基于双树复小波域统计图像建模的纹理特征提取

统计图像建模方法使用某种参数控制的分布模型来描述纹理及其特征,即参数估计是该类方法的核心问题.鉴于此,提出一种新的纹理特征提取方法,利用广义伽马分布和广义冯cdot米塞斯分布在图像的双树复小波域上进行统计建模,利用对数累积量法进行高效的参数估计完成纹理特征提取.在VisTex和Brodatz纹理库上进行分类实验,结果表明所提方法能够有效捕获图像的纹理特征,获取较高的识别率.     

基于掺杂聚苯胺的核壳型电磁屏蔽/吸波复合材料研究进展

掺杂聚苯胺(PANI)具有合成方法简单、电导率可调、质量轻、价格低廉、性能稳定等优点,使其成为一种性能优良的本征型电导高分子。为实现日益提高的高性能电磁屏蔽/吸波材料的应用要求,需要将掺杂PANI和其他材料复合使用。核壳结构材料整合了核与壳材料的优点,通过改变核和壳的化学组成、组分和形貌,可以调控材料的性能,拓展其应用范围。文中回顾了近5年来,尤其是近3年来掺杂PANI用于核壳型电磁屏蔽/吸波材料的一系列研究工作。从材料的制备、结构、性能、屏蔽/吸波机理等方面进行了阐述,并对其发展前景进行了展望。     

基于掺杂聚苯胺的核壳型电磁屏蔽/吸波复合材料研究进展EI北大核心CSCD

掺杂聚苯胺(PANI)具有合成方法简单、电导率可调、质量轻、价格低廉、性能稳定等优点,使其成为一种性能优良的本征型电导高分子。为实现日益提高的高性能电磁屏蔽/吸波材料的应用要求,需要将掺杂PANI和其他材料复合使用。核壳结构材料整合了核与壳材料的优点,通过改变核和壳的化学组成、组分和形貌,可以调控材料的性能,拓展其应用范围。文中回顾了近5年来,尤其是近3年来掺杂PANI用于核壳型电磁屏蔽/吸波材料的一系列研究工作。从材料的制备、结构、性能、屏蔽/吸波机理等方面进行了阐述,并对其发展前景进行了展望。     

基于Gabor 变换的GrabCut 纹理图像分割

多数自然图像都包含纹理信息, 它相对颜色特征而言具有描述方向性与尺度差异的特性. 因此, 可以利用半交互式的GrabCut 的图像分割方式对图像前景区域与背景区域进行有效的分割, 通过建立前景和背景所对应的高斯混合模型(GMM), 结合最大流最小割的图像分割方式实现全局优化, 并利用前景和背景的KL 测度, 自适应地终止分割过程. 实验对比分析表明, 所提出的方法对于合成纹理图像与自然纹理图像具有较好的整体分割效果及较高的分割准确率.

     

基于局部加权表示的线性回归分类器及人脸识别

线性回归分类器(Linear Regression Classifier,LRC)是一种有效的图像分类算法,然而LRC未关注数据的局部结构信息,忽略了类内样本之间的差异性,因此当人脸图像存在表情、光照、角度、遮挡等变化时分类性能不佳.针对此问题,文中提出了一种基于局部加权表示的线性回归分类器(Local WeightedRepresentation based Linear Regression Classifier,LWR-LRC).LWR-LRC首先以测试样本与所有样本的相似性为度量,构建每类样本的加权代表样本;然后将测试样本分解为加权代表样本的线性组合;最后将测试样本分类到重构系数最大的类别.LWR-LRC考虑了样本的局部结构,构建了每类样本的最优代表样本,使用代表样本进行计算,在提高鲁棒性同时,大幅缩短了计算时间.在AR,CMU PIE,FERET和GT数据集上的实验的结果表明,LWR-LRC与NNC,SRC,LRC,CRC,MRC,LMRC等算法相比,在性能上有很强的优越性.     

中心线邻域鉴别嵌入算法及其在人脸识别中的应用*

针对边界费舍尔分析在特征提取过程中存在的不足,提出中心线邻域鉴别嵌入(CLNDE)算法,并应用于人脸识别中.CLNDE首先利用样本到类中心线的距离分别构造类内相似矩阵与类间相似矩阵;然后利用构造的相似矩阵计算样本的类间局部散度与类内局部散度;最后在最大化样本的类间局部散度的同时最小化类内局部散度,寻求最优投影矩阵.在人脸数据库上实验验证算法的优越性.     

基于潜子空间去噪的子空间学习图像分类方法

针对判别最小二乘回归(DLSR)对图像噪声鲁棒性不佳的问题,提出一种基于潜子空间去噪的子空间学习图像分类方法(DLSSL).该方法在架构上不同于现有基于回归的分类方法,其在视觉空间与标签空间中引入一个潜在子空间,将传统的图像分类框架改进为两步,即先降噪后分类.该方法先通过欠完备自编码将数据的高阶特征提取到潜在空间,再利用此高阶特征进行回归分类,同时辅以组核范数约束控制类内样本间距离.潜在子空间的引入为算法框架带来了更多灵活性,缓解了视觉空间与标签空间中数据维度与特性的差异,使得欠完备自编码可以有效地对数据进行降噪,提升了分类算法的鲁棒性.在人脸、生物指纹、物体和深度特征数据集上设计了多组对比实验,实验结果表明,算法对于图像中的噪声具有较强的鲁棒性,获得的投影矩阵具有良好的判别性,相比现有图像分类算法,性能更好、普适性更强,能有效地运用于各种图像分类任务.