基于测地线距离的广义高斯型Laplacian 特征映射

传统的Laplacian 特征映射是基于欧氏距离的近邻数据点的保持,近邻的高维数据点映射到内在低维空间后仍为近邻点,高维数据点的近邻选取最终将影响全局低维坐标.将测地线距离和广义高斯函数融合到传统的Laplacian 特征映射算法中,首先提出了一种基于测地线距离的广义高斯型Laplacian 特征映射算法(geodesicdistance-based generalized Gaussian LE,简称GGLE),该算法在用不同的广义高斯函数度量高维数据点间的相似度时,获得的全局低维坐标呈现出不同的聚类特性;然后,利用这种特性进一步提出了它的集成判别算法,该集成判别算法的主要优点是:近邻参数K 固定,邻接图和测地线距离矩阵都只构造一次.在木纹数据集上的识别实验结果表明,这是一种有效的基于流形的集成判别算法.     

基于高斯拉普拉斯的层次剥离体绘制

由于仅修改传递函数很难解决组织间的遮挡问题,尤其是同种组织间的遮挡问题。采用边缘检测的原理确定不同组织间的分层点,并针对基于梯度的层次剥离体绘制难于选择合适的梯度阈值的缺点,提出通过判断图像二阶导数过零点的方法,确定不同组织的分层点。同时,为了达到实时效果,通过图形处理器对算法加速,实现实时绘制的效果。实验结果表明,该算法能够自动地并实时地实现体绘制的分层显示,显示结果较清晰。     

基于高斯平滑的自适应角点检测

文中算法首先在曲线尺度空间中通过高斯平滑以消除噪声；然后再基于自适应弯曲度计算和角点筛选准则确定角点，该算法不需要预先输入参数，具有较好的抗干扰性，实现简单有效。     

基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。     

基于HSV空间的简牍图像增强算法研究*

针对简牍图像存在对比度低、噪声大、文字模糊等问题,采用了一种适合简牍的彩色图像增强算法.该方法按人的视觉特性选择了HSV空间,并将线性变换、中值滤波、高斯-拉普拉斯级联作用于图像的亮度分量,同时也对饱和度做了相应的拉伸处理.理论分析和实验结果均表明,增强后的简牍图像更清晰,文字信息更突出,增加了可读信息,达到了令人满意的结果,有利于后期信息提取工作的开展.     

高斯核尺度空间中的采样算法研究

将线性尺度空间的特征点扩展问题转化为多尺度数据集的同尺度内分类问题,该问题属于尺度不变的非平衡数据集分类问题。提出了一种基于尺度空间的核学习的采样算法来处理支持向量机(support vector machine,SVM)在非平衡数据集上的分类问题。其核心思想是首先在核空间中对少数类样本进行上采样,然后通过输入空间和核空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练,从而有效克服了目前采样方法在不同空间处理训练样本所带来的数据不一致问题。该算法所采用的采样策略不仅能够降低数据失衡率,而且能够拓展少数类样本所形成的凸壳,从而更为有效地纠正最优分类超平面偏移问题。实验结果证明,所获得的结果分类器具有更好的泛化性能,能够在同尺度内有效扩展稳定特征点数量。     

Single Image Fog Removal Based on Local Extrema

Atmospheric conditions induced by suspended particles, such as fog and haze, severely alter the scene appearance. In this paper, we propose a novel defogging method based on the local extrema, aiming at improving the image visibility under foggy or hazy weather condition. The proposed method utilizes atmospheric scattering model to realize the fog removal. It applies the local extrema method to figure out three pyramid levels to estimate atmospheric veil, and manipulates the tone and contrast of details at different scales through multi-scale tone manipulation algorithm. The results on the experiments of comparison with traditional methods demonstrate that the proposed method can achieve more accurate restoration for the color and details, resulting in a great improvement in image visibility.      

基于高斯尺度空间粗糙度描述子的花粉图像分类识别

针对现有粗糙度描述子大多依赖于灰度值平均值,容易造成图像信息的丢失的问题,提出了一种新的基于高斯尺度空间粗糙度描述子的特征提取方法,并应用于花粉图像的分类和识别。首先,采用高斯金字塔算法,将花粉图像分割成不同层次的尺度空间;然后,在各个尺度空间上提取图像的粗糙度纹理特征;其次,通过计算粗糙度频率直方图的统计分布,提取不同尺度空间的粗糙度描述子(SSRHD);最后,采用欧氏距离计算图像的相似度。通过Confocal和Pollenmonitor图像库上的仿真结果表明,与基于隐马尔可夫模型的轮廓描述子(DHMMD)相比,该描述子在Confocal图像库上的平均正确识别率(CRR)提高了2.32%、平均错误识别率(FRR)降低了0.1%,而在Pollenmonitor图像库上的平均识别率也提高了1.2%。实验结果表明,该描述子能较好地描述花粉颗粒图像的纹理分布,对于花粉图像的旋转和姿态变化也具有良好的鲁棒性。     

自适应高斯粒子滤波在导航中的应用

针对粒子滤波中重要性密度函数难以选取和粒子退化导致的计算精度下降的问题,提出一种新的自适应高斯粒子滤波算法。通过高斯混合密度函数和UT变换来获取状态均值和协方差阵,选择并计算合适的自适应因子来调节均值和方差,在迭代过程中可动态调节重要性密度函数,并用WEM和EM步骤代替重采样,上述滤波算法考虑了最新量测信息的影响,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的抗干扰问题。将提出的算法应用于SINS/GPS组合导航系统跑车试验中,结果表明上述滤波算法能提高导航解算的精度,其性能明显优于已有滤波,同时验证了当系统出现噪声干扰突然变化时提出算法的有效性。     

Major Development Under Gaussian Filtering Since Unscented Kalman Filter

Filtering is a recursive estimation of hidden states of a dynamic system from noisy measurements. Such problems appear in several branches of science and technology, ranging from target tracking to biomedical monitoring. A commonly practiced approach of filtering with nonlinear systems is Gaussian filtering. The early Gaussian filters used a derivative-based implementation, and suffered from several drawbacks, such as the smoothness requirements of system models and poor stability. A derivative-free numerical approximation-based Gaussian filter, named the unscented Kalman filter (UKF), was introduced in the nineties, which offered several advantages over the derivative-based Gaussian filters. Since the proposition of UKF, derivative-free Gaussian filtering has been a highly active research area. This paper reviews significant developments made under Gaussian filtering since the proposition of UKF. The review is particularly focused on three categories of developments: i) advancing the numerical approximation methods; ii) modifying the conventional Gaussian approach to further improve the filtering performance; and iii) constrained filtering to address the problem of discrete-time formulation of process dynamics. This review highlights the computational aspect of recent developments in all three categories. The performance of various filters are analyzed by simulating them with real-life target tracking problems.      

基于局部尺度转换的拉普拉斯核方法

采用数据点的结构信息可以提高半监督学习的性能。为此,提出一种基于图的半监督学习方法。利用局部尺度转换对不同密度区域中的边权重设置不同的尺度参数,在此基础上构造图的拉普拉斯核分类器进行分类学习。在多个数据集上的实验显示该方法优于其他基于核的半监督分类方法。     

高斯尺度空间下估计背景的自适应阈值分割算法

为有效分割非均匀光照图像,提出一种在高斯尺度空间下估计背景的自适应阈值分割算法. 首先,利用二维高斯函数对待处理图像进行卷积操作来构建一个高斯尺度空间,在此空间下进行背景估计,并采用背景差法来消除非均匀光照干扰,从而提取出目标图像;然后,采用 矫正进行增强处理以突出较暗目标信息;最后,经强调谷底的最大类间方差法进行全局分割得到最终结果. 为验证算法的有效性,对非均匀光照条件下文本图像以及非文本图像进行了测试,并与基于偏移场的模糊C均值方法、灰度波动变换自适应阈值分割算法和自适应最小误差阈值分割算法,在错误分割率和运行时间上进行了对比. 实验结果表明,对比以上三种方法,该算法的分割结果更为理想.     

基于局部极值的保边缘图像分解算法

针对非线性图像滤波算法保边缘能力不强的问题,提出一种新的保边缘图像分解算法.该算法采用局部极值差定义图像的边缘,在此基础上利用加权平均的方法调整极值,通过优化算法得到原图像的基图像,实现图像的多尺度分解.实验结果表明,与同类算法相比,该算法在实现图像平滑的同时保边缘能力更强.     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

基于纹理贴图及高斯滤波的纹理反走样方法

MIPmap是当前各种硬件图形加速卡普遍支持的一种纹理映射方法,但它存在着过模糊和明显的走样现象。该文提出基于MIPmaps纹理数据结构的纹理映射算法,改进了纹理细节层次的计算方法,在存储带宽受限制的条件下尽量多存取纹理元素,并对存取的纹理采用高斯加权,从而改善了绘制图像的质量。     

基于视觉特征的尺度空间信息量度量

图像的多尺度表示指的是从原始图像出发,导出一系列越来越平滑、简化的图像。这种简化意味着信息的丢失。如果能定量描述每一个尺度中图像的信息,这对于多尺度表示来说有着重要的作用。虽然Sporring等人提出的尺度空间信息熵度量能解决一些问题,但是并不满足从视觉理论和直观的基础上提出的尺度空间信息量度量的基本要求,例如形态不变性等,为此在M arr视觉理论基础上定义了一个新的具有视觉意义的尺度空间信息度量,并在典型的高斯尺度空间中,证明了它确实满足从视觉理论和直观的基础上提出的尺度空间信息量度量的基本要求。数值试验验证了这种定义在视觉上是可靠的,从而为图像尺度的自适应选择提供了一种可靠的方法。     

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition, BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明：与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。     

高斯尺度参数自适应算法研究

为了避免计算过于复杂或因丢弃过多关键信息而造成失真过大的问题,在高斯尺度空间的构造中正确选用尺度参数,以使图像信息的变化呈现均匀的特点就显得尤其重要。目前许多高斯尺度空间应用中采用的层之间的尺度参数关系并不明确,有可能使得分层效果不理想。基于视觉特征模型提出一种自适应高斯尺度参数的算法,并通过实验验证了它的有效性,从而为图像的高层次处理如目标识别等提供信息量稳定变化的尺度空间。     

鲁棒拉普拉斯特征映射算法*

研究拉普拉斯特征映射算法（Laplacian eigenmap,LE）对离群点的敏感性,提出一种具有鲁棒性的拉普拉斯特征映射算法（robust Laplacian eigenmap,RLE）。该方法在离群点检测的基础上,利用鲁棒PCA算法（robust PCA,RPCA）对离群点进行局部光滑化处理,将离群点和其邻域投影到低维的局部切空间上,再构造能够准确反映离群点局部邻域关系的对应权值,减少离群点对Laplacian矩阵的影响。模拟实验和实际例子都证明,通过这种方法构造的鲁棒拉普拉斯特征映射算法,对于离群     

基于高斯滤波与可信度判别的改进指纹增强算法

对现有指纹图像增强算法进行研究并提出了一种新的改进算法。利用Gaussian滤波器对指纹图像多次滤波计算指纹图像方向图,减小了噪声的影响;根据得到的方向信息对原有图像进行对应分块旋转并沿Y轴垂直投影得到图像的统计频率,算法简便;采用Gabor滤波器进行指纹增强,取整幅图像有效频率的均值作为该图像的频率,减少了计算量。并在此基础上利用一定的判别规则对二值化图像进行可信度判别,进一步改进了增强后图像的质量。该算法简单有效,易于实现。实验结果表明对于一定噪声的指纹图像仍有很好的增强效果。