一种基于整体变分的图象修补算法

图象修补是图象恢复研究中的一个重要内容，它的目的是根据图象现有的信息来自动恢复丢失的信息，可以用于旧照片中丢失信息的恢复。由于图象中的边缘代表了图象的重要信息，所以在设计修补算法时，必须着重考虑边缘的恢复，采用整体变分模型设计了一个图象修补算法，整体变分模型能够模拟人的低层视层，在修补图象时可以恢复图象中的边缘，数值实验表明，该模型能够较好地恢复待修补区域的信息，但是受修补区域大小的影响，同时又采用了一种向前传播操作来缩小修补区域。     

一种三角剖分算法实现图形的匹配

图形匹配是计算机视觉与模式识别的一个重要问题，本文提出了一类图形的匹配识别算法，具有空间的不变性、平移、旋转和尺度的不变性，而且准确率很高，实验结果表明对此类图形匹配是可行的。     

一种基于整体变分的图像修补算法及其应用

针对污损数字图像修复这一问题,重点考虑了图像的两个重要特征：梯度和等照度线的曲率,探讨了两者对图像修补效果及速度的影响。从而将两者同时纳入图像修补模型,提出了一种新的基于整体变分的图像修补算法。实验表明,相比于CDD算法,该算法能够在短时间内较好地修复污损区域,且能将断裂的水平线连接得更为光滑、自然。     

一种变分自适应中值滤波算法

针对自适应中值和变分滤波方法脉冲噪声去除能力的不足,提出了一种新的变分自适应中值滤波方法。首先采用自适应中值滤波器对脉冲噪点进行标识,然后对标识的噪点构建由逼近条件和边缘保持正则化条件构成的代价函数,通过变分方法对代价函数寻优求解,对噪点进行恢复。最后进行了仿真试验,并与标准中值滤波,开关中值滤波,自适应中值滤波,和变分滤波方法进行了比较。试验结果表明,在信噪比和细节保留方面明显优于上述滤波方法,可以有效去除高达90%的脉冲噪声。     

一种基于变分推断的可评判推荐算法

随着互联网时代的不断发展,互联网上的信息量不断增多,“信息过载”等相关问题愈发严重,从而导致用户很难快速地获取到有用的信息,因此推荐系统应运而生。推荐系统可以预测用户的需求并推荐给用户其最可能喜欢的内容,来缓解人们从海量信息中做出选择的烦恼。推荐算法是推荐系统的核心,它完全可以决定一个推荐系统的性能。推荐准确度及可解释性是推荐算法目前面临的两大难题。可评判推荐算法是对话推荐算法的一种,在预测出项目的同时,也及时给出推荐项目的理由,并且为用户提供一个重新推荐的机会,用户通过对解释项进行评判来使推荐系统重新预测出商品,可有效解决上述两个问题。该文首先基于变分推断与神经协同过滤相结合的思想,对算法和模型进行了形式化的定义和理论推导,并且从概率的角度出发使用贝叶斯神经网络实现了该模型。通过与其他可评判推荐算法进行实验对比,证实了该模型的许多推荐指标已经达到了目前最先进的水平。     

一种利用整体变分的深度恢复算法

由散焦图像恢复三维景物的深度信息是一个不适定问题.提出一种新的基于整体变分的散焦图像深度恢复算法:首先将散焦图像深度恢复转化为带有整体变分正则化项的能量泛函极值问题,然后采用变分原理将其中的最小化问题转为偏微分方程的求解,最后通过方程迭代获得深度的最优解.该算法避免了解不适定问题的逆,恢复聚焦图像等问题.模拟图像和真实图像的实验结果表明该算法是有效的,与最小二乘法相比具有较小的均方根误差.     

一种基于整体变分自适应图像平滑去噪的方法

在图象处理过程中,图象降噪是底层的处理,将影响图像的后继分析处理质量。基于整体变分法的一种自适应TV去噪方法,它根据图像中每一像素点的梯度信息,自适应选取去噪模型中决定平滑强弱的参数P,从而达到较好的去噪效果。仿真实验结果表明方法的有效性。     

基于视觉选择性的离变焦图像序列慢变特征提取算法研究

传统慢特征分析(SFA)方法提取的慢变特征不能揭示自然图像的视觉空间拓扑结构。基于此,提出基于视觉选择性的离变焦图像序列慢变特征提取算法。以myTICA方法替代源SFA算法的PCA方法,提取能够反映自然图像离变焦图像序列的视觉空间基的种类、每类元素数量、类内与类间拓扑结构不变性的Gabor特征,并建立与该序列对应的不变性特征森林;利用蒙特卡洛马尔可夫(MCMC)算法替代源SFA算法的多项式扩张方法,实现Gabor类内的元素扩展;利用自定义的近似正交剪枝算法实现不变性特征森林的优化,顺次解决元素法的采样丢失与森林优化问题;利用自定义响应度计算规则实现特征匹配。实验结果表明:该算法正确可行,具有较好的抗噪能力;在实验阈值为0.4时,算法获得识别率为99.96%,说明该算法具有较强的分类能力。     

基于小波变换和变分的图像放大算法研究

想要图像得到最有效的放大,那么选择使用小波变换思想就可以实现,在实际工作中,有效的提出变分图像放大算法以及提出小波变换图像放大算法,同时完成上述算法的有效结合,上述结合使用的算法思想指的是首先完成一个用Besov范数估计图像正则性变分泛函的有效构造,在上述的基础上选择对小波域中存在的最小化变分泛函进行引入,之后将图像放大.在完成小波变换之后,促使高频分量含有非常丰富的细节边缘信息类型,所以在上述的基础上就可以完成高质量图像的构建.同时引入小波,可以促使文中新算法可以具备以下几个特点:运行时间非常短,运行的速度非常快等.这样一来相比传统形式的插值来说其完成放大图像的情况是不一致的,上述提到的算法主要的作用是在使用变分思想的基础上完成图像的放大.在完成理论分析以及实验仿真之后得到,上述算法可以跟样条插值一样取得非常显著的放大效果.     

基于整体变分的图像修复研究

图像修复是指对数字图像中丢失破损的部分进行还原,是一种很早出现的工艺技术。目前,图像修复技术有了巨大的发展。本文从基本理论、模型建立和数值计算方面介绍了基于总体变分的图像修复算法。     

A Novel Margin Based Algorithm for Feature Extraction

Margin based feature extraction has become a hot topic in machine learning and pattern recognition. In this paper, we present a novel feature extraction method called Adaptive Margin Maximization (AMM) in which margin is defined to measure the discrimination ability of the features. The motivation comes principally from the iterative weight modification mechanism of the powerful boosting algorithms. In our AMM, the samples are dynamically weighted and features are learned sequentially. After one new feature is learned by maximizing the weighted total margin of data, the weights are updated so that the samples with smaller margins receive larger weights. The feature learned in the next round will thus try to concentrate more on these “hard” samples adaptively. We show that when the data are projected onto the feature space learned by AMM, most examples have large margins, and therefore the nearest neighbor classifier yields small generalization error. This is in contrast to existing margin maximization based feature extraction approaches, in which the goal is to maximize the total margin. Extensive experimental results on benchmark datasets demonstrate the effectiveness of our method.     

叶片图像特征提取与识别技术的研究

文章介绍了一种基于叶片图像的形状特征对叶片进行识别的方法。首先对叶片图像进行预处理并且提取出叶片的轮廓,然后利用轮廓计算得到叶片的矩形度、圆形度、偏心率等8项几何特征和7个图像不变矩,同时在文中提出了一种新的移动中心超球分类器,利用其对得到的形状特征进行分类从而实现了对20多种植物叶片的快速识别,并且平均识别率达到了92%。     

一种组合特征抽取的新方法

该文提出了一种基于特征级融合的特征抽取新方法，首先，给出了一种合理的特征融合策略，即利用复向量给出组合特征的表示，将特征空间从实向量空间拓广到复向量空间，然后，发展了具有统计不相关性的鉴别分析的理论，并将其用于复向量空间内最优鉴别特征的抽取，最后，在Concordia大学的CENPARMI手写体阿拉伯数字数据库以及南京理工大学NUST603HW手写汉字库上的试验结果表明，所提出的组合特征抽取方法不仅具有很强的维数压缩能力，而且较大幅度地提高了识别率。     

一种快速的图象特征匹配算法

本文提出了一种有效的图象识别算法,该算法利用小波包的多尺度分析特性撮特征因子,进行由粗到细的特征匹配,实验证明其具有识别率高,计算速度快的优点。     

基于属性相关性的属性约简新方法

文章给出了一个基于粗糙集理论的属性相关性的新定义,并在此基础上给出了基于属性相关性的属性约简新方法。本算法不但能过滤掉属性集合中的无关属性,而且能有效地找到属性集合中的冗余属性,从而得到满意的属性约简。对UCI机器学习数据集的测试结果也验证了算法的有效性。     

一种新的基于线性EIV模型的鲁棒估计算法

提出了一种新的基于线性EIV模型的鲁棒估计算法——鲁棒扩充算法．该算法从结构化数据区域出发,逐渐扩充模型数据集,并不断更新模型参数的估计,直至找到所有模型数据．在每次迭代中,使用C-Step方法对集合进行调整,从而保证了算法的鲁棒性．同时,提出了关于粗差数据和结构化数据分布的结构化密度假设,结合Mean Shift算法,完成对算法的初始位置选取．仿真结果表明,该算法可以有效地处理含有多个结构和大量离群样本的混杂数据,与现有算法相比,具有更强的鲁棒性和更高的精度．     

基于核属性依赖的属性约简算法研究

数据库中的数据往往含有大量冗余或不必要的属性,严重降低了数据挖掘算法的时间效率和算法质量,因此删除数据的冗余属性和无关属性即属性约简就成了数据预处理过程中的主要任务,而粗糙集理论是处理属性约简的一个非常实用的理论工具.在深入研究粗糙集理论的基础上,结合数据库操作知识给出了基于核属性依赖的属性约简新方法.该算法能过滤掉属性集合中的无关属性和冗余属性,从而得到满意的属性约简,该算法复杂度较小.实验结果证明了该算法有效.     

双窗目标特征提取算法研究

为了得到更加稳定性和准确性的目标特征,提出了一种双窗目标特征提取算法.首先在目标周围设置两个初始窗,其中小窗作为提出的改进活动轮廓模型的初始曲线;其次根据活动轮廓模型运动规则进行迭代得到目标的轮廓,作为特征提取的内窗.运用加权比例直方图法提取内、外窗的日标特征,根据设定的规则计算目标特征.最后通过实验证明了上述算法相对传统目标特征提取算法能够得到更佳准确的结果.     

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。     

基于多面部特征融合的驾驶员疲劳检测算法

本文将卷积神经网络（Convolutional Neural Network,CNN）应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络（Multi-Task Cascaded Convolutional Networks,MTCNN）定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.