MVP:基于CCA的多视图数据相关性预测方法

多视图的数据广泛存在于真实的应用中。比如说网络上用户标注的图像,一个视图是由图像的底层特征去表征,而另一个则由文本特征去表征。如何从这种类型的数据中有效地挖掘出有价值的信息对于做数据挖掘和数据检索的人来说具有很大的挑战性。提出多视图的预测算法(MVP)去获取一个子空间,在这个子空间上,通过典型相关分析使得两个视图之间的相互关系最大化。在训练步,期望能通过学习同时得到典型向量组成的子空间和对应典型向量的相关系数;在预测步,通过把数据投影到子空间上产生多视图数据的得分向量。再由得分向量通过多重回归有效地判断出测试样本两个视图之间是不是存在相互关系。基于文本标注图像的实验表明了算法的有效性。     

一种基于双PCA的动态空间手背静脉图像合成方法

目前对手背静脉识别问题的研究大多是在较小规模的数据上进行,几乎没有在大样本情况下对手背静脉识别进行实验.因此,为了扩充手背静脉样本库提出了一种新的手背静脉图像合成方法,其基本思想是源于PCA(principal component analysis)原理,将用于合成的样本分为2组,对一组进行主成份分析构造特征空间,再由另一组向特征空间投影得到的投影系数构造投影空间,最后利用投影空间的投影系数在特征空间上进行PCA重建,从而融合双空间的信息达到图像合成的目的.通过对分组选取的动态更新,可以大量地合成手背静脉图像样本.由此,在实际实验中在拥有94个人的原始图像数据库的基础上建立一个拥有8 007个人的合成图像数据库.合成图像数据库的识别率达到97.84%.良好的识别率说明了合成图像数据库今后可以用于手背静脉相关的模拟测试中.     

适应地形实时生成的地形数据简化

出于对大范围地形场景实时生成的需要，提出了一种地形数据简化的方法。首先基于“分而治之”思想给出规则数据分割的概念，并给出数据分割算法，然后通过将地形数据的高度值解释为二维图像元素的灰度值，把地形数据变成平面图像，再利用数字图像处理的方法获得地形特征，提出了两种地形分类简化模型，即基于熵的地形类型划分模型和基于DEM数据统计特性的地形类型划分模型，最后比较了不同地形特征的数据简化结果。     

SIFT特征分布式并行提取算法

SIFT(scale invariant feature transform)特征在物体检测和识别、图像配准与融合、纹理识别、场景分类、人脸检测、图像检索、三维重建、数字水印、影像追踪等领域具有广泛应用,但存在计算量大、消耗时间长的缺点.基于消息传递机制,采用数据并行策略,提出了在PC机群或COW(cluster ofworkstation)上提取图像SIFT特征的分布式并行算法(DP-SIFT算法):根据特征空间-高斯尺度金字塔的特点提出了高度宽度受限的数据块划分算法,设计了数据分配和特征调整方法;研究了数据块划分和数据发送方法对通信时间的影响,提出了基于消息传递机制的并行图像处理中数据块划分与数据发送方式协同对通信优化的策略;实验结果表明DP-SIFT算法具有良好的加速性能和较高的处理器利用效率,千兆以太网连接32核的PC机群系统图像规模为1024×768时,加速比和处理器效率分别可以达到20和0.6;图像规模为2048×1536时可达18和0.56.     

基于特征融合与核局部Fisher判别分析的行人重识别

行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面,现有特征难以解决行人图像视角变化的问题,因此考虑将颜色标签特征与颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;在度量学习方面,传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中,忽略了查询图像不同区域的重要性,为此在核局部Fisher判别分析的基础上对特征进行区域分组,采用查询自适应得分融合方法来描述图像不同区域的重要性,由此实现度量学习。在VIPeR和iLIDS数据集上,实验结果表明融合后的特征描述能力明显优于原始特征,同时改进的度量学习方法有效提高了行人重识别精度。     

基于视觉描述符的图像大数据分类算法仿真

图像大数据化是不可阻挡的科技进程,但随着图像数量的增多,传统分类算法在图像识别与分类上具有一定的局限性。为解决大数据图像分类的精确度低下的问题,提出一种融合图像视觉描述符与图像初级特征的分类算法。首先利用迁移学习的优势,从VGG18的最大池化层提取图像的初级特征;然后加个图像预处理,采用“82圆型LBP算子”与“化Canny算子”分别提取同质纹理描述符与边缘直方描述符;最后将图像基础特征与视觉描述符相融合构建基于支持向量机的图像识别分类模型(DES-SVM)。仿真结果表明,经图像视觉描述符与图像初级特征相融合的建模方式,有效的提高了图像分类的精确度,较传统SVM模型相比,DES-SVM模型在UKB图像库与ZBD图像库上准确率、召回率与F指标分别提高了7.85%、8.42%和8.13%。构建的DES-SVM图像识别分类模型通过视觉描述符提取的方式有效的提升了模型的性能。     

基于多方向空间词袋模型的物体识别

针对词袋模型完全忽略空间位置信息的问题,提出了一种多方向空间词袋模型的物体识别方法。该算法通过空间金字塔划分,形成图像的空间子区域特征表达;分别在水平、垂直和倾斜[±45°]上对图像局部特征向量进行投影,得到图像在多方向上的空间结构信息;采用样本视觉词典方法,既减少了不同物体类别样本带来的冗余影响,又降低了特征维数。在Caltech101和Caltech256物体库上进行了对比实验,实验结果验证了算法的有效性。     

基于软硬数据的多点地质统计法在图像统计信息重构中的应用研究

仅使用硬数据或无条件数据时,图像统计信息的重构会比较困难而且精度不高.如果在重构过程中加入软数据,则可以提高图像重构的准确性.结合使用软数据和硬数据,提出了一种利用多点地质统计法重构图像统计信息的方法.该方法在再现训练图像特征模式的过程中,将软数据和硬数据同时作为条件数据,因此可以提高重构图像的精度.实验表明,与仅使用硬数据和无条件数据的情况相比,该方法重构的图像具有与真实体数据更为相似的结构特征.     

稀疏二值图像特征提取的数据场方法

针对图像特征自动提取问题,以稀疏二值图像为例提出了一种模拟物理学场论机制的数据场方法。该方法首先建立二值图像数据场实现图像特征空间到数据场势值空间的映射关系,搜索每个非零像素的八连通区域;然后计算势值及其主方向角,生成势值矩阵和方向角矩阵;最后通过势值归一化和主方向归一化输出以势值和主方向为基础的特征向量及其对应的可视化曲线。新方法利用数据场解决图像特征提取问题,能兼顾图像灰度空间的局部性和数据场势值空间的全局性。手写数字图像的定性和定量实验表明,该方法特征提取效果较好、性能稳定,具有合理性和有效性。     

融合雷达数据的高光谱图像分类

高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路DenseNet网络（Double-Branch DenseNet,DBD）。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。     

基于再生核希尔伯特空间映射的高维数据特征选择优化算法*

现有过滤型特征选择算法并未考虑非线性数据的内在结构,从而分类准确率远远低于封装型算法,对此提出一种基于再生核希尔伯特空间映射的高维数据特征选算法。首先,基于分支定界法建立搜索树,并对其进行搜索;然后,基于再生核希尔伯特空间映射分析非线性数据的内部结构;最终,根据数据集的内部结构选择最优的距离计算方法。对比仿真实验结果表明,本方法与封装型特征选择算法具有接近的分类准确率,同时在计算效率上具有明显的优势,适用于大数据分析。     

基于TRAP-4的连续数据保护系统

针对目前常用的连续数据保护系统仅直接备份变化数据,从而需消耗大量存储空间的问题,设计并实现了一种基于TRAP-4的连续数据保护(CDP)系统。该系统通过卷过滤驱动捕获用户对数据卷的修改,并使用TRAP-4的方式对变化数据进行计算压缩,最终将压缩后的数据备份至备份中心;恢复时只需对压缩后的数据进行逆向解压重组便能将数据卷恢复至任意时间点。实验结果表明,在卷分块大小固定的情况下相对目前常用的CDP系统实现方法,该系统可有效的节省存储空间;并且,随着分块大小的增大以及修改文件的减小,该系统将进一步减少存储空间使用量。     

基于HBase的遥感数据分布式存储与查询方法研究

遥感影像的存储与查询是地理信息处理中重要的内容,在海量遥感影像的实时处理中发挥着重要作用。针对传统的遥感影像处理中存在单节点故障、扩展性低和处理效率低等问题,提出了一种基于HBase的遥感数据分布式存储与查询方案。该方法首先采用均匀网格对遥感影像进行划分,并根据划分结果设计了一种基于网格ID和Hilbert曲线相结合的索引方案。然后,通过利用HBase的过滤机制设计了过滤列族,达到了在查询时筛选数据的目的。另外,采用MapReduce的并行处理方法对影像数据进行并行写入和查询。实验结果表明,与MySQL和MapFile相比,该方法可以有效地提高数据的写入和查询速度,且具有较好的可扩展性。     

增强图像平滑度的可逆信息隐藏方案

随着互联网技术的发展和社交网络的普及,可逆信息隐藏技术因其具有无损恢复载体信息的特性而被广泛应用于医疗、军事等领域的隐蔽信息传输。传统的可逆信息隐藏方案大多聚焦于嵌入容量提升和载密图像失真率降低,并未过多关注人们对图像视觉细节的要求,难以抵抗隐藏信息检测方法。针对上述挑战,从增强图像视觉平滑度方面入手,提出了一种增强图像平滑度的可逆信息隐藏方案,在嵌入隐蔽信息的同时提升载密图像最终的视觉质量。具体来说,所提方案将目标图像分为参考区域与非参考区域,利用非参考区域的图像像素预测值与原始像素值的差值作为信息嵌入的判断依据,通过差值平移来嵌入信息;进而构造图像平滑机制,采用高斯滤波作为秘密信息嵌入时像素值修改的模板,对预测值进行滤波计算,将滤波差值无损地加入载体图像中,以达到图像平滑的效果;同时将参考区域的像素值作为边信息,用于实现信息提取方对原始载体图像和秘密信息的无损恢复和提取;并以高斯函数中的滤波系数作为预置秘密信息对嵌入信息进行加密处理以保证嵌入信息的机密性。大量经典图像数据集的测试与分析结果表明,所提方案处理过的载密图像视觉平滑度得到了显著增强,具有较低的失真率、较高的嵌入率和较高的嵌入提取效率。在典型环境下,其生成的载密图像与高斯滤波后的图像相似度可达0.996 3,且可获得37.346的峰值信噪比和0.328 9的嵌入容量。     

井下捷联惯导系统导航数据处理滤波分析

针对现有煤矿井下定位技术误差较大、准确性不足的问题,引入了捷联惯导系统对煤矿井下人员和设备进行精确定位导航。为进一步提高捷联惯导系统的定位精度,提出了采用扩展卡尔曼滤波和采样卡尔曼滤波对系统数据进行滤波的算法,分析了扩展卡尔曼滤波和采样卡尔曼滤波的滤波原理,并对算法公式以及滤波效果进行了仿真分析。仿真结果表明,在假设井下噪声为高斯白噪声的前提下,采样卡尔曼滤波抖动性较小,曲线更为平滑,即滤波后的数据更加接近于真实数据,能够更准确地反映出坐标信息,且误差基本控制在允许的范围之内,具有较好的滤波效果。     

利用数据场和欧氏距离的图像边缘提取

图像边缘是图像分析和识别的基础,图像边缘信息的准确性和完整性对后续图像分析和识别有重要影响。为实现图像边缘有效提取,提出一种利用数据场和图像欧氏距离的图像边缘提取方法。首先,该方法利用数据场理论构建图像数据场,实现图像灰度值特征空间到数据场势值空间的转换。然后,在对图像数据场的势值计算时引入图像欧氏距离,利用图像区域欧氏距离扩大像素差异,抑制微小细节和噪声,得到"背景"和"目标"相对分离的势值图。最后,用改进Canny算法对势值图进行边缘提取。实验表明,用本文方法可以有效提高边缘提取的准确性,减少伪边缘,抑制冗余细节和噪声。     

流数据上的频繁项挖掘算法

提出了一种流数据上的频繁项挖掘算法（SW-COUNT）。该算法通过数据采样技术挖掘滑动窗口下的数据流频繁项。给定的误差ε,SW-COUNT可以在O(ε-1)空间复杂度下,检测误差在εn内的数据流频繁项,对每个数据项的平均处理时间为O(1)。大量的实验证明,该算法比其他类似算法具有较好的精度质量以及时间和空间效率。     

矢量场数据演示的快速Clifford傅立叶变换

对于结构化的矢量场数据,一般是先由均匀网格取样后,再由Clifford卷积来分析.通过证明快速Clifford傅立叶变换的可行性和有效性,介绍了应用快速Clifford傅立叶变换对矢量场数据进行分析的新方法.快速Clifford傅立叶变换把Clifford卷积由空间域转化到频域运算,加速了卷积运算,并且可以很容易、准确地模拟矢量场图像,对图像处理的特征提取和纹理分割也将起着重要的作用.     

ADS-B与TCAS II数据融合算法研究

面对空中交通密度越来越大,TCAS II在实际应用中暴露出的虚警和不必要告警等问题愈加明显。为了提供可靠连续的监视信息,提高防撞系统的性能,给出了一种ADS-B与TCAS II组合监视数据融合算法。该算法首先建立了飞机状态空间模型,并分析了ADS-B和TCAS II数据内容和特点,然后研究了数据融合前需要解决的关键问题,利用Kalman滤波器对数据进行处理,采用了在线性最小方差意义下的按标量加权最优信息融合准则和算法对数据进行融合。对该算法进行仿真,结果表明融合后的数据估计误差比任何一个传感器单独估计的误差都要小,说明该算法能够得到较高精度的数据,有效增强了防撞系统的性能。     

A SGeMS code for pattern simulation of continuous and categorical variables: FILTERSIM

The new multiple-point geostatistical algorithm (FILTERSIM), which can handle both categorical and continuous variable training images, is implemented in the SGeMS software. The spatial patterns depicted by the training image are first summarized into a few filter scores; then classified into pattern groups in the filter score space. The sequential simulation approach proceeds by associating each conditioning data event to a closest pattern group using some distance function. A training pattern is then sampled from that group and pasted back onto the simulation grid. Local multiple-point statistics carried by patterns are captured from the training image, and reproduced in the simulation realizations. Hence complex multiple-scale geological structures can be re-constructed in the simulation grid, conditional to a variety of sub-surface data such as well data and seismic survey.