基于非刚体的线性迭代相机自标定方法

为了实现相机标定,本文提出了一种基于非刚体的线性迭代相机自标定方法,该方法假定非刚体由若干个非刚性基线性组成,利用所有图像点组成的图像矩阵为一个低秩矩阵的特性,实现射影重建;利用相机的约束关系线性迭代地实现相机标定.该方法克服了现有自标定方法要求物体做刚体运动的缺点,模拟实验和真实实验数据结果表明,能够有效地实现相机标定.     

一种变换域纹理图像特征提取和分割方法

以对偶树复小波变换为基础,提出了一种提取纹理图像变换域统计特征,进而实现图像非监督分割的方法。该方法用Gamma分布和对数正态分布建模对偶树复小波系数的模值,将两种分布的参数综合起来作为像素特征,利用边缘保持的平滑技术（EPNSQ）进行特征平滑,最后使用K－均值聚类方法实现特征分类,得到图像的非监督分割结果。实验结果表明所提取的特征可以有效地表征不同的纹理,基于该特征得到了更为精确的图像分割结果。     

基于大规模数据的支撑矢量机的训练和分类

支撑矢量机是一种基于统计学习理论的、新颖且有强的泛化性能的学习方法，可看作是一种训练多项式神经网络或径向基函数分类器的新方法。支撑矢量机可用于模式识别、回归估计、求解线性算子方程等。介绍了支撑矢量机的分类机理，并针对大规模数据讨论其训练和分类中存在的问题及典型的解决方法。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

集成SVM的回归预测及其遥感应用

为了提高单支持向量机(SvM)回归模型的泛化能力,引入遗传算法(GA)用以搜索SVM的"低偏差区域",给出了一种基于GA的SVM异构集成方法.用此方法对十个典型的数据集进行回归预测,并与单SVM回归结果和Bagging集成回归结果进行了比较,表明这种异构集成方法有较好的泛化能力.将这种方法应用于感兴趣的四个渭河陕西段水质参数的遥感反演,取得了更为精确的预测结果.实验表明,对小样本情况,基于GA的SVM异构集成方法能在付出合理时间花销的条件下,使单SVM的泛化能力得到有效提升.     

基于对偶树复小波变换的纹理特征提取及分割

对偶树复小波变换具有良好的方向选择性和平移不变性。该文在分析对偶树复小波分解后的6个高频子带所对应的模值子带直方图的基础上,提取一种新的纹理特征——Gamma分布参数与Lognormal分布参数的组合特征。基于该特征进行纹理图像分割,分割过程中使用了边缘保持平滑技术对特征进行平滑,并使用K均值聚类实现无监督分割。实验表明,文中所使用的特征提取方法新颖,分割结果的边缘准确性与区域一致性具有抗噪性,是一种有效的纹理分割方法。     

一种基于聚类核的半监督支持向量机分类方法

为了在标记样本数目有限时尽可能地提高支持向量机的分类精度,提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设,即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进行构造。采用K-均值聚类算法对已有的标记样本和所有的无标记样本进行多次聚类,根据最终的聚类结果去构造聚类核函数,从而更好地反映样本间的相似程度,然后将其用于支持向量机的训练和分类。理论分析和计算机仿真结果表明,该方法充分利用了无标记样本信息,提高了支持向量机的分类精度。     

脊波变换及其在图像处理中的应用

Ridgelet是继小波变换(Wavelet)后提出的一种新型的多尺度分析方法。对于图像中的直线状和超平面的奇异性问题,Ridgelet变换体现了比Wavelet变换更好的处理效果。文中给出了Ridgelet变换的概念及其实现算法,将Ridgelet应用于图像去噪,并和小波去噪加以比较说明其优越性。