基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

对称分数B样条小波的PCA图像融合

有良好逼近能力的对称分数B样条小波,在刻画图像纹理方面优于传统小波,为图像融合提供了有利条件。将其与PCA（Principal Component Analysis）变换相结合之后对高分辨率全色图像和低分辨率多光谱图像进行融合,提出了一种新的图像融合算法。对两幅源图像应用PCA变换,得到的两个第一主分量分别进行对称分数B样条小波变换,再对产生的两组高、低频小波系数采取不同的规则进行融合,生成两组新的高、低频系数,对其进行小波反变换得到新的第一主分量,与多光谱图像的其他主分量进行PCA反变换,得到最终的融合图像。实验结果表明,该方法使融合图像既提高了分辨率又保留了丰富的光谱信息。     

基于NMF的多光谱图像和全色图像融合方法

提出了一种基于非负矩阵分解的多光谱图像与全色图像的融合算法。在非负矩阵分解过程中,将低分辨率的多光谱图像和高分辨率的全色图像作为原始数据,非负矩阵分解得到的特征基包含了原始图像的整体特征,将高分辨率图像与分解得到的特征基中的第一特征基作直方图匹配,并代替第一特征基。利用特征基进行重构,得到具有较高的空间分辨率和保持原有多光谱图像的光谱信息的融合图像。主观视觉效果分析和客观统计参数评价分析表明,基于非负矩阵分解的图像融合方法在性能上优于传统的其他融合方法。     

基于NSCT域改进型NMF的图像融合方法

针对多传感器图像融合问题,提出一种基于非下采样轮廓波变换域改进型非负矩阵分解的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后对低频子图像采用改进型非负矩阵分解方法进行融合,该过程无需对W和H进行随机化便可快速生成低频融合图像,高频子图像则采用自适应unit-fast-linking脉冲耦合神经网络模型进行融合;最后利用非下采样轮廓波逆变换合成各子图像即可得到最终融合图像.仿真实验验证了该方法的有效性.     

一种改进的基于NMF的人脸识别方法

针对NMF(非负矩阵分解)算法基于局部特征提取的特点,提出了一种对NMF基矩阵的处理方法,以提高在局部遮挡环境下人脸识别系统的识别率。首先使用离散小波变换得到样本的低频信息,利用NMF得到基矩阵;然后通过阈值判断提取能够突出表现人脸特征的部分,得到优化后的特征子空间,并将样本在该子空间上投影;最后使用支持向量机对所得到的投影系数分类。实验结果表明,优化算法其运算时间较短,且能有效地提高人脸在部分遮挡环境中的识别率。     

融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L 变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。     

基于NMF分组策略的人脸识别

提出一种运用非负矩阵分解（NMF）分组策略进行人脸识别的方法。将训练图像分组,分别对每组图像作NMF,获取每组图像的基图像构成的非负特征子空间,将训练图像和测试图像分别向各个特征子空间进行投影,将每组图像提取出的特征系数混合,根据最近邻原则进行识别。基于ORL人脸数据库上的实验证明了该方法的有效性。     

加权小波和流形正则化的NMF融合的人脸识别

为了获取更充分的人脸特征信息以提高识别性能,应用加权小波变换和流形正则化非负矩阵分解的方法实现人脸识别。采用小波变换,提取训练样本人脸图像的加权高频分量和低频分量的特征信息;应用流形正则化非负矩阵分解方法,在保持人脸特征数据原始几何结构和局部特征的基础上获取最终的识别特征;利用最近邻方法进行分类识别。将该算法在ORL人脸库和YALE人脸库上进行测试验证,结果表明,与传统的非负矩阵分解方法相比,其识别率高出5%左右,且计算时间很低,说明该方法耗时短,效率高。     

基于NMF图像重构的人脸识别

由传统的人脸识别方法产生的人脸特征子空间通常是由人脸库中所有训练样本产生的一个通用子空间,该空间更多地包含了所有人脸样本的共性特征,而忽略了个性特征。该文提出一种基于NMF图像重构的方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,并以重构图像的误差作为判据实现人脸识别。在ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

基于小波变换和NMF的人脸识别方法的研究

为了克服PCA、ICA等传统方法在人脸图像特征抽取时存在速度慢、识别率低的缺点,该文提出了一种将非负矩分解思想应用于人脸特征提取的算法。利用小波变换对人脸图像进行分解,对其中包含主要信息的低频子带运用NMF构造特征子空间,在子空间内实现识别。实验结果表明,该方法实用、有效,减少了计算量,提高了系统的识别率,使识别率达到90％以上,有着广泛的研究价值和应用 前景。     

一种融合两种主成分分析的人脸识别方法

提出了一种融合两种主成分分析的人脸识别方法。首先,利用两种不同的主成分分析方法分别获得人脸识别结果;然后,从信息融合的角度出发,采用模糊综合的原理对结果进行融合,给出最终的识别结果。基于ORL人脸数据库的实验证明该方法的识别性能优于单一的主成分分析方法。     

结合小波变换和图像主元分析的人脸识别

提出了一种基于小波变换和图像主元分析（IMPCA）相结合的人脸识别方法。小波变换具有保留主要信息,去除噪声的作用,对人脸图像进行小波变换,对变换后的近似图像采用IMPCA方法进行识别。IMPCA是一种快速有效的直接通过图像抽取特征的方法,从图像重构的角度分析了实现IMPCA的两种模式,两种模式分别增强了图像的行特征和列特征,将它们的识别结果进行决策融合可以获得更好的识别效果。基于ORL人脸数据库的实验表明,所提出的方法在识别率上优于单独的IMPCA方法。     

非负矩阵分解和新轮廓波变换的图像融合

为提高融合图像保留源图像的信息量和边缘特征,提出了非负矩阵分解和新轮廓波变换的图像融合算法。以具有尖锐频率局部化特征的新轮廓波对循环平移后的源图像进行分解;运用非负矩阵分解实现低通子带融合,采用能量方差测度函数和匹配度函数实现带通子带融合;对各子带信号重构并逆循环平移,得到融合图像。实验结果分析表明,该方法保留了更多的信息量和边缘细节特征,应用效果较好。     

基于图像质量和PCA子空间的车标识别方法

针对室外动态获取的车标图像质量差异大而导致的识别率不高的情况,提出了一种结合图像质量的主成分分析子空间的车标识别方法。该方法首先基于模糊理论计算车标图像的模糊度,进而根据模糊度将训练样本分成不同的子集并生成相应的PCA子空间族,最后根据待识别车标图像的模糊度选择相应的子空间族进行识别。实验数据表明基于模糊度PCA子空间进行的重构误差比基于传统PCA子空间进行的重构误差小,因此其模式描述能力强,从而获得较高的识别率。与其他算法的对比实验进一步表明该算法的有效性。     

融合Gabor与局部切空间排列法的人脸识别算法

针对Gabor小波提取人脸特征存在维数高,计算复杂的问题,引入基于划分的局部切空间排列算法（Partitional Local Tangent Space Alignment）对得到的Gabor幅度特征（Gabor Magnitude Feature,GMF）进行降维,同时将主成分分析（PCA）和线性判别分析（LDA）引入到算法中,确定用最近邻分类器进行分类识别的最优投影子空间。通过在ORL人脸数据库上的实验证明了该算法的有效性,用Gabor小波提取特征对光照和表情变化等有良好的鲁棒性。     

基于光滑性和主成分的非负矩阵分解算法

非负矩阵分解(NMF)存在收敛速度慢的缺点,其根本原因是基图像（基矩阵）包含大量的噪声点。另外,系数矩阵相关性很大,不利于区分不同图像。鉴于以上缺点,提出了基于光滑性和主成分的非负矩阵分解（SPNMF）：一方面通过添加常数矩阵来增强基矩阵的光滑性,平抑噪声点,达到减少迭代次数的目的;另一方面在原损失函数基础上,将系数矩阵不同列之间的方差作为惩罚项,提高系数矩阵的区分度。在PIE和FERET人脸库中的实验表明,SPNMF不仅能够提高人脸识别的正确率,而且速度比NMF快2~4倍,使得基于非负矩阵的人脸识别系统更具有实用价值。     

用于人脸识别的两类主成分分析融合

分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的结果进行了特征层融合和决策层融合,基于ORL人脸数据库的实验表明该方法的识别性能优于单一的主成分分析方法。     

Contourlet相关性和PCA的图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,它比小波变换具有更好的方向性和更好的稀疏表达性能。将Contourlet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。基于Contourlet变换系数相关性的图像融合算法是将图像进行Contourlet变换分解后,针对高频分解系数尺度内以及尺度间像素点具有的相关性设计图像融合规则,低频信息选择PCA的方法进行融合,最后通过重构得到融合图像。实验结果表明Contourlet能够为融合图像保留更全面的原始图像信息,基于相关性的图像融合算法能够更加有效、准确地提取图像中的特征,是一种有效可行的图像融合算法。     

改进的模块PCA人脸识别新算法

由于传统的PCA要求训练样本符合高斯分布,而现实中得到的图片往往由于光照、表情、姿态的不同,不符合高斯分布。为了使PCA不再局限于高斯分布,并且不影响其识别率,提出一种改进的模块PCA人脸识别新算法。一方面,新算法采取了分块方式,将具有同一姿态的图片划分进同一矩阵,以使训练样本更接近于高斯分布。另一方面,新算法对传统PCA算法中前三个主分量加小于1的权重系数,可以减少光照变化对识别率的影响。利用分块和权重系数的共同作用使得PCA不再局限于高斯分布,同时提高识别率。最后在ORL人脸库上进行实验,结果表明新算法优于传统的PCA算法。