基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

基于监督稀疏流形嵌入的高光谱遥感影像分类

稀疏流形聚类和嵌入算法通过仿射空间中的稀疏表示获得稀疏系数,并能由稀疏系数自适应地选取来自同一流形的数据点.但稀疏流形聚类和嵌入算法没有直接的投影矩阵,且为非监督学习方法.针对稀疏流形聚类和嵌入算法算法的不足,提出一种新的监督稀疏流形嵌入算法.该方法首先在仿射空间中采用稀疏优化法得到稀疏系数,然后根据稀疏系数构建相似权值,并在权值中嵌入样本类别信息,增加同类数据间的聚集性,并在低维嵌入空间中保持这种相似性不变,提取鉴别特征来提升分类性能.实验结果表明:该文方法不仅能保持数据的稀疏特性,而且通过利用样本数据的类别信息使同类数据在低维空间尽可能聚集,提取鉴别特征,进而改善高光谱影像的地物分类效果.     

基于旋转主方向梯度直方图特征的判别稀疏图映射算法

非约束环境下采集的人脸图像复杂多变,将其直接作为字典原子用于稀疏表示分类(sparse representation based classification,SRC),识别效果不理想.针对该问题,本文提出一种基于旋转主方向梯度直方图特征的判别稀疏图映射(discriminative sparse graph embedding based on histogram of rotated principal orientation gradients,DSGE-HRPOG)算法,用于构建类内紧凑、类间分离的低维判别特征字典,提高稀疏表示分类准确性.首先,采用旋转主方向梯度直方图(histogram of rotated principal orientation gradients,HRPOG)特征算子提取非约束人脸图像的多尺度多方向梯度特征,有效去除外界干扰和像素间冗余信息,构建稳定、鉴别的HRPOG特征字典;其次,引入判别稀疏图映射(discriminative sparse graph embedding,DSGE)算法,以类内重构散度最小、类间重构散度最大为目标计算特征字典的最佳低维投影矩阵,进一步增强低维特征字典的判别性、紧致性;最后,提出投影矩阵和稀疏重构关系交替迭代优化算法,将维数约简过程伴随在稀疏图构建过程中,使分类效果更理想.在AR,Extended Yale B,LFW和Pub Fig这4个数据库上进行大量实验,验证了本文算法在实验环境数据库和真实环境数据库上的有效性.     

半监督判别分析的跨库语音情感识别

针对训练样本与测试样本来自不同语音情感数据库造成特征向量空间分布不匹配的问题,采用半监督判别分析减小二者的差异。首先寻找有标签的训练样本和来自另一个库的部分无标签训练样本之间的最优投影方向。基于一致性假设即相近的点更有可能具有相同的类别,利用p近邻图对无标签训练样本相近点之间的关系进行建模,从而获得无标签样本的分布信息。在保证无标签样本间流形结构的同时,使所有训练样本类间散度和类内散度的比值达到最大,从而得到最优的投影方向。采用两组实验进行验证,第1组用eNTERFACE库训练去测试Berlin库,识别率为51.41%,第2组用Berlin库训练测试eNTERFACE库,识别率为45.76%,相比未采用半监督判别分析的识别结果分别有了13.72%和22.81%的提高,说明该算法的有效性。通过实验前后数据的可视化分析,说明利用半监督判别分析确实减小了不同库之间特征向量空间分布的不匹配问题,从而提高跨库语音情感识别率。     

半监督判别分析的跨库语音情感识别

针对训练样本与测试样本来自不同语音情感数据库造成特征向量空间分布不匹配的问题,采用半监督判别分析减小二者的差异。首先寻找有标签的训练样本和来自另一个库的部分无标签训练样本之间的最优投影方向。基于一致性假设即相近的点更有可能具有相同的类别,利用p近邻图对无标签训练样本相近点之间的关系进行建模,从而获得无标签样本的分布信息。在保证无标签样本间流形结构的同时,使所有训练样本类间散度和类内散度的比值达到最大,从而得到最优的投影方向。采用两组实验进行验证,第1组用eNTERFACE库训练去测试Berlin库,识别率为51.41%,第2组用Berlin库训练测试eNTERFACE库,识别率为45.76%,相比未采用半监督判别分析的识别结果分别有了13.72%和22.81%的提高,说明该算法的有效性。通过实验前后数据的可视化分析,说明利用半监督判别分析确实减小了不同库之间特征向量空间分布的不匹配问题,从而提高跨库语音情感识别率。      

融合全局与局部多样性特征的人脸表情识别

通常主成分分析(PCA)只能保持数据的全局结构,邻域保持嵌入(NPE)算法只能保持邻域样本间的相似性,忽略了其差异性。针对上述问题,提出了一种融合全局与局部多样性的特征提取算法,并将其应用于人脸表情识别中。该算法利用PCA算法保持全局结构,并通过流形学习思想定义局部差异离散度和局部相似离散度,结合最大局部散度差准则,有效刻画出局部流形结构的多样性;将全局特征和局部多样性特征相结合,提取出低维流形特征用于表情分类。在JAFFE和Cohn-Kanade人脸表情数据库上的实验表明,该算法与PCA、局部保持投影(LPP)、NPE等算法相比,不仅有效地提高了识别率,而且在取得最高识别率时所需维数最低,证明了此算法在识别效果方面的优越性。     

基于混合范数约束的非均匀稀疏水声信道估计方法*

水声信道具有明显的簇状稀疏特性,即稀疏的信道冲激响应大部分为零或接近零的小值系数,而非零值系数是以簇的形式非均匀分布于时延域。为此本文提出了一种基于非均匀混合范数约束仿射投影算法的水声信道估计方法。该方法首先根据信道簇状结构对其进行非均匀分组,基于此将范数约束规则加入仿射投影算法中,具体方法为：对簇状部分施加范数约束,有效提高系数间的相关性,而簇状结构与其他零值抽头之间利用范数约束实现了整体的稀疏特性。数值仿真以及深海远程水声通信实验数据处理结果表明了本文所提出的水声信道估计算法相较现有稀疏信道估计方法能够实现更快的收敛速度以及更高精度的信道估计结果。     

基于Wasserstein散度的t-SNE相似性度量方法研究

近红外光谱具有高维、高冗余、非线性的特性,严重影响了样本之间的相似性度量的精准,故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。基于流形学习算法思想,利用高斯分布将高维数据的距离转换为概率分布,使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。将高维数据的概率分布嵌入映射至低维度空间,重构低维流形结构,引入Wasserstein散度度量两个空间内概率分布的差异,通过降低散度值来提高两个分布的相似度,以此来实现高维数据降维处理。为验证Wt-SNE算法的有效性,首先对烟叶近红外光谱数据进行降维投影,并与PCA、 LPP、 t-SNE算法比较,结果表明Wt-SNE算法降维后的数据,在低维空间内样本类别边界更加明显。其次,采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测,准确率分别为93.8%、 91.5%、 92.7%,表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。最后,选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换,根据备选样本与目标样本之间的马氏距离选取替换样本。实验表明,Wt-...     

基于半监督稀疏多流形嵌入的高光谱影像分类

提出了一种半监督稀疏多流形嵌入方法,并应用于高光谱影像分类.该方法充分利用少量标记和大量无标记样本,采用稀疏表示方法得到样本的稀疏系数,并选取来自同一流形的点作为近邻点,然后构建相似图来表征多流形结构,得到样本在每个流形上低维鉴别特征,增加来自同一流形的数据点聚集性,进而提升分类性能.本文方法在PaviaU和Salinas两个高光谱数据集上的总体分类准确度分别达到84.91%和89.74%,相较于其他方法明显提高了地物分类性能.     

面向高光谱图像分类的空谱半监督局部判别分析

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种基于空谱半监督局部判别分析(S3 ELD)和空谱最近邻(SSNN)分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性,在利用标记样本的判别信息保持数据集可分性的基础上,定义空间近邻像元散度矩阵来保存像元的空间近邻结构,提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3 ELD算法不仅能揭示数据集的局部几何关系,而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类,进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明,S3 ELD算法的总体分类精度分别达到了92.51%和96.29%;与现有几种算法相比,该算法能更有效地提取出判别特征信息,并达到更高的分类精度。     

基于加权块稀疏联合非凸低秩约束的高光谱图像去条带方法

针对高光谱图像（hyperspectral images, HSI）去条带易引起影像结构细节丢失问题,提出一种基于加权块稀疏（weighted block sparsity, WBS）正则化联合最小最大非凸惩罚（minimax concave penalty, MCP）约束的HSI去条带方法。本算法采用加权?_{2, 1}范数和MCP范数对条带稀疏结构和低秩约束,?₁范数对干净图像结构保持正则化约束,构建加权块稀疏和MCP约束的条带去除模型,采用交替方向乘子（alternating direction method of multipliers, ADMM）算法迭代求解对应模型,重建获得干净的HSI图像。实验结果表明,提出方法在实际HSI的平均等效视数从28.45提高到83.47,边缘保持指数较其他算法至少增加0.056,特别是对于非周期条带噪声,采用自适应权值更新稀疏水平,增强了组稀疏性,在保持影像边缘和加强区域平滑性方面性能更佳,去噪声效果更好。     

基于WSSRC单样本人脸识别及样本扩充方法研究

由于传统的SRC方法的实时性不强、单样本条件下算法性能低等缺点,提出了融合全局和局部特征的加权超级稀疏表示人脸识别方法(WSSRC),同时采用一种三层级联的虚拟样本产生方法获取冗余样本,将生成的多种表情和多种姿态的新样本当成训练样本,运用WSSRC算法进行人脸识别分类。在单样本的情况下,实验证实在ORL人脸库上该方法比传统的SRC方法提高了15.53%的识别率,使用在FERET 人脸库上则提高7.67%。这样的方法与RSRC 、SSRC、DMMA、DCT-based DMMA、I-DMMA相比,一样具备较好的识别性能。     

基于局部保持的遥感场景零样本分类算法

目标域遥感图像特征分布的变化,导致遥感场景零样本分类性能下降,针对该问题,提出一种基于局部保持的遥感场景零样本分类算法。首先,为减少冗余信息,采用解析字典学习方法,将源域中的场景图像特征和类别语义词向量嵌入到同一稀疏编码空间,并实现两者稀疏系数的强制对齐,以建立图像特征与词向量之间的关系;然后,通过保留图像特征空间中场景图像间的局部近邻关系,增强场景图像对应稀疏系数的鉴别性,以有助于对稀疏系数进行聚类分析;最后,为适应目标域图像特征分布变化,采用k-means算法对目标域场景图像的稀疏系数进行聚类,并以初始中心的类别标签作为对应的聚类簇中场景的类别标签。实验分别采用GoogLeNet和VGGNet图像特征,以数据集UCM作为源域遥感场景集,对目标域场景集RSSCN7进行零样本分类,获得了最高50.67%和53.29%的总体分类准确度,比现有算法各提升了8.06%和9.70%。实验结果表明:该算法能够适应目标域遥感场景图像特征分布的变化,显著提升遥感场景零样本分类效果,具有一定的优越性。     

频率不变波束形成器抽头稀疏化设计的交替方向乘子法

针对具有空间响应变化函数约束的频率不变波束形成器设计问题,提出了采用交替方向乘子法实现抽头稀疏设计的优化算法。该算法利用交替方向乘子法能够将原始优化问题进行分裂处理的特点,通过引入替代变量和指示函数,使得表征波束形成器抽头稀疏度量的非凸L₀范数与阵列响应约束分离,进而将问题分裂到元素层级并给出近邻算子的解。对于指示函数的近邻算子求解,在分裂到元素层级后则退化为简单的双边约束问题,因而降低了优化求解的计算复杂度。仿真分析表明,提出的方法比现有的L₁范数方法在宽频带条件下的抽头稀疏度能够提升6%~13%,通带最大波动误差减小了约2 dB,并且优化消耗时间更短。实验结果进一步验证了所提方法在实现高抽头稀疏度波束形成的同时,对声信号造成的失真更小。因此,所提出的方法在降低传声器阵列波束形成器的实现复杂度以及保持阵列响应的频率不变性能方面更具有优势。      

基于局部保持投影的掌纹识别

为了保持掌纹空间的局部结构,运用局部保持投影(LPP)方法进行掌纹识别.在小样本图像识别中,特征方程矩阵存在奇异性.传统的解决方法是运用主元分析(PCA)获得原样本的低维特征子空间,在该空间中运用LPP进行特征提取.由于PCA和LPP的投影标准本质上是不同的,PCA降维时丢失许多重要的判别信息.为了解决这个问题,提出运用三级小波变换、图像下抽样、图像分块求平均值三种方法降低掌纹空间的维数,在低维图像上应用LPP提取局部特征.计算特征矢量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库进行测试,结果表明,该算法的识别性能均优于PCA和PCA LPP.特征提取和匹配总时间小于0.1 S,具有快速、有效、易于实现等优点.     

稀疏张量约束的低剂量CT图像重建

提出了一种稀疏张量约束重建算法,该方法利用非局部相似的先验信息,将CT图像分割成一系列图像块组;采用张量的多维低秩分解方法,将这一先验信息引入低剂量CT重建中,构造目标函数;通过重建图像更新和图像块组张量稀疏编码两个步骤,交替迭代求解目标函数。基于仿真数据和临床数据的实验结果验证了该算法的有效性,实验结果表明:与经典重建算法相比,所提算法在抑制噪声的同时,能更好地保持重建图像的细节,获得更高质量的图像。     

双扩展水声信道的时延多普勒域稀疏估计

利用双扩展水声信道在时延-多普勒域存在的稀疏结构,将信道估计转化为压缩感知框架下的稀疏恢复问题可改善估计性能。但是,稀疏恢复经典方法如l_1范数、近似l₀范数无法适应水声信道时延-多普勒域稀疏度的动态变化,而匹配追踪(Matching pursuit,MP)、正交匹配追踪(Orthogonal Matching Pursuit,OMP)等贪婪类算法则存在着易进入局部最优解、二维搜索导致运算复杂度高等问题。提出在时延-多普勒域稀疏恢复的目标函数中引入非均匀范数约束(Non-uniform Norm Constraint,NNC),即在时延-多普勒域信道响应中根据每个时延-多普勒域位置的幅值分别分配为l₀或l₁范数约束,因而可通过不同范数约束组合的方式适应不同的时延-多普勒域稀疏度;同时,通过对非均匀范数代价函数进行梯度下降迭代求解并将梯度解投影至解空间推导了非均匀范数稀疏恢复的迭代求解方法,从而实现双扩展水声信道时延-多普勒估计。数值仿真和实验数据处理表明该算法相对经典方法有较明显的性能改善。通过仿真、海上水声通信实验结果可获取结论,利用时延-多普勒域稀疏特性的信道估计方法结合均衡器可有效提高双扩展信道条件下的水声通信性能。      

一种极化SAR影像分类中的半监督降维方法

针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题,结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,提出一种半监督降维算法:半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项,以避免学习中的过拟合问题。然后,在标记样本集上进行正则化的判别分析,以增强算法的推广能力,同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验,结果表明SLDA提取的低维特征具有"类内紧聚,类间分离"的特性;进一步的分类实验结果表明,SLDA只需1‰~2‰的标记样本就能使分类精度达到90%左右,分类性能优于其他对比方法。     

基于稀疏表示分类和近红外光谱的烟叶自动分级研究

以近红外光谱技术和深度学习算法为依托,提出了一种基于稀疏表示分类算法的烟叶分级方法。该方法首先将所有训练样本通过稀疏编码建立稀疏表示数据字典,并对所有测试样本在该字典下通过稀疏编码进行稀疏表示,然后计算每个测试样本在数据字典上的投影,将具有最小残差的等级作为测试样本的级别。本文算法与线性判别方法与粒子群支持向量机算法进行了比较和分析,实验结果表明本文所提出的稀疏表示分类算法不仅能够获得更高的分类正确率,同时具有更高的计算效率。本文所提出的方法能够对烟叶的不同等级进行准确识别,为烟叶收购中的质量等级评价提供了一种新技术。     

基于双向稀疏表示的鲁棒目标跟踪算法

目前,基于稀疏表示的目标跟踪通常为在目标模板集上重构候选样本的正向模型或者在候选样本集上描述目标模板的反向模型.两个模型的共同点是均需计算候选样本与模板集合之间的稀疏相关系数矩阵.基于此,建立了一个双向联合稀疏表示的跟踪模型,该模型通过L2范数约束正反向稀疏相关系数矩阵达到一致收敛.与之前的单向稀疏表示模型相比,双向稀疏表示跟踪模型在正反向联合求解框架下可以更加充分地挖掘所有候选样本与模板集之间的稀疏映射关系,并将稀疏映射表上对正负模板区分度最好的候选样本作为目标.基于加速逼近梯度(accelerated proximal gradient)快速算法,以矩阵形式推导了双向稀疏表示模型的求解框架,使得候选样本集和目标模板集均以矩阵方式并行求解,在一定程度上提高了计算效率.实验数据表明所提出的算法优于传统的单向稀疏表示目标跟踪算法.