基于模糊熵的数字图像局部自适应增强算法

在一些特殊的应用场合,数字图像经常存在混合干扰和对比度弱等情况,导致图像处理难度升高.为更好的描述这些图像局部特征,改善信息分析的可用性,提出了基于模糊熵局部自适应增强算法.先利用改进的变分因子变换得到图像的显著特征,结合拟合能量进行局部分割.基于模糊理论,把图像视为模糊事件,将不同等级的灰度图像投影至相应的模糊域中,并依据直方图实现局部图像增强处理.通过模糊熵的引入,计算得到边缘熵与背景熵,从而确定目标图像边缘.仿真基于MATLAB,选择噪声和灰度特征较为显著的医学图像和遥感图像作为原始图像,通过加入高斯白噪声的图像增强结果对比,以及PSNR、E和Fit三项客观指标的结果对比,均证明了所提算法能够较好的过滤噪声干扰,对于不同类型的数字图像都能获得良好的灰度均衡性,算法具有更好的图像增强效果和适应性.     

基于图像局部纹理方向概率统计模型的非线性滤波算法

为了更有效地利用图像的局部特征恢复被噪声感染的图像,基于图像局部纹理方向概率统计模型,提出一种针对混合噪声的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型,借助中心像素的若干邻近像素对中心像素进行估计,得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。     

基于图像多尺度熵的红外图像匹配跟踪算法

在对图像熵进行分析的基础上,引入图像多尺度熵的概念,定义了图像的多尺度熵及多尺度熵矢量,提出了一种基于区域的匹配跟踪算法—–基于图像多尺度熵的红外图像匹配跟踪算法.首先计算图像的多尺度熵,得到图像多尺度熵矢量;然后利用多尺度熵矢量间的绝对距离(AD)进行匹配跟踪.实验表明,该算法不仅具有稳定、精确的匹配跟踪性能,而且能在目标发生旋转时,较好地匹配跟踪目标,并具有良好的抗几何失真能力.     

多尺度变换域内混合投影熵的人脸特征描述

提出一种新的人脸特征描述方法。使用Contourlet变换提取人脸图像低频子带,并对子带图像适当分块从而减少图像局部扭曲对识别的影响,利用混合投影函数和图像熵提取特征从而构建混合投影特征矩阵。在ORL、Yale、CMU PIE人脸数据库的实验表明该方法具有一定的优势。     

一种结合交叉熵和投影特征的图像匹配算法

基于图像交叉熵的图像匹配方法对于噪声不敏感,并且具有一定的抗几何失真能力,但算法复杂度高,不适合用于实时匹配系统中.而投影变换可将图像的二维灰度降为一维的特征向量,且还具有抗噪性好的特性,因此定义图像的局部交叉投影熵,提出了一种新的图像匹配算法.该算法首先计算模板图的行、列投影;然后计算模板图和实时图的交叉投影熵;最后根据行、列交叉投影矩阵确定出最优匹配坐标.新算法不仅具有较好的抗噪和抗几何失真性能,并且提高了在强光照射及云层遮挡情况下的匹配能力.通过实验仿真并对比局部熵、局部投影熵、局部交叉熵和局部交叉投影熵四种算法的匹配效果,表明该算法不仅匹配效果良好,并且计算速度快,是一种精确而实用的图像匹配方法.     

邻域约束高斯混合模型的模糊聚类图像分割*

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.     

融合高斯混合模型的测地线脑肿瘤分割方法

脑肿瘤分割是计算机辅助脑病诊断的基础。为提高脑肿瘤分割精度,提出一种融合高斯混合模型的测地线脑肿瘤分割方法。根据相邻2个像素点间互相到达时间构造离散且带有权重的网格图,通过高斯混合模型估计每个像素点属于目标物体的罚度,并融合高斯混合模型的概率密度差异表示区域属性与边缘属性构成能量函数,利用快速最短路径算法求解前景与背景间的测地线距离,并根据该距离最小化能量函数,得到脑肿瘤的分割结果。利用10组脑部核磁共振图像数据对算法进行评估,结果表明,该算法分割结果与金标准的重叠率在0.60~0.85之间,可有效避免局部最优解的情况,对非匀质区域具有较好的分割效果。     

基于马氏距离的改进非局部均值图像去噪算法

通过对原非局部均值(NLM)图像去噪算法进行改进,提出一种利用马氏距离作为衡量图像像素点相似性的非局部均值图像去噪算法.首先针对样本空间中马氏距离不稳定的特点计算特征空间中的马氏距离;然后对图像数据进行相关性分析和降维处理,提取数据主成分,简化特征空间中马氏距离的计算方法;最后利用此马氏距离生成高斯加权核函数,对图像进行去噪.采用一系列加有噪声的典型图像对文中算法进行实验,证明了该算法可获得比原NLM图像去噪算法更好的去噪效果;利用多组数据对文中算法中的滤波参数h进行分析,得到噪声方差与滤波参数h的关系式,可以获得接近于改进图像去噪算法的最佳去噪性能.     

面向全景拼接的图像配准技术研究及应用

针对SIFT算法在生成特征向量和进行特征匹配过程中存在的计算量较大、容易产生误匹配等不足,提出一种优化的SIFT配准算法。优化算法首先引入拉普拉斯算子对图像边缘进行锐化处理,结合图像单元信息投影熵原理提取分块图像特征;再依据投影熵矢量欧氏距离最小揣度进行特征匹配;最后利用改进的随机抽样一致性算法删除误匹配。改进算法应用于全景图像拼接中。实验表明,与原始SIFT配准算法相比,优化算法能够有效提高算法效率,减少错误匹配,取得了较好的匹配效果。     

局部二进制模式与小波特征融合的掌纹识别

针对利用单一方法进行掌纹图像识别所得的识别率难以提高这一情况,提出一种利用掌纹图像经高斯高通滤波后的局部二进制模式特征和三级小波分解的细节图像的能量特征的融合特征进行掌纹识别的方法。在提取图像的局部二进制模式特征的时候,通过高斯高通滤波增强图像的对比度,从而提取出更有效的局部二进制模式特征,该特征对光照的变化具有一定的鲁棒性;小波变换的细节图像能量数据反映不同频率成分的局部细节特征。实验结果表明所提出的掌纹识别方法的有效性。     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

信息熵和信息瓶颈算法在图像聚类中的应用

提出基于信息熵特征选择和信息瓶颈算法的图像聚类算法,首先提取图像的Gabor小波纹理特征和灰度共生矩阵纹理特征,然后采用信息熵特征选择方法进行特征降维;图像聚类方法很多,其中较为典型的k-means聚类算法,但它过分依赖距离函数和聚类中心的选择,采用信息瓶颈算法对图像进行聚类,信息瓶颈算法不需要定义距离函数,它考虑了样本与特征的关系,不仅压缩了样本的信息,同时又考虑保留特征信息。实验结果表明,提出的方法具有良好的聚类效果。     

不确定性目标的CLARANS聚类算法

在传统CLARANS聚类算法基础上,提出一种针对不确定性目标的CLARANS聚类算法。在该算法中,待聚类的每个不确定性目标都被表示成高斯混合模型,即高斯分布的一个加权和,并将Kullback-Leibler散度作为不确定性目标间的距离测度。在图片数据库上的实验结果表明,该算法具有较高的聚类精度。     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

语义自编码结合关系网络的零样本图像识别算法

为了解决零样本图像识别中传统模型容易出现投影域移位问题以及提高距离相似度度量的鲁棒性,提出关系网络改进语义自编码器的零样本识别算法.基于语义自编码器构建图像视觉特征和语义向量之间的特征映射,并将重构向量与对应向量真值进行级联后送入神经网络,最终利用输出的标量给出预测类别.实验表明,相比传统距离度量方法,文中算法在AWA、CUB和ImageNet-2数据集上的识别率均有所提高,在某些数据集上语义-视觉的投影效果优于反向投影.     

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K-最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。     

基于带权核范数最小化和混合高斯模型的去噪模型

非局部自相似性（NSS）先验在图像恢复中发挥重要作用,如何充分利用这一先验提高图像恢复性能仍值得深入研究,提出一种基于带权核范数最小化和混合高斯模型的去噪模型。首先,采用混合高斯模型（GMM）对无噪声的自然图像非局部自相似图像块进行训练,再用训练好的混合高斯模型指导退化的图像产生非局部自相似图像块组;然后,结合带权的核范数最小化技术实现图像的去噪,并对模型的保真项进行一般性扩展,给出收敛的求解算法。仿真实验表明,所提方法与基于3D滤波的块匹配（BM3D）算法、同时稀疏编码学习（LSSC）算法和带权的核范数最小化（WNNM）模型相比,峰值信噪比（PSNR）提高0.11~0.49 dB。     

Efficient Speaker Recognition Using Approximated Cross Entropy (ACE)

Techniques for efficient speaker recognition are presented. These techniques are based on approximating Gaussian mixture modeling (GMM) likelihood scoring using approximated cross entropy (ACE). Gaussian mixture modeling is used for representing both training and test sessions and is shown to perform speaker recognition and retrieval extremely efficiently without any notable degradation in accuracy compared to classic GMM-based recognition. In addition, a GMM compression algorithm is presented. This algorithm decreases considerably the storage needed for speaker retrieval.     

Voice activity detection algorithm using nonlinear spectral weights,hangover and hangbefore criteria

This paper introduces a nonlinear function into the frequency spectrum that improves the detection of vowels, diphthongs, and semivowels within the speech signal. The lower efficiency of consonant detection was solved by implementing the hangover and hangbefore criteria. This paper presents a procedure for faster definition of those optimal constants used by hangover and hangbefore criteria. A nonlinearly changed frequency spectrum is used in the proposed GMM (Gaussian Mixture Model) based VAD (Voice Activity Detection) algorithm. Comparative tests between the proposed VAD algorithm and seven other VAD algorithms were made on the Aurora 2 database. The experiments were based on frame error detection and on speech recognition performance for two types of acoustic training modes (multi-condition and clean only). The lowest average percentage of frame errors was obtained by the proposed VAD algorithm, which also achieved positive improvement in the speech recognition performance for both types of acoustic training modes.