.25%、85.97%,且其两过程特征选择优于单一特征选择过程。实验结果表明,当源项目特征选择比例和目标项目有类标实例比例分别为60%、20%时,所提CPDP-FSTr能取得较好的预测性能。     

一种快速核特征提取方法及其应用

针对核主成分分析方法（KPCA）存在大样本集的核矩阵K计算困难问题,提出一种基于分块特征向量选择的快速核主成分分析方法。采用分块特征向量选择方法提取样本子集,用样本子集建立KPCA模型。将该方法应用于某化工过程的特征信息提取,并与全体样本的KPCA相比较。实验结果表明,两者特征提取的有效性相当,但新方法在建模和特征提取过程所耗费的时间较少。     

SVM中不平衡数据的分离超平面的校正方法

针对两类不平衡数据的分离超平面的偏移问题提出一种平衡方法。首先,对两类样本数据在核空间中进行核主成分分析,分别求出两类样本数据的在特征空间中的主要特征值;然后,根据两样本容量以及各自的特征值所提供的信息,对两类数据给出惩罚因子比例;最后,通过优化训练,产生一个新的分离超平面。该分类面校正了标准的支持向量机的分类误差。实验显示了所提出方法的有效性,即与标准的支持向量机相比,不仅平衡了错分率而且还能减少错分率。