近邻类加权结构稀疏表示图像识别算法

针对如何将近邻、子空间学习与稀疏表示结合起来解决稀疏分类计算量较大的问题。由于子空间中样本的类内散度小,类间散度大,且同类中所有样本对重构的影响相似,因此按类而非样本处理的思想更符合基于类重构误差进行分类的算法要求,为此提出一种基于近邻类加权结构稀疏表示算法用于图像识别。该算法首先利用线性类重构误差选取 个最近邻类,并将其对应的系数作为权值对投影后的近邻类加权,其次在投影子空间上,用 个类的加权训练样本集对测试样本进行结构稀疏表示,最后根据最小类重构误差得出分类结果。在AR,Yale B,MNIST,PIE数据库上的实验结果表明该方法在训练样本数较少的情况下获得较高的识别率且具有一定的鲁棒性。      

稀疏特征空间嵌入正则化：鲁棒的半监督学习框架

在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究。针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化（Sparse Feature Space embedding Regularization ,SFSR ）半监督学习框架,其主要思想为：首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR ,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性。     

基于半监督稀疏流形嵌入的高光谱影像特征提取

高光谱影像具有波段数多、冗余度高的特点,因此特征提取成为高光谱影像分类的研究热点。针对此问题,该文提出一种半监督稀疏流形嵌入(S3ME)算法,该方法充分利用标记样本和无标记样本,通过基于切空间的稀疏流形表示来自适应地揭示数据间的相似关系,并利用稀疏系数构建一个半监督相似图。在此基础上,增加了图中同类标记样本的权重,然后在低维空间中保持图的相似关系不变,并最小化加权距离和,获得投影矩阵实现特征提取。S3ME方法不仅能揭示数据间的稀疏流形结构,而且增强了同类数据的集聚性,能有效提取出鉴别特征,改善分类效果。该文提出的S3ME方法在PaviaU和Salinas高光谱数据集上的总体分类精度分别达到84.62%和88.07%,相比传统特征提取方法提升了地物分类性能。     

一种基于非负低秩稀疏图的半监督学习改进算法

该文针对基于非负低秩稀疏图的半监督学习算法不能准确地描述数据结构的问题,提出一种融合平滑低秩表示和加权稀疏约束的改进算法。该算法分别对经典算法的低秩项和稀疏项进行改进,准确地捕获了数据的全局子空间结构和局部线性结构。在构建目标函数时,使用对数行列式函数代替核范数平滑地估计秩函数,同时利用形状交互信息和有标签样本的类别信息构造加权稀疏约束正则项。然后通过带有自适应惩罚的线性交替方向方法求解目标函数并采用有效的后处理方法重构数据的图结构,最后利用基于局部和全局一致性的半监督分类框架完成学习任务。在ORL库,Extended Yale B库和USPS库上的实验结果表明,该改进算法提高了半监督学习的准确率。     

近邻半监督聚类算法的MATLAB实现

本文提出了一种用Matlab实现近邻半监督聚类算法的实例,补充进入MATLAB工具箱,并使用该算法对三个UCI数据集进行聚类,并通过F-measure指标验证了该算法的有效性。     

一种分层组合的半监督近邻传播聚类算法

针对近邻传播(AP)聚类算法的计算复杂度和准确性,该文提出一种分层组合的半监督近邻传播聚类算法(SAP-SC)。算法引入分层聚类的思想,将一次AP聚类过程等分成若干层聚类,使得处理过程简单、易于实现;每层只关注聚类困难的数据点,并通过构造成对点约束和使用子簇标签映射进行半监督学习;基于组合提升的方法将各层聚类结果加权叠加,从而提升了算法的准确性能。理论分析和实验结果表明：算法在聚类准确性和计算复杂度方面有了较大改进。     

一种局部稀疏判别投影算法

提取有效特征是模式识别中的关键步骤。流形学 习算法能有效处理样本的非线性,而 稀疏表示表现出具有较好的鲁棒性。为了提取具有判别特性和鲁棒的特征,本文结合稀疏表 示和判别准则,提出了一种局部稀疏表示和判别分析的特征提取算法,即局部稀疏判别投影 算法,并应用于人脸识别。算法通过保持数据间的局部稀疏性和最大化不同类别数据间的 可分性,使得降维后的数据具有稀疏性和可分性,因此有利于后续的分类。在ORL和YALE两 个开放人脸数据库上进行了实验,实验结果表明,算法具有较高的识别性,验证了算法的正 确性和有效性。     

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

一种融合聚类的监督局部线性嵌入算法研究

监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射,针对SLLE在均匀化高维数据的分布和最小化重构代价时,忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形,引入Kmeans++算法调整样本间距离,进行最优近邻点的选择,从而更有效地反映数据在高维空间中的实际分布,使降维后的数据具备更好的可分性.通过ORL以及Yale人脸数据集上的仿真实验,结果显示,该方法具有更强的泛化能力及更高的识别率.     

一种基于模糊近邻标签传递的半监督分类算法

提出了样本分布无关,模型简单,单控制参数的模糊近邻标签传递算法.该算法依据样本与其k个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,实现未标签数据的分类.最后,通过人工合成数据和UCI数据集中数据的分类实验验证了该算法的简单有效性.     

基于判别邻域嵌入算法的说话人识别

该文提出一种基于判别邻域嵌入(DNE)算法的说话人识别。判别邻域嵌入算法作为流形学习方法的一种,可以通过构建邻接图获取数据的局部邻域结构信息;同时该算法可以充分利用类间判别信息,具有更强的判别能力。在美国国家标准技术研究院2010年说话人识别评测(NIST SRE 2010)电话-电话核心测试集上的实验结果表明了该算法的有效性。     

面向高光谱图像分类的半监督Laplace鉴别嵌入

为有效提取出高光谱遥感图像数据的鉴别特征,该文阐述一种融合标记样本中鉴别信息和无标记样本中局部结构信息的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本集的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本集中局部流形结构,实现半监督的流形鉴别。在KSC 和Urban数据集上的实验结果说明：该算法具有更高的分类精度,可以有效地提取出鉴别特征信息。在总体分类精度上,该算法比半监督最大边界准则(SSMMC)算法提升了6.3%~7.4%,比半监督流形保持嵌入(SSSMPE)算法提升了1.6%~4.4%。     

基于自适应近邻图嵌入的局部鉴别投影算法

针对局部Fisher鉴别分析(LFDA)中样本近邻点个数对于最优投影方向的影响以及在度量类间离差度时未考虑不同类别样本近邻点的两点不足之处,该文提出一种基于自适应近邻图嵌入的局部鉴别投影算法,根据样本分布以及样本间的相似度自适应计算类内和类间近邻点,依据类内类间近邻点的个数定义局部类内与类间离差矩阵中的权值矩阵,通过最大化局部类间离差度最小化局部类内离差度,得到最优低维子空间。该算法不仅能够保持样本的局部信息,而且能够保持样本的鉴别信息,在人工数据以及标准数据库上的实验表明该方法是有效的。     

Multi-focus image fusion via Joint convolutional analysis and synthesis sparse representation

Recently, various sparse representation methods have been successfully used in multi-focus image fusion. Most of them produce some spatial artifacts and blurring effects because they only consider the image local information due to the patch processing strategy. In order to reduce the spatial artifacts and blurring effects on the edge details and improve the robustness of the multi-focus image fusion, a novel fusion method based on joint convolutional analysis and synthesis (JCAS) sparse representation is presented. The JCAS model, which integrates the analysis sparse representation and the synthesis sparse representation by using convolutional operation, can effectively separate large-scale structures and fine-scale textures of a single image. First, each source image is decomposed into a base layer and a detail layer using the JCAS model. Second, a Laplacian pyramid transform method is used to fuse the base layers, and a weighted regional energy method is used to fuse the detail layers. Finally, the fused image is reconstructed by combining the fused base and detail layers. Experimental results demonstrate that the proposed method can obtain clearer edge details compared with some popular multi-focus image fusion methods, thus exhibiting state-of-the-art performance in terms of both visual quality and objective assessment.     

基于稀疏表征的图像超分辨算法研究

超分辨率图像恢复的目的是由低分辨率图像得到高分辨率图像,通常需要多幅或者一系列连续低分辨率图像．在有限的条件下很难得到。针对单幅图像超分辨问题,结合当前比较先进的稀疏表征方法,利用训练集图像的先验信息．对单幅图像进行超分辨率恢复。结合当前先进的基于稀疏表征的超分辨算法,采用误差反投影方法,提出一种改进的算法．对超分辨率...     

基于L1-范数的二维线性判别分析

为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis, 2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。     

一种局部敏感的核稀疏表示分类算法

为了克服核稀疏表示分类(KSRC)算法无法获取数据的局部性信息从而导致获取的稀疏表示系数判别性受到限制的不足,提出一种局部敏感的KSRC(LS-KSRC)算法用于人脸识别。通过在核特征空间中同时集成稀疏性和数据局部性信息,从而获取具有良好判别性的用于分类的稀疏表示系数。在标准的ORL人脸数据库和Extended Yale B人脸数据库的试验结果表明,本文方法的分类性能优于传统的(KSRC)算法、稀疏表示分类(SRC)算法、局部线性约束编码(LLC)、支持向量机(SVM)、最近邻法(NN)以及最近邻子空间法(NS),用于人脸识别能够取得优越的分类性能。