收敛性随机森林模型及其遥感应用

通过引入全局损失函数,提出了一种全局优化的随机森林模型算法,称为θ-β型随机森林,并且利用改进后的模型对城市遥感图进行了检测与识别,识别准确率与识别速率都得到了一定的提高.方法在经典随机森林模型的基础上加入前向反馈模型(Forward Stagewise Additive Model),通过每一层节点的训练结果干预下一层的训练数据(从而改变阈值θ的选择)与训练步长(β),使得最后训练得到的型随机森林收敛速度更快,预测结果更为准确.     

基于小波域的多尺度非参数图像分割方法

主要介绍了一种基于信息熵理论及图像多尺度信息来对图像进行非参数主动轮廓模型分割的有效方法.由于小波多分辨率特性的引入,可以最大程度地利用图像多尺度信息以确保分割的准确性和完整性.又由于小波变换的特性,低频信息的使用更是进一步降低了噪声影响.文中把图像分割问题定义为在分割区域边缘长度满足一定约束条件下,图像标记场与各个尺度图像像素值之间的互信息熵最大化过程.该方法可以有效地降低噪声对于分割的影响,及确保分割的准确性和完整性.     

基于深度学习的验证码识别技术研究

针对基于机器学习的传统验证码识别受字符分割限制与人工操作过多等问题,基于深度学习Tensorflow学习框架将卷积神经网络应用到验证码的特性提取、分析、归类和识别中.将图片验证码作为整体输入,改进传统的LeNet-5网络结构,构建一种端到端的9层卷积神经网络,对验证码图像由低级到高级逐层提取图像特征,实现对图片验证码的识别.模型确定后采用控制变量法,针对每一迭代次数所处理的图片数量进行分析,对其准确率、损失值、训练时间进行综合测评,最终选取最优参数.实验结果显示,每批次处理128张图片,每迭代次数用时6秒,准确率的上限最高达到92%,损失值的下限最低达到0.0184.     

错位指纹图像自动检测的深度学习方法

针对实践中存在的指纹图像错位问题,提出了基于深度学习的错位指纹图像自动识别算法.通过将错位指纹自动检测问题转化为一个四分类问题,搭建了一个深度卷积神经网络并用已知的标签进行有监督学习,将学习得到的模型用于预测给定指纹图像的类别.通过对模型性能的准确率、空图识别率和错位判正率3项指标的评价看出,本识别算法取得了良好的效果.     

基于分层树回归模型的快速图像超分辨率重建算法

设计了一种改进的分层树模型来实现图像实时超分辨率重建.其核心思想是在压缩的图像空间中训练分层树,来获得最优树节点参数和叶子节点回归矩阵,从而达到实时目的.与原始的分层树模型相比,有如下改进·在图像预处理部分,提出通过幅值、相位、频率变换极大压缩图像空间,从而加快训练速度和提高重建质量.在模型设计部分,去掉将低分辨率图像线性插值这一步骤,提出将低分辨率图像和高分辨率图像直接进行回归训练,从而减少模型参数数量·在理论部分,从泰勒展式的角度和离散余弦变换(DCT)的角度分别解释了模型设计和图像空间压缩的合理性.实验结果表明,在传统实时超分辨率重建方法中,所提出的新方法在重建效果上有较明显优势.同时与其他超分辨率模型相比,新方法所需参数较少,可极大节省硬件成本.模型可应用于以CPU为主的移动设备进行图像或视频的快速超分辨率重建.     

基于Huber正则化的红外与可见光图像融合

图像融合通常是指从多源信道采集同一目标图像,将互补的多焦点、多模态、多时相和/或多视点图像集成在一起,形成新图像的过程.在本文中,我们采用基于Huber正则化的红外与可见光图像的融合模型.该模型通过约束融合图像与红外图像相似的像素强度保持热辐射信息,以及约束融合图像与可见光图像相似的灰度梯度和像素强度保持图像的边缘和纹理等外观信息,同时能够改善图像灰度梯度相对较小区域的阶梯效应.为了最小化这种变分模型,我们结合增广拉格朗日方法(ALM)和量身定做有限点方法(TFPM)的思想设计数值算法,并给出了算法的收敛性分析.最后,我们将所提模型和算法与其他七种图像融合方法进行定性和定量的比较,分析了本文所提模型的特点和所提数值算法的有效性.     

快速均值漂移图像分割算法研究

Mean shift算法是一种搜索与样本点分布最接近模式的非参数统计方法.但它是一种迭代统计方法,要保证较高的数值计算精度需要较多的迭代次数,耗费较长的计算时间.为克服这一缺点,提出快速均值漂移图像分割算法.该算法在每次迭代时以前一次的聚类中心集合T动态地更新样本集S,并通过使用直方图缩小样本点的搜索范围进一步加快算法的收敛速度.实验结果表明该方法在保证图像分割质量的同时具有较快的收敛速度.     

去除稀疏和结构化噪声的交替方向增强拉格朗日算法

图像和视频去噪是数字图像处理的必要环节之一.为了去除图像和视频中广泛存在的稀疏噪声和结构化噪声,提出了一种分离低秩矩阵、稀疏矩阵和结构化矩阵的优化模型一主成分离群点追求.在交替方向最小化思想的基础上,利用增强拉格朗日乘子法求解主成分离群点追求模型,设计了求解模型的交替方向增强拉格朗日(ADAL)算法,加入了一种连续技术以提高算法的收敛速率.仿真实验结果表明,提出的模型和算法能够有效去除不同尺寸矩阵的不同比例的稀疏噪声和结构化噪声.     

大深度任意剖面形状光栅的模式理论和RTCM递推算法 *

采用模式理论和反射透射系数阵 (简记为RTCM)的递推算法 ,计算了任意偏振态的平面波从任意方向入射到大深度任意剖面形状的光栅中的衍射 .该方法物理概念清楚 ,算法简洁 ,计算速度快 ,算法稳定收敛 .把这种算法与R -矩阵算法和增强透射矩阵算法在计算准确度、计算稳定性和计算速度方面进行了比较 .     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。