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.     

求解对称半正定矩阵低秩逼近的乘性迭代算法

为求解对称半正定矩阵低秩逼近问题,基于矩阵的满秩分解和非负矩阵分解算法,构造了一种新的乘性迭代算法,并给出了新算法的收敛性定理。数值实验表明,与Cadzow算法相比,新算法更可行高效。     

基于广义主成分分析的图像重建

主成分分析(PCA)在图像识别及高维数据降维中有着普遍的应用.为提升基于主成分分析的图像重建性能,在经典PCA算法的基础上提出了广义主成分分析(TPCA),并利用该算法进行图像重建.该算法利用图像像素的空间邻域构成固定尺寸的数组并将其作为广义标量进行代数运算,可以方便有效地描述各像素的空间约束,从而提升图像的重建效果,同时也为其他图像分析算法的改进和升级提供了思路.实验分别将经典PCA算法与TPCA算法运用于公有数据进行图像重建,并对重建质量进行定量分析,结果表明运用TPCA算法的图像重建效果明显优于经典PCA算法.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

基于NSCT变换和相似信息鲁棒主成分分析模型的图像融合技术

针对传统的图像处理是以单个像素点为基础进行融合而忽略了信息的相似性以及存在信息丢失的问题,提出了基于非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)和相似信息鲁棒主成分分析(Robust principle component analysis,RPCA)模型的图像融合技术。首先对源图像获取图像块构造初始矩阵,通过对构造矩阵进行NSCT分解获得高频和低频部分,利用提出的具有相似信息低秩矩阵模型将低频成分分解成低秩矩阵和稀疏误差矩阵,再分别对两幅图像的低秩矩阵、稀疏误差矩阵及高频成分采用绝对值最大法融合规则进行融合,最后通过逆变换得到融合图像。MRI和CT的脑部图像的实验分析结果表明,本文算法可以更好地保留源图像中的边缘和纹理信息。     

高噪声图像的结构性缺失低秩矩阵重建算法

为了提高图像信噪比和结构性缺失低秩矩阵重建精度,本文提出基于重加权的高噪声图像的结构性缺失低秩矩阵重建算法。利用中值滤波、阈值处理以及小波系数法对高频子带图像中的脉冲噪声进行处理。利用小波逆变换获取恢复图像,实现高噪声图像初步处理,构建低秩与稀疏先验下结构性缺失矩阵重建模型。根据低秩先验和稀疏先验对重建矩阵进行约束,并通过重加权策略强化低秩与先验性,增强矩阵重建精确性。在重加权策略架构下,实现模型约束向无约束子问题的转化,并通过交替方向法实现模型求解。实验结果表明:该方法可实现结构性缺失低秩矩阵的高精度重建,峰值信噪比高达29.05 dB,平均绝对误差低于18。证明该方法有较好的图像降噪性能,提高了结构性缺失低秩矩阵重建精度。     

基于迭代对数阈值的加权RPCA非局部图像去噪

针对传统图像去噪算法的不足,提出了基于迭代对数阈值的加权RPCA非局部图像去噪方法,该算法首先根据图像的自相似性,对含有噪声的图像进行相似块匹配,获得低秩的相似块组矩阵,再构建RPCA模型,对模型中的低秩部分进行加权,利用迭代对数阈值的方法来求解目标函数.实验结果表明,无论是对于低噪声图像还是高噪声图像,都能够有效去除噪声,提高图像的峰值信噪比和结构相似指数,且能够很好的保持图像的结构纹理,图像视觉效果有明显改善.     

矩阵方程AXB＋CXD=F的广义中心对称解的算法析

应用共轭梯度迭代算法求解方程AXB＋CXD=F的广义中心对称解及其最佳逼近．应用此迭代算法,在迭代过程中方程的相容性可以自动地判断．当矩阵方程AXB＋CXD=F有解时,在有限的误差范围内,对任意初始广义中心对称矩阵X1,运用迭代算法,方程的广义中心对称解可经过有限步迭代得到;选取适当的初始矩阵,可以迭代出极小范数广义中心对称解．并且,对任意的矩阵瓦,矩阵方程AXB＋CXD=F的最佳逼近解可以通过迭代求解新的矩阵方程AXB＋CXD=声的极小范数广义中心对称解得到．     

基于二维EMD的人脸图像去光照方法研究

去除光照影响是人脸图像增强和识别的关键技术.二维经验模态分解(2-D EMD)可根据图像特征自适应地将其分成多个尺度的分量,各分量重建可实现图像增强或去噪的功能.基于二维EMD的原理及特征,研究了2种新的人脸图像去光照算法,即基于原始图像的直接二维EMD重建和基于Lambert光照模型的对数二维EMD重建,并运用特征脸识别对去光照算法的效果进行了测试和比较分析.仿真结果表明,运用二维EMD重建可较好地去除人脸图像中的光照影响,而对数二维EMD重建算法相对具有更明显的稳健性和适用性.     

一种用于低维光谱空间构造的非负主成分分析法

针对经典主成分分析法进行多光谱图像数据降维会使重构光谱反射比出现负值的问题,提出一种非负主成分分析法,并用该法构造低维光谱空间,实现高维多光谱数据与低维光谱空间的转换.首先分析主成分分析法产生非光谱反射比数据的原因,据此对主成分分析模型增加非负约束,建立迭代方程,求出一组线性无关的非负主成分权向量;然后用该组向量构造低维光谱空间;最后用非线性优化技术确定高维数据在低维空间中的投影值.实验表明,新方法与经典主成分分析法相比,能使重构光谱反射比数据限制在[0,1]范围内,保持了光谱反射比的物理意义,同时所构造低维光谱空间的精度能与经典主成分分析法保持一致.     

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影（2DLPP）算法只能保持数据局部性质的缺陷,通过结合二维主成分分析（2DPCA）和二维线性鉴别分析（2DLDA）的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法。首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取。在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果。在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、（2D）2PCA、（2D）2LDA、（2D）2PCALDA和（2D）2LPP-PCA等算法。     

基于广义主成分分析的步态识别算法研究

步态识别是根据人行走方式的不同对人的身份进行识别的.通过背景减除实现人体检测,运用形态学操作和图形几何变换实现了图像的标准中心化.在特征提取阶段使用步态能量图(GEI)来描述每个步态序列,分别使用主成分分析、二维主成分分析、完全的二维主成分分析以及加权完全的二维主成分分析对特征进行降维,最后采用最近邻分类器来测试识别结果作对比研究.实验结果表明权衡计算量和识别率,二维主成分分析对于GEI的步态识别比较有效,识别率可达95.43%.     

An infrared human face recognition method based on 2DPCA

Aimed at the problems of infrared image recognition under varying illumination,face disguise,etc.,we bring out an infrared human face recognition algorithm based on 2DPCA.The proposed algorithm can work out the covariance matrix of the training sample easily and directly;at the same time,it costs less time to work out the eigenvector.Relevant experiments are carried out,and the result indicates that compared with the traditional recognition algorithm,the proposed recognition method is swift and has a good adaptability to the changes of human face posture.     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

基于特征点匹配的图像拼接方法

在对现有图像拼接方法进行研究的基础上,提出一种基于特征点匹配的图像拼接方法。采用对图像质量与光照等因素具有较强鲁棒性以及丰富匹配信息的尺度不变特征变换匹配算法对特征点进行提取和匹配,使用随机抽样一致性去粗算法求得两幅图像间的H矩阵初值,并运用迭代精炼算法求出H矩阵的精确值,利用摄像头预先拍摄好的固定角度的图像来得到转换角度的H矩阵,从而将均具有角度差的两幅图像调整至垂直拍摄的平面,最后根据尺度不变特征变换匹配算法及投影算法将调整后的两幅图像拼接。实验表明,本方法简单易行,可降低具有角度差的两幅图像拼接后的边缘变形,从而改善拼接质量。     

结合自适应稀疏表示和全变分约束的图像重建

In view of the limitation of fixed complete orthogonal transformation, represented by two-dimensional wavelet transform and discrete cosine transform in compressed sensing high-resolution image reconstruction, this paper proposes a new method for high-resolution image reconstruction based on adaptive redundant dictionary sparse representation with the total variation constraint.The algorithm takes the intermediate image in the process of iteration as the training sample to get a redundant dictionary suitable for sample characteristics by adaptive learning. It makes full use of the correlation between dictionary atoms and the image to get an ideal complete sparse representation, thus reducing the sampling rate and improving the quality of image reconstruction. Finally, the algorithm takes the total variation as a constraint and uses the split Bregman iterative method to solve the sparse optimization problem. Simulation shows that the proposed method can reconstruct high quality images under a low sampling rate.     

Multi-channel fast super-resolution image reconstruction based on matrix observation model

A multi-channel fast super-resolution image reconstruction algorithm based on matrix observation model is proposed in the paper,which consists of three steps to avoid the computational complexity: a single image SR reconstruction step,a registration step and a wavelet-based image fusion. This algorithm decomposes two large matrixes to the tensor product of two little matrixes and uses the natural isomorphism between matrix space and vector space to transform cost function based on matrix-vector products model to matrix form. Furthermore,we prove that the regularization part can be transformed to the matrix formed. The conjugate-gradient method is used to solve this new model. Finally,the wavelet fusion is used to integrate all the registered highresolution images obtained from the single image SR reconstruction step. The proposed algorithm reduces the storage requirement and the calculating complexity,and can be applied to large-dimension low-resolution images.     

基于Radon和小波变换的纹理图像检索

提出一种新的基于Radon和小波变换的图像纹理特征检索算法．针对检索图像进行Radon变换,并对投影矩阵进行中心化使其具有平移不变性．利用图像的统计值对投影数据规范化,分别沿 和t方向对投影矩阵进行TSI小波分解,得到具有平移、旋转和尺度不变的小波分解．提取各子带能量作为图像的纹理特征,并对特征向量进行高斯归一化．以两幅图像归一化特征向量间的Canberra距离作为图像的相似度进行检索．基于纹理特征的图像检索试验结果表明,该方法对高斯噪声具有较强的鲁棒性,与其他方法相比具有较高的检索率．     

基于2DPCA-2DLDA的人脸识别算法

提出一种2DPCA-2DLDA方法来对人脸进行识别.该方法同时运用基于行的2DPCA和基于列的2DLDA方法直接在2维图像上进行投影,避免了对大矩阵的计算,同时也充分提取了图像的有效信息,在ORL人脸库上的实验结果表明该方法较优于其他方法.     

基于分块2DPCA的人脸表情识别

本文使用了分块二维主成份分析法（分块2DPCA）和模糊积分分类器进行了人脸表情识别与融合。由于分块2DPCA方法先对图像矩阵进行分块，对分块得到的子图像矩阵直接进行鉴别分析。其突出的优点是提高了特征提取的速度，在特征提取时可以完全避免使用矩阵的奇异值分解，方法简便。与2DPCA相比，可以实现使用低维的鉴别特征，而保持较高的正确识别率的目的。