基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

一种基于小波变换的无监督纹理分割算法

提出了一种基于小波变换和均值偏移的无监督纹理图像分割算法。首先用小波变换对图像进行二级小波分解,然后用均值偏移算法估计出粗尺度上对应的聚类数目,并结合模糊c均值算法进行聚类,在此基础上,用定义的阈值函数和Fisher判据确定出细尺度上每个初始聚类中心的一个同组,从而实现图像的由粗到细的分割。实验结果表明,在分割精度相差不大的情况下,该方法解决了传统聚类方法所存在的需要聚类数目和对初始聚类中心敏感问题。     

基于多标签k近邻方法实现元启发式算法的排名推荐

设计并研究一种基于多标签k近邻方法(multi-label k-nearest neighbor,ML-kNN)推荐元启发式算法的实现框架.应用多标签k近邻分类学习技术,实现最佳元启发式算法的排名推荐.为了验证效果,以多模式资源约束项目调度问题(MRCPSP)为优化对象,选取不同规模的数百个算例分别提取问题基本特征和地...     

一种快速离散小波变换算法及其在语音信号中的应用

随着小波分析的理论研究水平不断提高,其应用领域也在不断扩展。特别是其多分辨率分析和Mallat算法在数字信号处理和数字通信中得到了广泛的应用。但是如果直接按照上述算法计算信号的小波分解和重构,其计算量将是很大的。通过对实序列的快速傅里叶变换(FFT)算法的推导及Mallat算法原理的分析,根据离散小波变换算法结构特征,提出了一种基于FFT的快速离散小波变换算法,并从数学理论上进行了论证。同时把该算法应用到实际的语音信号处理中,得到了很好的快速分解和重构效果。     

Gene selection and sample classification on microarray data based on adaptive genetic algorithm/k-nearest neighbor method

Recently, microarray technology has widely used on the study of gene expression in cancer diagnosis. The main distinguishing feature of microarray technology is that can measure thousands of genes at the same time. In the past, researchers always used parametric statistical methods to find the significant genes. However, microarray data often cannot obey some of the assumptions of parametric statistical methods, or type I error may be over expanded. Therefore, our aim is to establish a gene selection method without assumption restriction to reduce the dimension of the data set. In our study, adaptive genetic algorithm/k-nearest neighbor (AGA/KNN) was used to evolve gene subsets. We find that AGA/KNN can reduce the dimension of the data set, and all test samples can be classified correctly. In addition, the accuracy of AGA/KNN is higher than that of GA/KNN, and it only takes half the CPU time of GA/KNN. After using the proposed method, biologists can identify the relevant genes efficiently from the sub-gene set and classify the test samples correctly.     

基于K-近邻算法的文本情感分析方法研究

为了识别网络文本的情感倾向性,通过分析文本结构以及情感表达的特点,提出了一种基于K-近邻的文本情感分析方法,将整个文本的情感划分为局部情感和全局情感.建立条件随机场模型,确定文本中的局部情感,通过K-近邻算法计算文本的全局情感.实验结果表明,与传统机器学习方法相比,该方法能细粒度、多层次的分析文本的情感,同时能有效提高情感分析的准确率.     

基于小波变换的快速图像匹配算法与实现

归一化互相关算法是传统的图像匹配算法,针对传统图像匹配算法运算量大、速度慢的缺点,提出了一种基于小波变换的多尺度图像匹配算法.首先在尺度空间的最高一层对低分辨率的子图像进行匹配,然后在匹配结果基础上对高分辨率的图像进行匹配,最终实现全分辨率下的图像匹配.实验结果表明,该算法能够提高图像匹配的精度,减少运算量,满足机器视觉的实时性要求.     

基于属性加权k最近邻算法的降雨预测

针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、气温和相对湿度作为样本属性,将降水量作为类,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,实现最优分类。实验结果表明,该降水模型在性能指标上表现更优,提高了预报结果的准确率、TS评分和正样本概括率,降低了降水预测的标准误差与漏报率。     

基于小波包变换和蚁群算法的纹理分类

提出了一种小波包变换和蚁群算法相结合的纹理分类新方法。首先采用小波包变换提取纹理图像的纹理特征向量,然后用蚁群算法进行训练和分类。实验表明小波包变换和蚁群算法应用到纹理分类领域,是一次有效的尝试。     

基于下采样的快速块匹配搜索算法及降噪应用

提出一种基于下采样的快速块匹配搜索算法——下采样三步搜索算法(DTSS)。在视频序列中,通过双线性插值法下采样得到当前帧和参考帧的采样帧,在采样帧中进行基于块的三步法初步运动估计,然后通过下采样恢复进行精细搜索,得到当前帧的运动矢量场。利用双线性插值下采样方法的低通特性,可以实现在噪声干扰情况下对运动矢量的准确搜索;另一方面,采用下采样技术,使得块匹配搜索算法的搜索速度加快,达到快速搜索目的。实验结果表明,在保持搜索准确度和提高搜索速度方面,DTSS明显优于三步法和菱形搜索等经典的块匹配搜索算法。最后结合经典的多假设运动补偿滤波(MHMCF)算法验证了DTSS应用于视频图像降噪中的有效性。     

Fast and versatile algorithm for nearest neighbor search based on a lower bound tree

In this paper, we present a fast and versatile algorithm which can rapidly perform a variety of nearest neighbor searches. Efficiency improvement is achieved by utilizing the distance lower bound to avoid the calculation of the distance itself if the lower bound is already larger than the global minimum distance. At the preprocessing stage, the proposed algorithm constructs a lower bound tree (LB-tree) by agglomeratively clustering all the sample points to be searched. Given a query point, the lower bound of its distance to each sample point can be calculated by using the internal node of the LB-tree. To reduce the amount of lower bounds actually calculated, the winner-update search strategy is used for traversing the tree. For further efficiency improvement, data transformation can be applied to the sample and the query points. In addition to finding the nearest neighbor, the proposed algorithm can also (i) provide the k-nearest neighbors progressively; (ii) find the nearest neighbors within a specified distance threshold; and (iii) identify neighbors whose distances to the query are sufficiently close to the minimum distance of the nearest neighbor. Our experiments have shown that the proposed algorithm can save substantial computation, particularly when the distance of the query point to its nearest neighbor is relatively small compared with its distance to most other samples (which is the case for many object recognition problems).     

Antipole tree indexing to support range search and k-nearest neighbor search in metric spaces

Range and k-nearest neighbor searching are core problems in pattern recognition. Given a database S of objects in a metric space M and a query object q in M, in a range searching problem the goal is to find the objects of S within some threshold distance to g, whereas in a k-nearest neighbor searching problem, the k elements of S closest to q must be produced. These problems can obviously be solved with a linear number of distance calculations, by comparing the query object against every object in the database. However, the goal is to solve such problems much faster. We combine and extend ideas from the M-tree, the multivantage point structure, and the FQ-tree to create a new structure in the "bisector tree" class, called the Antipole tree. Bisection is based on the proximity to an "Antipole" pair of elements generated by a suitable linear randomized tournament. The final winners a, b of such a tournament is far enough apart to approximate the diameter of the splitting set. If dist(a, b) is larger than the chosen cluster diameter threshold, then the cluster is split. The proposed data structure is an indexing scheme suitable for (exact and approximate) best match searching on generic metric spaces. The Antipole tree outperforms by a factor of approximately two existing structures such as list of clusters, M-trees, and others and, in many cases, it achieves better clustering properties.     

基于提升小波变换的信号降噪及其工程应用

为了解决炮膛检测中的噪声抑制问题,在讨论提升小波变换基本原理及其特点的基础上,采用提升小波变换的方法构造小波,介绍了基于插值细分法的提升小波,讨论了其降噪原理。通过实验对比研究了不同类型的经典提升小波和插值细分小波的降噪效果以及小波支集与降噪效果之间的关系,为选择降噪小波提供了理论依据。将该结论应用于炮膛检测系统中身管内径测量信号的降噪处理,取得了满意的效果。     

构造样本k近邻数据的多标签分类算法

在多标签分类问题中,通过k近邻的分类思想,构造测试样本关于近邻样本类别标签的新数据,通过回归模型建立在新数据下的多标签分类算法。计算测试样本在每个标签上考虑距离的k近邻,构造出每个样本关于标签的新数据集。对新数据集采取线性回归和Logistic回归,给出基于样本k近邻数据的多标签分类算法。为了进一步利用原始数据的信息,考虑每个标签关于原始属性的Markov边界,结合新数据的特征建立新的回归模型,提出考虑Markov边界的多标签分类算法。实验结果表明所给出的方法性能优于常用的多标签学习算法。     

基于小波金字塔的快速图像匹配算法

图像匹配是立体视觉中的关键问题。本文针对在图像匹配中被广泛采用的最小二乘算法存在速度慢、易受初值影响的问题,提出了一种基于小波金字塔分层的快速立体匹配算法。形成由粗到精的匹配策略,以低分辨率下匹配点,作为高分辨率图像对匹配的约束。实验结果表明此算法可以减少误匹配,提高匹配速度。     

基于Gabor 变换的GrabCut 纹理图像分割

多数自然图像都包含纹理信息, 它相对颜色特征而言具有描述方向性与尺度差异的特性. 因此, 可以利用半交互式的GrabCut 的图像分割方式对图像前景区域与背景区域进行有效的分割, 通过建立前景和背景所对应的高斯混合模型(GMM), 结合最大流最小割的图像分割方式实现全局优化, 并利用前景和背景的KL 测度, 自适应地终止分割过程. 实验对比分析表明, 所提出的方法对于合成纹理图像与自然纹理图像具有较好的整体分割效果及较高的分割准确率.

     

基于剪切波变换的纹理图像分类

二维可分离小波在纹理分析领域得到了成功的应用,但它只提取图像水平、垂直和对角方向的频率信息,其变换滤波器是各向同性的,不能很好地表达纹理的细节。利用剪切波变换优良的多尺度性、局域性和方向性,提出一种基于剪切波变换（Shearlet transform）的纹理分类算法。该方法先对纹理图像做剪切波变换,得到各尺度、方向子带的剪切系数,计算尺度间子带能量比,以尺度间能量比为权对各子带能量加权,以加权后的子带能量作为特征矢量,用K邻近分类器进行分类。实验结果表明该方法比基于小波的纹理分类方法更加有效。     

基于CUDA的邻近粒子搜索算法研究

在粒子方法中,运用邻近粒子搜索算法可以快速获取每个粒子的邻近粒子信息。由于粒子方法模拟一个体系的行为所采用的粒子数据是十分庞大的,对计算机的运算速度提出了挑战。研究了GPU的计算能力和CUDA开发环境,利用GPU的并行多线程处理技术,提出了一种并行邻近粒子搜索算法。实验结果表明,基于CUDA的并行邻近粒子搜索算法,加快了邻近粒子搜索过程,显著地减少了计算时间,成功实现了硬件加速,可获取290以上的加速比,对大规模粒子系统呈现出高效的处理能力。     

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

基于小波变换的语音隐藏算法

提出了一种基于小波变换的语音隐藏方法,把一段语音作为秘密信息嵌入一段数字音频信号中,其目的是用音频信号作伪装来传递秘密的语音信息或把语音信息作为一种标记来保护音频作品。这种方法根据人类听觉系统的特点,利用小波对语音信号进行压缩,增加了数据的嵌入量。载体音频信号小波变换后,选择部分小波系数用适当的嵌入参数嵌入信息。实验表明该算法的隐蔽性好,隐藏的数据量大,对常见的信号处理操作具有较强的稳健性,符合掩蔽通信的要求。