混合PCA/ICA与JPEG2000结合的高光谱图像压缩

主成分分析(PCA)常常结合JPEG2000压缩标准用来对高光谱图像进行压缩。然而,由PCA得到的主成分仅利用了二阶统计信息。对于高光谱图像应用来说,只采用二阶统计信息是远远不够的,如异常像素的处理常常需要用到更高阶的统计信息。研究了一种混合PCA/ICA与JPEG2000相结合的高光谱图像压缩算法。首先,对原始高光谱图像进行PCA变换,提取出前m个主成分对应的特征向量矩阵WPCA;然后,对其余的特征向量进行ICA变换,得到n个特征向量矩阵WICA;最后,将得到的混合投影矩阵、原始高光谱图像及其均值向量共同嵌入JPEG2000比特流,从而完成对高光谱图像的压缩。在不同码率的情况下,通过空间相关系数(ρ)、信噪比(SNR)、光谱角填图(SAM)等技术指标对混合PCA/ICA+JPEG2000算法的压缩性能进行评估。实验结果表明,混合PCA/ICA+JPEG2000算法不但能有效去除高光谱图像的谱间相关性,而且能够有效提高光谱保真度,保护异常像素信息。     

基于双向二维主成分分析的运动目标跟踪

为克服二维主成分分析（2DPCA）跟踪效率低的缺点,提出一种基于双向二维主成分分析（Bi-2DPCA）的运动目标跟踪算法。采用双向二维主成分分析作为目标表示的方法建立目标图像子空间,同时在图像均值与协方差矩阵的更新中引入基于目标图像匹配程度的自适应增量因子的增量学习的方法进一步提高算法效率。在多个包含动态背景的图像序列上的对比实验结果表明算法能在目标处于部分遮挡的情况下准确跟踪目标,同时算法在效率上高于基于二维主成分分析的目标跟踪算法。     

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术.使用主成分分析对图像向量进行处理,向量维教一般都很高.二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数.在香港Poly-technic Universitv的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度.     

采用Radon变换和二维主成分分析的步态识别算法

针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题,综合步态的静态和动态信息,对一个步态周期中的图像进行Radon变换,再通过模板构造,仅用一幅图像来刻画步态特征,接着用二维主成分分析（2DPCA）进行降维.为了验证所提出的算法的有效性,在CASIA步态数据库上进行实验,采用最近邻分类器来测试识别.实验结果表明在特征模板构造时选择合适的频率,采用Radon变换结合列2DPCA进行步态特征提取是有效的.     

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

基于2DPCA的特征融合方法及其应用

通过对图像特征融合的一般规律的研究,提出了一种基于二维主成分分析（简称2DPCA）的图像特征融合算法。首先选取包括分形特征、多向多尺度梯度特征、局域灰度概率特征在内的目标图像的多种特征,组成特征向量,对该向量进行二维主成分分析,得到一个变换矩阵,再利用该变换矩阵和原特征向量的乘积得到新的综合特征。该综合特征即为经过融合后得到的特征。在对弱小目标匹配跟踪的仿真结果表明,该方法效果优于常规的灰度匹配和基于PCA的特征融合方法,且耗时与后者相差不大。     

子空间搜索广义主成分分析

GPCA(Generalized Principal Component Analysis)是近几年提出的一种数据聚类和降维方法,它通过将样本聚类为不同的子空间得到样本的低维表达.GPCA方法已经被应用于图像分割、图像聚类等问题.原有的GPCA算法具有指数计算复杂度,很难应用于高维数据的实际处理.文中针对此问题,提出了基于子空间搜索的SGPCA算法,将聚类问题分解为单个平面的单个垂直向量的搜索问题,对不同子空间分别搜索,从而实现多项式复杂度算法.实验表明,新方法不仅计算复杂度低,而且对噪声的鲁棒性也更强.     

基于对称二维主成分分析的人脸识别

提出一种基于人脸直观上镜像对称的算法--对称二维主成分分析,并成功应用于人脸识别.该算法引入镜像变换,根据奇偶分解原理,分别生成奇偶对称样本,再分别进行二维PCA变换,生成奇偶本征空间.根据选择性集成的思想,从奇偶本征空间挑选出更具有鉴别信息的本征向量构造人脸特征提取的本征空间.提取人脸图像的各奇偶对称的二维主成分特征进行识别.理论分析与实验证明,该算法既扩大样本容量,又提高识别率,同时该算法对光照变换有一定的不敏感性.     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

基于2DPCA-NSCT变换的多光谱与全色图像融合

鉴于应用单一主成分分析(PCA)或非下采样Contourlet(NSCT)变换进行多光谱和全色图像融合存在的问题,提出了一种2DPCA-NSCT变换图像融合算法.首先对多光谱图像各波段进行二维PCA变换,视其主成分为信号而少量非主成分为噪声予以忽略;然后对全色图像和第一主成分做NSCT分解,在频域对近似分量和多方向高频分量按不同的融合规则融合;最后通过NSCT反变换得到融合图像.实验结果表明,所提出的融合算法在保持PCA变换良好的空间分辨率的同时改善了其光谱失真的问题.     

基于对角PCA的人脸识别方法

针对主成分分析(PCA)算法中存在没有提取人脸对角方向特征的问题,提出了先对人脸图像进行对角化的表示,然后利用PCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于独立成分分析的高光谱图像有损压缩方法

提出一种结合小波变换和独立成分分析(ICA)的高光谱图像有损压缩方法。采用最大似然估计与最大噪声分离相结合的方法对原始高光谱数据进行维数估计。依据维数估计的结果在光谱方向上采用 ICA,在空间上运用离散小波变换。对于变换后的系数,使用多级树集合分裂算法和算术编码分别进行量化编码和熵编码。在机载可见光/红外成像光谱仪220波段高光谱数据上的实验结果表明,该算法可以在获得较高压缩率的同时,保留高光谱图像的光谱特性。     

基于图片特征空间的信息压缩研究

提出了一种基于2DPCA和PCA的信息压缩方法,从而实现两种特征提取方法的优势互补.仿真实验结果表明,该方法不仅提取和保留了有效信息,减少了信息的存储空间,又极大地减小了计算量,有很好的特征提取性能.     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

改进的广义主分量分析及在人脸识别中的应用

广义主分量分析是一种利用图像矩阵直接计算的二维主分量分析,较传统主分量分析提高了特征抽取速度及识别率.通过对广义主分量分析中的产生矩阵进行分析,并重新定义,在类间散布矩阵定义的基础上引入了径向基函数,通过调整径向基函数的系数得到更有利于分类的特征信息,获得较高的识别率.在Yale,ORL两个人脸数据库上的实验结果表明了改进方法的有效性和鲁棒性.     

A maximum noise fraction transform with improved noise estimation for hyperspectral images

Feature extraction is often performed to reduce spectral dimension of hyperspectral images before image classification. The maximum noise fraction(MNF) transform is one of the most commonly used spectral feature extraction methods. The spectral features in several bands of hyperspectral images are submerged by the noise. The MNF transform is advantageous over the principle component(PC) transform because it takes the noise information in the spatial domain into consideration. However,the experiments describ...     

基于多尺度主成分分析的图像局部方向估计算法

现有的大多数图像方向估计算法都对噪声非常敏感。因此,提出了一种基于主成分分析（PCA）和多尺度梯度金字塔分解的图像局部方向估计算法,其中主成分分析用于找到局部方向的最大似然（ML）估计。所提出的算法对于噪声图像非常鲁棒。在实验中,通过对模拟图像的和真实图像的方向估计,该算法都可以得到较好的估计效果,对噪声的鲁棒性较强,并且计算速度非常快。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。