多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法.将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱...     

乐山茶叶的近红外光谱分类识别

以乐山产正品竹叶青、劣质竹叶青和峨眉山毛峰为研究对象,提出了一种基于近红外光谱的不同茶叶品种分类识别算法.该算法采用多元散射校正(Multiplicative Scatter Correction,MSC)对3种茶叶的近红外光谱数据进行预处理,最大限度地扣除光谱数据中的随机变异;再采用主成分分析算法(Principal Component Analysis,PCA)对预处理后的光谱数据进行降维,去除冗余;接下来进行线性判别分析(Linear Discriminant Analysis,LDA),进一步提取特征;最后采用K_近邻算法(K_Nearest Neighbor,KNN)对LDA结果的前两个特征进行分类,从而达到对茶叶进行定性分类的目的.实验结果表明,该算法能有效地对3种茶叶进行分类,正确识别率达到100％.本研究为不同品种茶叶的分类识别提供了一种新思路.     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。     

一种改进的FCM遥感图像变化检测方法

针对传统模糊C均值(Fuzzy C-Means,FCM)算法受初始聚类中心影响而陷入局部最优的问题,提出了一种基于遗传算法(Genetic Algorithm,GA)的改进模糊C均值聚类算法。主要通过差值法获得图像的差异图,利用主成分分析(Principal Component Analysis,PCA)法提取变化影像的主要特征信息,利用遗传算法(GA)群体搜索的优点对传统的模糊C均值算法进行改进。对遥感图像的变化检测实验表明,改进的聚类算法克服了传统算法的缺点,在保留图像细节特征的前提下能有效提高检测精度,相比其他几种常见的聚类算法更有优势。     

独立成分分析在电磁攻击中的应用

电磁泄漏曲线的对齐与有效点的选取是信息安全的重要研究方向.针对曲线过偏移的问题, 提出了一种新的曲线对齐方法——双峰式相关对齐法.在有效抑制曲线过偏移的同时, 实现了曲线的精确对齐通过独立成分分析(Independent Component Analysis, ICA)方法实现了有效点的选取.通过对电磁泄露曲线求得未知的源信号, 由源信号作为特征点进行分类分析.分别采用ICA、主成分分析(Principal Components Analysis, PCA)、PCA-ICA、ICA-PCA四种方法对数据进行了降维处理.通过支持向量机(Support Vector Machine, SVM)对降维后的数据进行分类对比, 最终得出:在10~100维范围内, PCA-ICA的分类效果最佳, ICA其次, 而ICA-PCA的效果最差; 在100~900维的范围内, PCA与ICA-PCA分类效果随着维度的增加几乎呈直线趋势增加.     

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。     

基于双雷达微动特征融合的无人机分类识别

无人机的日益流行在带来便利的同时也造成了潜在的威胁,对无人机进行分类识别具有重要意义。雷达微多普勒信号能够区分不同类型的无人机。为了提高基于微多普勒的无人机分类的鲁棒性,该文提出了一种多角度雷达观测微动特征融合的无人机识别方法。首先利用多部雷达同时从不同角度观测目标;然后对采集的雷达数据分别进行短时傅里叶变换(Short-Time Fourier Transform, STFT),得到时频谱图;接着利用主成分分析(Principal Component Analysis, PCA)从时频谱图中提取特征,将两个不同角度雷达传感器得到的特征融合在一起;最后利用支持向量机(Support Vector Machine, SVM)进行训练与分类识别。基于实际雷达数据的实验结果表明:两个雷达传感器观测融合得到的分类精度优于单个雷达传感器的分类精度,最终识别准确率较仅利用X波段雷达传感器方法提升了5%以上。      

一种基于Radon变换的微表情识别算法

微表情是人们处在一些与平时生活环境不同的高强度环境下试图控制和掩饰的情感表现,也是一种不曾意识到的瞬时脸部表情,持续时间短,强度弱。为了提高其准确率,提出了基于Radon变换的微表情识别算法。首先,对数据库中的视频序列进行灰度归一化、尺寸归一化和二维主成分分析法(Two-dimensional Principal Component Analysis,2DPCA)降维预处理,使用光流法对降维后图像提取运动特征;然后使用Radon变换算法对光流图像进行处理,得到对应微表情的特征值和特征图像;最后使用支持向量机进行微表情分类识别。实验结果表明,使用Radon变换后得到的微表情特征图像得到了较好的识别效果,在微表情数据集CASME和CASMEⅡ上识别率分别为81. 48%和82. 17%,通过与选取的其他方法对比说明了该方法具有更好的识别性能。     

PKPCA:融合先验类别信息的非线性主元分析算法

本文提出了一种新的具有先验类别信息的非线性主元分析算法：PKPCA(Priori Kernel Principal Component Analysis)，通过将样本类内差和类间差融入总体方差中，从而达到更好的分类目的。提出重构样本库的概念及构建算法，获得稀疏样本库，减少特征向量维数。可以证明KPCA(Kernel Principal Component Analysis)和KFD(Kernel Fisher Discriminant)是PKPCA参数取极限的两个特例。同时可以克服KFD只能求得(类别数-1)个特征向量的不足。最后，利用构造的函数类对第一个主元的分类能力进行仿真分析，以及对信用卡、天文、疾病等数据进行实验分析，表明本算法明显优于KPCA算法，获得了满意的分类效果。     

利用多尺度特征的极化SAR深度学习分类

针对极化合成孔径雷达(POLSAR)图像提取到的特征信息量低和噪声干扰等问题，提出了一种对不同特征信息进行多尺度融合的方法，并利用融合后的特征，通过深度学习网络算法进行目标地物分类。首先利用小波变换技术对Freeman、Yamaguchi等极化分解得到的特征分量在不同尺度上进行融合，再利用主成分分析(PCA)降维算法处理融合后的数据，最后输入到DeepLabV3网络结构中训练。利用该方法对白湖农场地区高分三号全极化SAR数据进行验证，对比融合前后的分类结果，提出的算法在分类精度上有明显的提升，证明了该方法的有效性。     

LSTSVM的样本缩减与空间信息融合方法

针对最小二乘孪生支持向量机(STSVM,least squares twin support vector machines)分类效率低的不足,在一对余(1-a-r)多分类器的基础上,提出一种基于样本缩减(SR)的LSTSVM(SRLSTSVM)分类算法。在核空间中通过距离计算,选出对分类超平面起决定作用的样本点,用于分类器的训练;与此同时,为了充分利用高光谱遥感图像的空间信息,通过主成分分析(PCA)和二维Gabor滤波获取像元的纹理特征,将高光谱遥感图像的空间信息和光谱信息在图像层进行融合用于分类。实验证明,本文提出的SR算法可以在不影响分类精度的基础上大大提高LSTSVM的分类效率,且结合空间信息后的LSTSVM的总体分类精度也有明显提高。     

小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

基于逻辑回归改进的随机行走空谱融合分类

针对只利用光谱信息进行分类没有充分利用高光谱图像的空间信息和光谱信息的融合,文中提出了改进的随机行走算法,将高光谱的空间信息和非空间信息(光谱)充分融合。针对传统的马尔科夫随机场在物体边缘分类上的欠缺,提出了对高光谱图像先进行主成份分析获得第一主成分构造拥有最大均方特性的加权图G=(V,E)。最后将基于加权图和改进的随机行走理论结合进行高光谱图像分类。针对逐像素支持向量机在估计初始概率时没有考虑高光谱图像的空间信息,尝试提出利用逻辑回归分类器LOR与改进的随机行走的算法结合来提升分类精度。对比实验表明文中算法具有更高的分类精度。     

基于多尺度混合卷积网络的高光谱图像分类

针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题，提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先，使用主成分分析对高光谱数据进行降维处理；接着，利用邻域提取将邻域内的像素点作为一个样本，补充相应的空间信息；然后，使用多尺度混合卷积网络对预处理后的样本数据进行特征提取，并加入混合域注意力机制来加强空间和光谱维中有用的信息；最后，使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验，其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息，与其他分类方法相比取得了更好的分类效果。     

基于稀疏核主成分分析的语音情感识别研究

为提升语音情感识别的能力,本研究提出一种基于稀疏核主成分分析(Sparse Kernel Principal Component Analysis,SKPCA)的方法。该方法结合核主成分分析以及稀疏表示的方法,能够同时满足特征降维和样本稀疏,起到降维和降噪的作用。本研究首先利用openSMILE工具包提取情感语音样本的声学特征及其统计特征用于情感识别,然后介绍SKPCA的算法原理及推导过程,最后使用多种分类器在柏林库做了大量的实验,实验结果表明,使用SKPCA方法可取得较好的识别结果。     

基于多特征融合和混合卷积网络的高光谱图像分类

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型.首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征.然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递.最后,用二维卷积层对提取的特征进行空间信息...     

基于MATLAB的人脸识别研究

深入分析了主成分分析(Principal Component Analysis,PCA)方法的基本原理,PCA方法最显著的优点是能用低维特征向量来估计原始样本,基于此特点将它用来实现对人脸的识别。此外本文还深入分析了PCA中遇到的特征值选择和距离准则的选取问题。