基于流形学习的图像检索算法研究

流形学习以发现非线性高维数据的本质维数为目标,使其更适合数据分析和高维数据的降维。图像检索中“语义鸿沟”问题指的是高维数据空间与低维的语义子空间之间的鸿沟,虽然利用相关反馈机制可以缩小这种鸿沟提高准确率,但是因为反馈图像数目较少,图像特征维数相对较高,会容易产生维数灾难问题。流形学习的引入为解决这一难题带来了新的希望,因为通过流形学习的方法学习高维图像特征数据的本征维数用于图像检索,大大提高了检索性能。基于流形学习的图像检索算法都是半监督的流形学习,充分利用了反馈信息,学习查询图像的语义子空间,有效的实现了高维数据的降维。     

一种基于扩散映射的非线性降维算法

非线性降维方法旨在保持数据局部结构的同时,使不在一个邻域内的点之间的距离变得松弛．作为一种新的流形学习框架,扩散映射通过在扩散过程中保持扩散距离进行降维．基于扩散映射的理论背景,建立了多层谱分解的数值算法,并具体给出了用扩散映射进行非线性降维的算法．实验结果表明,与传统的非线性降维方法相比较,该算法能够发现非线性高维数据的本征维数,并且对噪声具有很好的鲁棒性．     

浅谈流形学习中的LLE算法

在机器学习领域中有一个重要的研究领域就是流形学习,而流形学习中最为重要的算法之一就是局部线性嵌入算法(LLE),这种算法是一种非线性降维,具有很好的泛化性,在图像分类和目标识别等方面被广泛地应用。主要介绍了流形学习的基本思想,典型的LLE算法,同时归纳了几种现有的LLE改进算法,使得我们能够更好地去理解流形学习和LLE算法。     

MRF和GM模型高光谱图像地物标记

利用马尔可夫随机场和高斯混合模型构造了一种对高光谱图像进行地物标记的新方法。该方法利用PCA降维后的高光谱图像及其差分图像的先验信息建立高光谱图像的随机模型,并把最大后验估计作为地物标记优化的评判标准,用模拟退火算法实现地物标记。实验结果显示该算法是一种精确、高效、稳定的图形标记算法。     

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.     

基于双向信号子空间投影的高光谱图像虚拟维数估计

提出一种基于双向信号子空间投影的高光谱图像虚拟维数估计算法.该算法分别在高光谱图像的像元方向和波段图像方向进行信号子空间估计,虽然这两个方向上信号子空间的分布不同,但其维数均等于图像的虚拟维数.该方法不需要对信号子空间和噪声子空间进行区分,仅通过对不同方向上的信号子空间投影进行比较,获取图像的虚拟维数.仿真像元实验和实际高光谱图像实验均证明该算法改善了传统的基于单向投影的虚拟维数估计算法的性能,其性能优于常用的虚拟维数估计算法:Neyamn-Pearson检测算法和信号子空间估计算法.     

基于流形嵌入过采样的非平衡数据分类方法

工业监测数据中正常与异常状态数据一般存在非平衡性,而传统的过采样非平衡数据处理方法往往在解决非线性、高维含噪的非平衡问题时不能获得满意的模式分类效果.本文利用流形学习的非线性降维,提出一种流形嵌入过采样方法,为有机结合流形学习与过采样的非平衡数据模式分类方法提供了统一框架.研究结果表明:该方法采用过采样平衡数据在流形空间的低维嵌入数据直接完成模式分类,可以减小流形嵌入空间到原始数据空间反映射的计算代价和模式分类成本.另外,流形学习可以有效保持原始数据结构特性,在流形嵌入空间的过采样可以实现更符合原始数据特性的非线性插值.面向TE过程和矿山微震2种具有不同规模和特性的非平衡工业监测数据集,F1指标分别平均提升了21.94%和37.34%,AUC指标分别提升了37.85%和10.64%,从而验证了所提方法在解决较大数据规模的非平衡模式分类问题时,具有稳定良好的分类效果.     

结合局部空谱信息的高光谱图像多端元提取

针对传统高光谱单端元提取算法不能描述光谱变异、混合像元分解精度不高的缺点,提出一种结合局部空谱信息的高光谱图像多端元提取(multiple endmember extraction algorithm with local spatial-spectral information,MEELSI)方法。首先将原始高光谱图像进行图像子空间划分获取不重叠的图像块,并利用自动目标生成算法分别在图像块上提取候选端元;然后对候选端元的邻域像元进行光谱相似性分析,优化精选候选端元;最后利用K-means聚类算法对所有端元集进行聚类分析,得到最终的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明,与传统单端元提取方法相比较,MEELSI算法具有表征遥感图像中光谱变异的能力,能够有效提高混合像元分解精度。     

基于张量局部和全局信息的人脸识别算法

现有的基于张量子空间的流形学习算法能够很好地利用图像的空间几何结构,但对流形的局部和全局信息利用得不够充分,为此提出了一种新的张量子空间学习算法:基于局部和全局信息的张量子空间投影．新算法充分利用人脸图像数据的局部流形结构(即类内非线性流形结构)和人脸图像数据的全局信息,使数据在投影空间中的类间分离度最大,通过迭代和投影得到最优张量子空间．在标准人脸数据库上的实验表明,新算法识别率高于张量线性判别分析(TLDA)、张量临界Fisher分析(TMFA)、张量局部判别投影(TLDP)、张量子空间(TSA)算法．     

基于加权近邻保持嵌入的高光谱数据降维方法

为降低高光谱数据的信息冗余以提高其分类精度,采用加权距离度量测度来衡量样本间的相似度并进而选择近邻样本,提出一种加权近邻保持嵌入数据降维(WNPE)算法.加权距离的主要思想为根据数据点附近样本点的分布来自适应地决定距离函数,由此可以避免基于标准欧氏距离的近邻选择方法产生的数据冗余现象,从而更好地提取信息量大的光谱波段.CUPRITE矿区高光谱数据上的实验结果表明,与目前具有代表性的稀疏降维和基于流形学习的降维算法对比,WNPE能够有效提高高光谱数据的分类总精度和Kappa系数,分别达到了90.97%和0.878 6.