PCA-CCA在红外与可见光图像特征融合中的应用

针对红外与可见光图像特征级融合提出一种基于PCA-CCA的融合方法.分别提取红外与可见光图像的特征,由于当特征维数较高时,基于CCA方法的目标函数会面临协方差矩阵奇异的问题,无法进行求解,因此首先利用PCA方法进行降维,然后在低维空间中利用CCA方法求解融合特征.通过实验证明,本文的方法能够有效地提取融合特征,并且识别效果高于单一的CCA融合方法.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

一种基于流形学习的PCA-SLPP特征空间降维方法

针对复杂模式分类中特征空间维数过高问题,提出一种基于流形学习的PCA-SLPP降维方法。先对初始特征量集中样本数据进行主成分分析(PCA),使特征量在全局空间中相互独立;再采用改进的有监督局部保留投影(SLPP)法对主成分分析后的数据进行映射,使数据在特征空间中的局部流行结构得以保持的同时扩大样本数据的可区分性;最终依据累计贡献率与特征值的大小实现特征空间的降维。采用降维后的数据集训练支持向量机分类器,对具有复杂结构的煤岩惰质组显微组分进行分类。实验结果表明:PCA可以有效去除特征数据间的信息冗余,有助于分类正确率的提高;PCA的维数一定且总维数较高时,采用SLPP继续降维对分类正确率影响不大,但当总维数降到2及以下时,分类正确率迅速下降;在特征空间总维数降到初始维数的1/2及以下时,本文方法的分类正确率明显高于其他算法;本文方法在耗时上与SLPP相近。     

基于PCA-SVM多生理信息融合的情绪识别方法

为了有效解决情绪识别过程中多种生理信息融合所导致的运算量过大的问题,提出了一种主成分分析(principal component analysis, PCA)与支持向量机(support vector machine, SVM)相结合的情绪识别方法。利用主成分分析法,求出各特征对情绪识别效果的影响权重,通过阈值法选择权重较大的特征组成新的特征子集,从而减少SVM的输入特征维数,降低算法的运算量。试验结果表明,该方法可以有效提高算法的执行效率。     

基于改进2D-2DPCA的图像融合算法

针对基于主元分析的图像融合算法存在结构利用率低、光谱信息损失多的缺点,同时考虑到色彩图像融合时空间变换产生的色彩畸变以及RGB色彩空间各通道间的强相关性,提出一种基于改进双向二维主元分析的图像融合算法。针对RGB色彩图像的结构特点,以待融合图像行、列方向的RGB分量作为基元进行二维主元分析得到各级主元,采用线性权重分配方法对待融合图像进行重构,依照重构图像第一主元的结构特性进行主元替换后,经加权逆变换得到融合图像。为验证算法的有效性,选取校园近红外光谱图像与对应的清晰彩色图像,以及彩色可见光图像与对应的红外图像进行实验,实验结果表明使用文中方法得到的融合图像可取得理想的融合指标和较好的空间分辨率。     

基于随机旋转局部保持哈希的图像检索技术

针对基于局部保持投影（locality preserving projection,LPP）的哈希用于图像检索造成图像表征力不强、检索效率低下的问题,融合LPP及主成分分析（principal component analysis,PCA）技术,提出一种随机旋转局部保持哈希的图像检索算法。首先对样本进行PCA降维,对PCA变换矩阵进行随机旋转形成PCA降维矩阵,将原始样本在降维矩阵上进行投影,得到PCA降维样本。为充分利用样本间的相似性结构,对PCA降维样本进行LPP映射,并引入随机矩阵对特征向量进行偏移构造最终编码投影矩阵。再将原始样本投影到编码投影矩阵,得到最终的降维样本;最后对其进行哈希编码,得到有效的二进制编码用于图像检索。算法充分考虑样本间的全局和局部相似性结构,体现了样本间所蕴含的局部和全局信息,把随机旋转应用于PCA降维矩阵,减少了编码之间的量化误差,提高了图像特征的识别能力。分别在3个人脸数据集上进行性能测试实验,并与相关方法进行比较,得到了较好的效果。实验结果表明该方法是有效的。     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于复合分解与直觉模糊集的红外与可见光图像融合方法

针对传统的基于多尺度变换的红外与可见光图像融合算法的不足,提出一种基于复合分解与直觉模糊集的红外与可见光图像融合方法。采用NSCT将源图像分解为低频子带和高频子带,进一步采用潜在低秩表示模型将低频子带分解为低频基础子带和低频显著子带;针对低频基础子带、低频显著子带和高频子带的特征,采用不同的融合规则,其中,低频基础子带以视觉显著度为权重系数采用加权求和作为融合规则,低频显著子带以绝对值最大为融合规则,高频子带以直觉模糊熵最大选择为融合规则;通过NSCT逆变换得到红外与可见光融合图像。通过对比多组融合图像主、客观评价结果表明,该方法能有效保留边缘信息,保留较多的源图像信息,在视觉质量和客观评价方法优于其他图像融合方法。     

改进小波变换的红外与可见光融合方法研究

针对单独把红外与可见光视觉应用在城市规划、环境监测、地图更新、变化检测和军事领域的目标打击等生活和军事领域中的缺陷与不足问题,提出基于改进的小波变换的方法对红外与可见光图像进行融合,小波变换的整体模型对红外与可见光双传感器所获取的目标高频部分进行局部能量准则融合,对低频部分进行系数绝对值最大规则法融合。应用本方法进行多组实验及与PCA图像融合方法的对比实验表明,该方法能够对多种传感器的图像进行信息互补处理,且能分析出多种复杂环境条件(光照、物体颜色等)对融合结果的影响;该方法在本课题所设定的环境和目标下有很好的融合效果,存在较好的融合指标、更高的可靠性。     

基于无监督深度学习的红外图像与可见光图像融合算法

红外和可见光图像表征了互补的场景信息. 现有的基于深度学习的融合方法大多通过独立提取网络分别提取两个源图像特征,从而丢失了源图像之间的深度特征联系. 基于此,提出了一种新的基于无监督深度学习的红外图像与可见光图像融合算法,针对不同模态的特点采用不同的编码方式提取图像特征,利用一个模态的信息补充另一个模态的信息,并对提取到的特征进行融合,最后根据融合特征重建融合图像. 该算法可在两个模态的特征提取路径之间建立交互,不仅可预融合梯度信息和强度信息,且能增强后续处理的信息. 同时设计了损失函数,引导模型保留可见光的细节纹理,并保持红外的强度分布. 将所提算法与多种融合算法在公开数据集上进行对比实验,结果表明,所提算法获得了良好的视觉效果,客观指标评价方面对比现有的优秀算法也有一定的提升.     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

基于红外特征与区域相似的图像融合算法

为了提高图像融合算法的速度，改善融合图像的质量．提高观察者对场景的认知能力，提出了一种介于像素级融合与特征级融合之间的基于红外特征和区域相似的图像融合方法．该方法利用目标的红外特征对红外图像进行目标区域分割。从而实现对目标区域和背景区域的分别融合；同时利用图像的结构相似度对源图像中的目标区域进行相似判定，并利用不同的融合规则对冗余区域和互补／冲突区域分别进行融合．与目前常用的基于多分辨率分解的图像融合方法相比，它既充分利用了目标的红外特征和可见光图像的细节信息，更好地对图像中亮暗相反的区域进行了处理．改善了融合效果，又提高了运算速度．     

基于NSST与DBM的可见光与红外图像融合方法

针对红外图像与可见光融合时特征信息无法充分提取的问题,提出了一种基于NSST与DBM的可见光与红外图像融合方法。该方法利用深度玻尔兹曼机（DBM）进行最优能量分割得到显著红外目标,并采用非下采样剪切波变换（NSST）将红外目标区域与背景区域融合的映射图进行稀疏分解和融合。仿真实验结果表明,与现有的几种经典方法相比,基于本文方法的结果图像拥有更好的视觉效果和更理想的客观结果。     

多尺度图像增强可见光与红外图像融合

针对同一场景在可见光和红外传感器得到的图像其高频细节部分存在着较大差异这一特点,首先对已经配准的红外传感器和可见光得到的图像进行小波变换,在多尺度下对两幅图像进行边缘提取。然后以局部模方为活性测度,局部模方的比值为匹配测度,并且利用图像的边缘特征指导融合策略,经过合成模块和多尺度逆变换得到融合图像。最后对融合后的图像进行图像增强,并对其进行客观评价,证明了本文方法的有效性。     

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。     

基于区域显著性的双波段图像融合方法

为了在红外与可见光图像融合中保留更多有效信息,提出一种基于区域显著性分析的融合方法.通过区域分割以及多分辨率对比度分析,获得图像的尺度不变区域显著性图（RSISM）.利用RSISM能够有效表达区域的显著性特征,合理区分不同性质的区域;根据RSISM划分显著性区域、背景区域及中间区域,对各区域制定相异融合规则,并在非降采样轮廓波变换（NSCT）变换域上融合双波段图像.实验证明,与传统方法相比,该方法能够更好地保留显著性区域的红外特征及其他区域的细节信息,同时对背景热辐射干扰不敏感,有较好融合效果,并能够拓展应用于动态图像的融合中.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.