基于Laplace谱的图像分类

利用谱能够反映图像的结构特性,提出了一种运用Laplace谱进行图像分类的算法。首先对图像中的特征点构造Laplace矩阵,通过SVD分解得到该矩阵的特征值,再由协方差矩阵,将高维的Laplace特征值投影到低维的特征空间中,最后分别采用BP算法和SVM算法对图像进行分类。通过模拟实验和真实实验,表明不同类序列图像的结构不同,其Laplace谱也不同,而同类序列图像的结构相似,其Laplace谱也相近,因此,Laplace谱与图像的结构之间存在着直接联系,能够作为图像分类的特征样本。实验结果说明,利用Laplace谱表示的图像特征对图像进行分类,具有较高的识别率。     

基于图的Laplace谱的特征匹配

为了能对等距变换和相似变换后的图像进行精确匹配，提出了一种基于图的Laplace谱的特征匹配方法，该方法是首先给定两幅图像的特征点，然后分别定义其Laplace矩阵，再通过分析该矩阵的特征值及特征向量来构造特征点匹配矩阵；最后根据匹配矩阵元素的大小和位置信息来实现特征点匹配，并从理论上证明了该算法在对图像进行等距变换或相似变换情况下能获得精确匹配。实验结果表明，该方法对真实图像的匹配精度可达到82％。     

结合无符号Laplace谱特征的触觉步态识别算法

针对单纯利用压力点分布特征进行触觉步态识别的不足,提出了一种结合无符号Laplace谱特征的动态触觉步态识别算法。利用足底压力数字化场地采集常速、快速和慢速三种情况下的触觉步态数据,生成足底压力分布图像,并根据足底解剖学的结构划分区域;以足底压力图像各区域为节点构造结构图,并采用无符号Laplace矩阵表示;通过对该矩阵进行奇异值分解（Singular Value Decomposition,SVD）获取谱特征,并结合形状特征得到触觉步态特征;选择“一对一”的支持向量机（Support Vector Machine,SVM）多分类方法,按照人在行走过程中不同的速度分别构造分类器,从而实现动态触觉步态的识别。实验结果表明该识别算法对不同速度样本数据的触觉步态识别正确率都较高。     

一种基于蚁群优化的图像分类算法

现有图像降维方法中特征信息被过多压缩,从而影响图像分类效果。提出IC-ACO算法,利用蚁群算法来解决图像分类问题。算法充分提取并保留图像的各种形态特征。利用蚁群优化算法在特征集中自动挖掘有效特征和特征值,构建各类分类规则,从而实现图像的分类识别。在真实的车标图像数据集上的实验结果表明,IC-ACO算法比其他类似算法具有更高的分类识别率。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

基于多特征融合的图像拼接检测

针对数字图像篡改的常用手法图像拼接,提出了一种基于多特征融合的被动盲取证算法来检测图像拼接.算法通过分析图像相位一致性和纹理特征,采用二维经验模式分解将图像分解到固有模态函数域,得到三类特征值.利用这三类特征值,采用支持向量机作为分类器,建立一个预测模型,对图像是否经过篡改进行判定.选用标准图像拼接库对该算法进行测试.实验结果表明:与采用双相干谱作为分类特征的算法相比,该算法具有更高的识别率.     

一种结合概率松弛的谱匹配方法

提出了一种结合概率松弛的图的 Laplace 谱的特征点匹配方法。该方法给定了两个特征点集,并分别定义其 Laplace 矩阵,通过分析该矩阵的特征值及特征向量来获得特征点匹配的初始概率。利用概率松弛迭代的方法获得匹配的最终解。实验结果表明,该方法可以获得较高的匹配正确率。     

基于局部特征的图像快速分类算法

基于内容的图像快速分类是Web图像实时搜索和过滤的基础。通过分析图像特征分布特点,提出一个基于局部特征的图像快速分类算法。与目前算法相比,该算法仅需对图像的局部区域扫描分析,即可得到其颜色、纹理、形状等特征,并利用Bayesian分类器来实现图像的快速自动分类。相关对比实验证实,该算法能够快速、准确地实现图像分类。     

基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。     

基于图像表示和稀疏表示的图像分类

为了更好地实现图像分类任务,论文提出了一种新的图像分类算法,该算法可以更好地保留原始图像的大尺度信息,有效地利用原始图像的全局特征,同时减小了同一物体在其不同图像中的差异性,显著地提高了图像分类准确率。该算法首先通过新的图像表示算法生成虚拟图像,然后分别对原始图像和虚拟图像使用图像分类算法获得相应的分类误差,最后通过简单高效的误差融合方案得到最终的分类误差。实验结果表明该算法有效地降低了图像分类的错误率。