排序方式: 共有78条查询结果,搜索用时 156 毫秒
31.
针对基于图的半监督流形正则化图像分类算法需要大量无标记样本训练分类器,空间和时间复杂度高,甚至不能处理大规模图像,且对背景或目标复杂的图像分类错误率较高的问题,提出了结合均值漂移(mean shift)的基于图的半监督流形正则化图像分类算法。该方法对基于图的半监督流形正则化分类算法的改进主要体现在两方面,首先是通过mean shift算法对图像进行了平滑,以平滑后的图像作为分类对象;其次不是利用所有无标记样本,而是只采用少量无标记样本。实验结果表明:图像的平滑使得目标和背景区域的特征更为一致,从而利用较少的样本就可以提高分类器的正确率;同时大大降低了算法的复杂度,使得基于图的半监督分类算法用于分类大规模图像成为可能。 相似文献
32.
基于图割理论的图像分割方法在二值标号问题中可以获取全局最优解,而在多标号问题中可以获取带有很强特征的局部最优解。但对于含有噪声或遮挡物等复杂的图像,分割结果不完整,效果并不令人满意,提出了一种基于形状先验和图割的图像分割方法。以图割算法为基础,加入形状先验知识,使该算法包含更多约束信息,从而限制感兴趣区域的搜寻空间,能够更好地分割出完整的目标,增加了算法的精确度。针对形状的仿射变换,运用特征匹配算法进行处理,使算法更加具有灵活性,能够应对不同类型的情况。实验表明了该算法的有效性。 相似文献
33.
为了分割图像中的多个目标,提出多先验形状约束的多目标图割分割方法。首先,使用离散水平集框架的形状距离定义先验形状模型,并将这一模型合并到图割框架的区域项中,同时通过加入多类形状先验扩展形状先验能量。然后,通过自适应调节形状先验项的权重系数,实现自适应控制形状项在能量函数中所占的比重,克服人工选择参数的困难,提高分割效率。最后,为使方法对于形状仿射变换具有不变性,使用尺度不变特征变换和随机抽样一致结合的方法进行对准。实验表明,文中方法能够较好分割图像中的多个目标,且能较好克服图像的噪声污染、目标被遮挡等信息缺失问题。 相似文献
34.
针对渭河水质参数遥感反演这一典型的非线性、小样本回归估计问题,引入最小二乘支持向量回归(LSSVR)方法来解决,它将SVR中的二次规划问题转化为线性方程组求解,在保证精度的同时极大地降低了计算复杂性,加快了求解速度;针对其参数难以选择的问题,利用遗传算法(GA)来优选模型参数。采用提出的方法对标准数据集进行了实验,并建模对渭河的4种水质参数CODmn(高锰酸盐指数)、NH3-N(氨氮)、 DO(溶解氧)、COD(化学需氧量)进行了遥感反演,结果表明GA-LSSVR模型可用于解决复杂的回归问题并具有较好的预测性能。 相似文献
35.
以非下采样Contourlet变换为基础,充分利用了该变换的尺度相关性以及各个尺度方向子带系数的方向性,提出了一种新的图像边缘检测的方法。通过实验,验证了新方法可以更好地把握图像的曲线或直线状边缘特征,与基于小波模的极大值边缘检测方法相比,效果更好。 相似文献
36.
37.
分层马尔可夫随机场(MRF)图象模型由于层间具有因果关系,且这种因果关系符合图象的性质,使基于该模型的图象处理时间比平面MRF模型所用的时间大为减少.针对作者提出的一种新的分层马尔可夫图象模型——不完全分层模型,导出EM算法以估计模型参数.算法继承了分层模型非迭代算法运算速度快的优点,并因为模型结构的简化进一步减少了计算量,算法在模型的最上层加入了平面节点间信息的交互,以较少的计算换来了更加精确的参数估计结果.算法用于图象非监督分割的实验表明,和分层模型算法相比,其处理速度更快、由所估计的参数得到了更好或相当的分割结果,尤其适合大幅面图象的处理. 相似文献
38.
提出一种在LUV空间中基于多层次化结构Nystrm方法的自适应谱聚类算法。首先引入LUV色彩空间,避免了RGB色彩空间中色彩辨别阈对分割的影响,在纹理、边缘区域取得了更好的分割效果;其次将谱聚类算法中基于多层次化结构的方法和基于Nystrm采样的方法结合起来,有效减少了运算时间、解决了数据量较大时计算过程中内存溢出的问题;最后在K均值聚类中通过对特征间隙(eigengap)的分析,自适应地选择K值的大小,解决了自动确定聚类数目的问题。将提出的方法在LUV色彩空间中和RGB色彩空间中分别进行图像分割实验,结果表明在LUV色彩空间中取得效果更加理想。同时也将提出的算法与基于Nystrm方法的谱聚类算法(spectral clustering-Nystrm,SC-N)进行比较。实验结果表明,该算法在数据运算量、运行时间和分割结果上都优于SC-N方法。 相似文献
39.
40.
如何有效利用海量的数据是当前机器学习面临的一个重要任务,传统的支持向量机是一种有监督的学习方法,需要大量有标记的样本进行训练,然而有标记样本的数量是十分有限的并且非常不易获取.结合Co-training算法与Tri-training算法的思想,给出了一种半监督SVM分类方法.该方法采用两个不同参数的SVM分类器对无标记样本进行标记,选取置信度高的样本加入到已标记样本集中.理论分析和计算机仿真结果都表明,文中算法能有效利用大量的无标记样本,并且无标记样本的加入能有效提高分类的正确率. 相似文献