一种图像分类的多特征vague融合模型*

针对图像分类中传统的特征融合方式所形成的巨大特征空间甚至维数灾难问题,提出了一种基于vague融合的图像分类模型。通过同时给出支持和反对的证据,运用vague集的真假隶属函数对图像分类中多特征分类器的分类结果进行决策融合,多特征分类器的分类结果得到优化和综合,从而获得更准确、更稳定的决策分类结果。实验结果表明,运用此决策融合模型是可行的,同时,图像分类准确率得到了明显提高。     

双色红外图像目标多特征决策级融合识别算法

针对双色红外成像系统中的自动目标识别问题,提出了一种采用多特征多分类器决策级融合的目标识别算法。该算法首先提取目标的形状特征和面貌特征;接着基于各种不同特征设计多个分类器对目标进行分类;然后采用所设计的多分类器决策级融合策略对多个分类器的目标分类结果进行融合处理;最后采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果。该算法充分利用了目标在多传感器图像中的多种分类特征信息,在较大程度上提高了系统的目标识别效率和精确性。实验结果证实了该算法的有效性。     

基于稀疏表示和决策融合的图像分类方法

利用多个稀疏表示分类器融合的决策信息对图像进行分类,可避免单个特征对图像分类的影响。提出一种自适应调节权重的多稀疏分类器融合图像分类方法。对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器;根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重;融合各子分类器的输出结果进行最终类别判断。基于Cifar-10图像数据集进行多组实验,结果表明,相对仅提取单特征的图像分类方法,该方法有效提高了图像分类准确率。     

基于图像复杂度和分类器融合的通用盲检测

现有通用盲检测方法大多没有考虑图像内容对隐写分析性能的影响,对此提出一种利用图像内容复杂度进行预分类和多分类器融合的隐写分析方法。在训练阶段,首先根据图像复杂度把图像分为若干类,然后针对每一类别训练分类器,并计算其模糊测度。在测试阶段,先判断待测图像的类别,然后将其送入到已训练好的各个分类器中,得到多个局部决策值,之后对其进行模糊积分融合得到最终的检测结果。实验结果表明,所提方法提升了通用盲检测算法在混合图像库中的检测性能。     

基于图像复杂度和分类器融合的通用盲检测

现有通用盲检测方法大多没有考虑图像内容对隐写分析性能的影响,对此提出一种利用图像内容复杂度进行预分类和多分类器融合的隐写分析方法。在训练阶段,首先根据图像复杂度把图像分为若干类,然后针对每一类别训练分类器,并计算其模糊测度。在测试阶段,先判断待测图像的类别,然后将其送入到已训练好的各个分类器中,得到多个局部决策值,之后对其进行模糊积分融合得到最终的检测结果。实验结果表明,所提方法提升了通用盲检测算法在混合图像库中的检测性能。     

高光谱图像分类的自适应决策融合方法

目的 目前高光谱图像决策融合方法主要采用以多数票决（majority vote，MV）为代表的硬决策融合和以对数意见池（logarithmic opinion pool，LOGP）为代表的软决策融合策略。由于这些方法均使用统一的权重系数进行决策融合，没有对子分类器各自的分类性能进行评估而优化分配权重系数，势必会影响最终的分类精度。针对该问题，本文对多数票决和对数意见池融合策略进行了改进，提出了面向高光谱图像分类的自适应决策融合方法。方法 根据相关系数矩阵对高光谱图像进行波段分组，对每组波段进行空谱联合特征提取；利用高斯混合模型（Gaussian mixture model，GMM）或支持向量机（support vector machine，SVM）分类器对各组空谱联合特征进行分类；最后，采用本文研究的两种基于权重系数优化分配的自适应融合策略对子分类器的分类结果进行决策融合，使得分类精度低的波段组和异常值对最终分类结果的影响达到最小。结果 对两个公开的高光谱数据集分别采用多种特征和两种分类器组合进行实验验证。实验结果表明，在相同特征和分类器条件下，本文提出的自适应多数票决策融合策略（adjust majority vote，adjustMV）、自适应对数意见池决策融合策略（adjust logarithmic opinion pool，adjustLOGP）比传统的MV决策融合策略、LOGP决策融合策略对两个数据集的分类精度均有大幅度提高。Indian Pines数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了1.2%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了7.38%；Pavia University数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了2.1%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了4.5%。结论 本文提出的自适应权重决策融合策略为性能较优的子分类器（即对应于分类精度高的波段组）赋予较大的权重，降低了性能较差的子分类器与噪声波段对决策融合结果的影响，从而大幅度提高分类精度。所研究的决策融合策略的复杂度和计算成本均较低，在噪声环境中具有更强的鲁棒性，同时在一定程度上解决了高光谱图像分类应用中普遍存在的小样本问题。     

多分类器融合实现机型识别

针对空战目标识别中机型识别这一问题,提出了基于多分类器融合的识别方法。该方法以战术性能参数为输入,便于满足空战的实时性要求。通过广泛收集数据,得到机型识别的分类特征,选取分类特征的子集作为单分类器的特征,用BP网络设计单分类器,然后选用性能优良的和规则进行分类器融合,求得最终的决策。实验结果表明,多分类器融合的识别性能明显优于参与融合的分类器,也优于相同输入的单分类器。该方法的另一特点是能够进行缺省推理,因而有较强的抗干扰能力,适合真实战场环境的需要。     

基于Multi-Agent的乳腺钼靶图像肿块分类方法

钼靶摄影是目前使用最广泛的乳腺癌早期诊断技术,恶性肿块是钼靶图像中乳腺癌变的一种重要表现。本文提出了一种基于Multi-Agent(多智能体)的多分类器融合乳腺肿块分类方法。首先将单分类器的结果作为初状态输入到各Agent(智能体),接着通过引入决策共现矩阵,利用分类器之间的决策相关信息,在Agent之间进行信息交流,指导各个Agent向不同类别溯源,从而通过Agent之间的信息交互改变溯源概率,最终达到群体决策,得到决策类别。良性恶性肿块在形状和边缘上的差异较大,本文主要使用肿块的边缘特征和形状特征,并提出了两个新的边缘特征。实验采用了美国南佛罗里达大学的DDSM数据库作为实验数据,从中随机挑选了64个恶性肿块和64个良性肿块。实验结果表明,Multi-Agent融合算法的分类精度达94.87%优于传统的融合算法和经典的单分类器算法,其稳定性能也较融合算法及大多数单分类器的效果要好(略低于BP算法)。同时,实验结果也表明所提出的特征在表征肿块的良性恶性时起到了较好的作用。     

基于多分类器融合的未知嵌入率图像隐写分析方法

提出一种基于多分类器融合的未知嵌入率图像隐写分析方法.通过建立多个不同嵌入率下的训练分类器模型,得到对测试图像的多个局部决策值;然后将得到的局部决策值转化为证据,并根据各分类器的漏检率和虚警率,对各局部决策值分配权重;最后由基于权重系数的D-S(Dempster-Shafer)证据理论推理得到最终的决策.针对LSB匹配隐写的实验结果表明,本文方法改善了未知嵌入率下的隐写检测性能.     

图像融合中的特征选取及分类与决策

图像融合在遥感等许多领域具有重要作用。简要分析了预处理和像素级别融合的技术,着重探讨了用于特征级和决策级融合的关键技术,包括特征提取与选择、分类器设计及决策等。针对几种典型的有监督及无监督分类算法,进行了深入的分析和比较。最后指出了在分类决策方面图像融合技术发展的方向。     

基于Vague集的多传感器目标识别方法

采用Vague集来表达传感器的模糊测量信息,提出一种基于Vague集的多传感器信息融合方法.建立Vague集表达的多目标模型数据库,并定义两Vague值之间的贴近度,利用多目标规划模型客观地确定各特征的权重,根据综合贴近度给出目标识别算法.实例分析表明了算法的有效性.     

多传感器信息融合的Vague集法

采用Vague集表达传感器的模糊测量信息,提出一种基于Vague集的多传感器信息融合方法,给出基于Vague集的模型描述,定义2个Vague集之间的距离,利用TOPSIS法,根据相对接近度给出信息融合的算法。该方法充分考虑了测量信息的隶属度与非隶属度两方面的不确定信息。仿真实例验证了算法的有效性。     

PCA与移动窗小波变换的高光谱决策融合分类

目的 高光谱数据具有较高的谱间分辨率和相关性,给分类处理带来了一定的困难.为了提高分类精度,提出一种结合PCA与移动窗小波变换的高光谱决策融合分类算法.方法 首先,利用相关系数矩阵对原始高光谱数据进行波段分组;然后,利用主成分分析对每组数据进行谱间降维;再根据提出的移动窗小波变换法进行空间特征提取;最后,采用线性意见池(LOP)决策融合规则对多分类器的分类结果进行融合.结果 采用两组来自不同传感器的数据进行实验,所提算法的分类精度和Kappa系数均高于已有的5种分类算法.与SVM-RBF算法相比,本文算法的分类精度高出了8％左右.结论 实验结果表明,本文算法充分挖掘了高光谱图像的谱间-空间信息,能有效提高分类正确率,在小样本情况下和噪声环境中也具有良好的分类性能.     

基于可分度和支持度的模糊密度赋值融合识别算法

模糊积分理论可有效处理分类决策不确定性问题。当前模糊密度的确定方法未考虑各个分类器识别结果的可区分程度及各分类器对识别结果的支持程度,会丢失融合识别的相关信息。文中提出基于可分度和支持度的自适应模糊密度赋值融合识别算法。该算法根据各分类器对待识别样本的识别结果的可区分程度和支持程度对分类器的融合模糊密度进行自适应赋值,从而有效实现多分类器融合识别。将该算法应用于自然交互环境下的人脸表情识别和Cohn-Kanade表情识别。实验结果表明,该算法能有效提高总体表情识别率。     

一种新的Vague集相似度量

针对以往的Vague集相似度量方法的不足之处,提出了一种新的Vague值相似度的定义,并重新给出了新的Vague集相似度量的定义和性质。最后,又提出了在Vague环境下用Vague集间的相似度和相似度量进行模式识别的方法。通过一些应用实例计算,结果表明,该Vague集的相似度量具有一定的优越性,并提高了Vague集相似度量的精确度。     

基于GA的多分类器融合算法

为了提高单一分类器的识别性能,在模式识别领域经常采用多分类器集成的方法。提出了一种基于GA的多分类器融合算法,首先通过GA算法对特征集的分割进行优化选择,形成了较优的成员分类器;然后通过对成员分类器分辨能力的度量,提出了一种加权系数矩阵的多分类器组合方法。在UCI数据库上进行了实验,结果表明所提出的算法具有较高的识别率。     

Vague集在多传感器信息融合中的应用

采用Vague集来表达传感器的模糊测量信息,提出了一种基于Vague集的多传感器信息融合方法。该方法利用Vague值的记分函数,构造传感器测量值的有序加权平均对,再结合诱导有序加权平均算子确定传感器的权重,根据综合记分函数给出了信息融合方法。仿真实例验证了方法的有效性和具有较高的可信度。     

基于Vague软集的模糊群决策方法研究

运用传统的模糊集进行模糊型群决策时存在一定的困难,而Vague软集是一种处理不确定信息的重要工具。为此,给出了一种加权的Vague软集间相似度定义,并运用Vague软集对备选方案进行评判;在此基础上运用正态云模型进行群体一致性评判,将基于Vague软集的模糊群决策方法应用于供应商选择问题中,结果表明,Vague软集能极大地提高模糊群决策的科学性和有效性。