基于向心自动波交叉皮质模型的非均匀光照图像增强

面向非均匀光照图像, 提出了基于向心自动波交叉皮质模型(Centripetal-autowave intersecting cortical model, CA-ICM)的图像增强算法. 为了解决原始交叉皮质模型(Intersecting cortical model, ICM)固有自动波效应在图像增强应用中易导致边缘模糊的问题, 首先,设计了基于形态学中值集的向心自动波(Centripetal autowave, CA)实现方式. 提出了基于图像特征---键值(Key)的自适应S形状映射函数, 以此作为CA-ICM模型的输入输出的映射关系. 为了增强算法的鲁棒性, 对未点火位置进行了标注和修复. 最后提出了非线性变换的颜色恢复方法. 同时对模型参数设计进行了细致讨论. 仿真结果表明, 该模型可以有效进行光照动态范围的调整, 向心自动波约束产生了邻域内的侧抑制作用, 输出图像对比度得到大幅提升, 细节边缘清晰, 颜色恢复充分自然, 客观评价值高.     

一种异构直推式迁移学习算法

目标领域已有类别标注的数据较少时会影响学习性能,而与之相关的其他源领域中存在一些已标注数据.迁移学习针对这一情况,提出将与目标领域不同但相关的源领域上学习到的知识应用到目标领域.在实际应用中,例如文本-图像、跨语言迁移学习等,源领域和目标领域的特征空间是不相同的,这就是异构迁移学习.关注的重点是利用源领域中已标注的数据来提高目标领域中未标注数据的学习性能,这种情况是异构直推式迁移学习.因为源领域和目标领域的特征空间不同,异构迁移学习的一个关键问题是学习从源领域到目标领域的映射函数.提出采用无监督匹配源领域和目标领域的特征空间的方法来学习映射函数.学到的映射函数可以把源领域中的数据在目标领域中重新表示.这样,重表示之后的已标注源领域数据可以被迁移到目标领域中.因此,可以采用标准的机器学习方法(例如支持向量机方法)来训练分类器,以对目标领域中未标注的数据进行类别预测.给出一个概率解释以说明其对数据中的一些噪声是具有鲁棒性的.同时还推导了一个样本复杂度的边界,也就是寻找映射函数时需要的样本数.在4个实际的数据库上的实验结果,展示了该方法的有效性.     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。