基于FPGA的高光谱图像奇异值分解降维技术

为了解决高光谱图像维数高、数据量巨大、实时处理技术实现难的问题,提出了高光谱图像实时处理降维技术.采用奇异值分解(SVD)算法对高光谱图像进行降维,又在可编程门阵列(FPGA)芯片中针对这一算法划为自相关模块、特征求解模块、特征提取模块和降维实现模块4个模块进行编程实现、仿真和验证.仿真结果表明,高光谱图像降维后数据量为降维前的1/3,而降维后的分类像素点误差为0.2109%,证明了奇异值分解算法进行高光谱图像降维算法的有效性.     

基于二维阈值SL0范数算法的压缩感知ISAR成像

在对非合作目标的逆合成孔径雷达(ISAR)成像中,快速成像甚至实时成像具有非同寻常的意义。平滑l₀范数(SL0)算法是一种计算快速的压缩感知类参数重构算法,在ISAR成像中得到关注和应用。常规SL0算法在迭代过程中,无论参数重构的收敛效果如何,每轮内循环的迭代次数都是固定的预设次数,导致多次内循环无效进行。文中针对常规SL0算法迭代收敛机制僵化的问题,提出一种二维阈值平滑l₀范数(2D T-SL0)快速算法,用于ISAR成像中的强散射点提取。该算法引入迭代效率指标来评定内循环的有效性。在内循环的迭代过程中,若其迭代效率指标高于设定阈值,说明参数估计值能得到优化,该轮内循环继续进行;反之说明参数估计值已接近收敛,则终止该轮内循环,进入下一轮内循环。ISAR成像实验结果表明,相比常规SL0算法,2D T-SL0算法能减少很多无效迭代,明显降低运算量。在成像效果方面,2D T-SL0算法与常规SL0算法相当,明显好于传统的距离-多普勒(R-D)算法和旋转不变参数估计(ESPRIT)算法。     

二维最小误差分割在红外图像中的快速实现

最小误差分割算法的图像分割性能优异,但一维的最小误差分割算法容易受到噪声的干扰。利用图像的二维直方图,二维最小误差分割算法不仅能够利用图像的灰度信息,同时利用了相邻像素之间的邻域信息,取得更加理想的分割效果。但在实际使用的过程中,二维最小误差算法采用穷尽搜索的算法运算时间长,二维直线型最小误差分割算法无法反映全局最优解,降维形式的最小误差算法复杂度高。本文将结合粒子群优化算法(PSO)将二维最小误差分割算法应用在红外图像上,大大提升了算法的求解速度,能够在实现更低对比度的红外图像分割的同时满足工程中实时检测的要求。     

基于低秩张量分析的高光谱图像降维与分类

提出一种用于高光谱图像降维和分类的分块低秩张量分析方法。该算法以提高分类精度为目标,对图像张量分块进行降维和分类。将高光谱图像分成若干子张量,不仅保存了高光谱图像的三维数据结构,利用了空间与光谱维度的关联性,还充分挖掘了图像局部的空间相关性。与现有的张量分析法相比,这种分块处理方法克服了图像的整体空间相关性较弱以及子空间维度的设定对降维效果的负面影响。只要子空间维度小于子张量维度,所提议的分块算法就能取得较好的降维效果,其分类精度远远高于不分块的算法,从而无需借助原本就不可靠的子空间维度估计法。仿真和真实数据的实验结果表明,所提议分块低秩张量分析算法明显地表现出较好的降维效果,具有较高的分类精度。     

基于HSI彩色模型的图像降维技术

为了实现快速而准确的图像检索,降低图像维数,通过对HSI色彩空间的分析,将RGB颜色模型转换为基于视觉感知的HSI颜色模型,提出了一种利用HSI颜色模型提取图像主色的图像降维算法。仿真结果表明,该算法无需事先指定需要降维的维数,能较好地利用图像的本征维数,达到图像快速降维的目的。     

基于图像欧式距离和拉普拉斯特征映射的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高。针对高光谱图像的非线性结构,提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法。该方法结合高光谱数据的物理特性,将图像欧氏距离引入拉普拉斯特征映射进行非线性降维以更好地去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元。真实高光谱数据实验表明,提出的方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成份分析算法和原始的拉普拉斯特征映射算法。     

基于行列变换的恒模医学CT图像盲均衡算法

提出一种基于行列变换的降维恒模医学CT图像盲均衡算法.利用行列变换将图像信号转化为一维复值信号序列,构建了基于降维复值信号的医学CT图像盲均衡恒模代价函数,通过最陡下降法对代价函数进行迭代求解,从而获得图像的最优估计.仿真结果验证了算法的有效性,与传统算法相比,改善了峰值信噪比和恢复效果,迭代过程避免了矩阵逆运算,提高...     

基于自适应分块和联合优化光滑l0范数的二维压缩感知算法

传统的压缩感知模型和重构方法，虽能有效减少数据量，但压缩和重构性能不佳，故该文提出一种基于自适应分块和联合优化光滑l₀范数(SL0)的2维压缩感知算法。压缩过程利用灰度熵和四叉树算法进行自适应分块和采样率分配，同时对压缩模型改进，使用混沌循环矩阵作为测量矩阵，提升了压缩性能。重构过程基于SL0算法，采用陡峭性更高的拟合函数，结合拟牛顿法和动态迭代的方案提高重构质量和效率。该算法峰值信噪比和结构相似性指数相比现有算法平均提升了5.44 dB和21.08%，平均计算时间仅需1.59 s，表明该算法能稳定、快速地实现图像的压缩感知和精确重构，为压缩感知和图像重构提供了新方法。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

一种2DDCT与压缩感知结合的人脸识别

针对压缩感知(Compressed Sensing,CS)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出二维离散余弦变换(2DDCT)和压缩感知(Compressed Sensing,CS)相结合的人脸识别方法。新方法首先利用2DDCT将图像变换到频域,压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低了所需特征的维数,减少了计算量;然后通过感知算法进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别。在ORL、Yale及Feret人脸数据库的实验结果证明了该算法的有效性与稳健性,特别是在YaleB人脸数据库运用该方法得到了很好的试验结果。     

基于K-L交叉熵的岭回归人脸识别

岭回归人脸识别利用正则单形的顶点对每类人脸进行多元标记,通过投影实现高维人脸特征的降维。该算法首先提取人脸图像的局部二进制（LBP）直方图特征向量,通过主成分分析（PCA）和岭回归对该特征向量进行两次降维。识别阶段利用K-L交叉熵计算标记向量和投影后特征向量的相似性,根据熵值最小原则完成对测试样本的类别判断。实验选取ORL和YALE两个标准人脸库对算法进行测试,结果表明,K-L交叉熵测度比传统的欧氏距离测度获得更高的识别率。     

图像集闭包建模的协同表示人脸识别算法

针对样本集距离分类算法忽略样本集内部变化的不足,利用图像多重描述提供的互补信息,提出图像集闭包建模的协同表示人脸识别算法。首先,扩展具有多重描述能力的图像集,图像的中等强度像素携带鉴别信息利用原始图像生成中等像素图像,镜像图像可增添图像细节信息利用原始图像产生镜像图像,将此两种源域图像与原始图像联合构成扩展的图像集。然后,以无参建模构建扩展的图像集为字典闭包,同类异源域的测试图像构成图像集且构建为测试闭包,借鉴协同表示思想利用字典学习迭代求解闭包系数。最后,采用残差判别函数进行模式分类。本文方法不仅构建具有多重描述能力的图像集,而且充分利用样本集内部关联性从而获得较好的分类结果。本文分别在ORL、GT（Georgia Tech Face Database）、CMU PIE人脸数据库上进行实验。      

适用于彩色图像人脸识别的字典学习算法

现有的基于稀疏表示的人脸识别算法在识别前需要将彩色人脸图像转换成灰度人脸图像,这样虽然提高了运算速度,但忽视了不同色彩通道数据本身所包含的信息及它们之间的相关性。为了利用不同通道间相关性,基于标签一致的K奇异值分解（ LC-KSVD)字典学习算法,提出了一种适用于彩色图像人脸识别的字典学习算法。该算法将RGB通道数据顺序排列成列向量,并在稀疏编码的环节中,对正交匹配追踪（ OMP)算法的内积计算准则进行修正,以此提高字典原子的色彩表达能力。在彩色人脸数据库上进行实验,结果表明：所提出的字典学习算法能够有效地提高识别率。     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。      

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

Multi-pose 3D face recognition based on 2D sparse representation

The increasing availability of 3D facial data offers the potential to overcome the difficulties inherent with 2D face recognition, including the sensitivity to illumination conditions and head pose variations. In spite of their rapid development, many 3D face recognition algorithms in the literature still suffer from the intrinsic complexity in representing and processing 3D facial data. In this paper, we propose the intrinsic 3D facial sparse representation (I3DFSR) algorithm for multi-pose 3D face recognition. In this algorithm, each 3D facial surface is first mapped homeomorphically onto a 2D lattice, where the value at each site is the depth of the corresponding vertex on the 3D surface. Each 2D lattice is then interpolated and converted into a 2D facial attribute image. Next, the sparse representation is applied to those attribute images. Finally, the identity of each query face can be obtained by using the corresponding sparse coefficients. The innovation of our approach lies in the strategy of converting irregular 3D facial surfaces into regular 2D attribute images such that 3D face recognition problem can be solved by using the sparse representation of those attribute images. We compare the proposed algorithm to three widely used 3D face recognition algorithms in the GavabDB database, to six state-of-the-art algorithms in the FRGC2.0 database, and to three baseline algorithms in the NPU3D database. Our results show that the proposed I3DFSR algorithm can substantially improve the accuracy and efficiency of multi-pose 3D face recognition.     

利用快速加权PCA检测遮挡区域的人脸识别

针对人脸识别中存在遮挡而影响识别性能的问题,提出了一种利用快速加权PCA检测遮挡区域的鲁棒人脸识别算法。首先,利用快速加权PCA检测输入图像的遮挡区域,将其与图库图像的遮挡区域进行比较;然后,利用局部二值模式匹配确定最优权重系数,利用相位相关算法匹配确定遮挡掩码;最后,计算每个测试图像的匹配得分,并利用最近邻分类器完成人脸识别。在FRGC2和UND人脸库上的实验结果表明,本文算法的识别率可高达99.6%,相比其他几种较新的人脸识别算法,本文算法取得了更好的识别性能。