Facial expression recognition and its application based on curvelet transform and PSO-SVM

A novel method is proposed for facial expression recognition combined curvelet transform with improved support vector machine (SVM) based on particle swarm optimization (PSO). The whole process is as follows. Firstly, as wavelet transform in two-dimension is good at isolating the discontinuities at edge points and only captures limited directional information, the curvelet transform is applied to extract facial expression feature substitutively. However, the amount of curvelet coefficients obtained in the first stage is too huge to be classified, therefore, all of the coefficients are sorted descendantly and the former larger 5 or 10% are remained while the others abandoned to reduce the dimension. Finally, PSO algorithm is employed to search for the reasonable parameters of SVM to increase classification accuracy. Experimental results demonstrate that our proposed method can form effective and reasonable facial expression feature, and achieve good recognition accuracy and robustness, which is competent for spirit states detection of operators to decrease defect rate of production.     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

结合边缘信息和图像特征信息的曲波域遥感图像融合

曲波变换是一种更适合于图像处理的多尺度几何分析方法,具有比小波变换更强的方向选择和辨识能力,而且对图像边缘的表达更优于小波.结合色度-饱合度-亮度变换将其应用于合成孔径雷达图像和多光谱图像融合可以更好地表示图像中的有用特征.首先对多光谱图像进行色度-饱合度-亮度变换,得到亮度分量Ⅰ,对雷达图像和Ⅰ分量进行曲波变换得到粗尺度系数和细节尺度系数;将雷达图像的粗尺度系数和细节尺度系数进行叠加,计算归一化的曲波系数直方图,定义边缘有效因子,利用合成孔径雷达图像的特征信息将曲波变换系数分为均匀区、非均匀区和亮点目标区.然后采用相应的融合规则对融合图像的粗尺度系数进行处理,对细节尺度系数采用简单的直接取大方法,逆变换后得到新的亮度分量.用新的亮度分量替代原亮度分量进行逆色度-饱合度-亮度变换得到最终融合结果,利用统计类指标对融合结果进行评价.实验结果表明,该方法在保持光谱信息和提高空间分辨率上都有较好的效果.     

结合边缘信息和图像特征信息的曲波域遥感图像融合

曲波变换是一种更适合于图像处理的多尺度几何分析方法,具有比小波变换更强的方向选择和辨识能力,而且对图像边缘的表达更优于小波.结合色度-饱合度-亮度变换将其应用于合成孔径雷达图像和多光谱图像融合可以更好地表示图像中的有用特征.首先对多光谱图像进行色度-饱合度-亮度变换,得到亮度分量I,对雷达图像和I分量进行曲波变换得到粗尺度系数和细节尺度系数;将雷达图像的粗尺度系数和细节尺度系数进行叠加,计算归一化的曲波系数直方图,定义边缘有效因子,利用合成孔径雷达图像的特征信息将曲波变换系数分为均匀区、非均匀区和亮点目标区.然后采用相应的融合规则对融合图像的粗尺度系数进行处理,对细节尺度系数采用简单的直接取大方法,逆变换后得到新的亮度分量.用新的亮度分量替代原亮度分量进行逆色度-饱合度-亮度变换得到最终融合结果,利用统计类指标对融合结果进行评价.实验结果表明,该方法在保持光谱信息和提高空间分辨率上都有较好的效果.     

改进的曲波变换图像融合方法

考虑将曲波变换引入图像融合能够更好地提取原始图像,对一种新的图像融合方法—曲波变换图像融合法进行了研究。将图像序列进行曲波变换后,通过对所有图像的高频进行逆变换及域值处理来获得区域图。根据区域图中高频区域的边界点在每张图层上的活跃度不同求得区域边界的图层分布,利用插值获得高频区域的区域分布图。通过高频区域的膨胀求得整幅图的区域分布图,然后在曲波变换的变换域,利用区域分布图对多尺度的高频系数采用高斯加权求和;对低频系数采用取平均值的规则完成图像的融合。进行了图像融合实验,实验结果表明,与传统的小波变换及基于像素的曲波变换相比,提出的方法获得的融合图像边缘更清晰,更接近参考图像。     

基于二代curvelet变换的图像融合研究

曲波(Curvelet)作为一种新的多尺度分析方法比小波更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力.将curvelet变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息.第二代curvelet理论的提出也使得其理论更易理解和实现.因此,提出了一种基于第二代curvelet变换的图像融合方法,首先将图像进行curvelet变换,然后在相应尺度上利用融合规则将curvelet系数融合,最后进行重构得到融合结果.对多聚焦图像进行了实验,采用均方误差、偏差指数和相关系数对融合结果进行了客观评价,并与基于小波变换的融合进行了比较,实验结果表明该方法除分解2层时与小波性能相当,取其他分解层数时均获得更好的融合效果.     

基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine, TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。     

基于Karhunen-Loève变换和小波谱特征矢量量化的三维谱像数据压缩

提出了基于Karhunen Lo埁ｖｅ变换的小波谱特征矢量量化三维谱像数据压缩方法耍幔颍瑁酰睿澹?Lo埁ｖｅ变换 /小波变换 /小波谱特征矢量量化方法应用了Karhunen Lo埁ｖｅ变换的消除谱相关性优良性能 ,应用二维小波变换消除空间相关性 ,在小波变换域内应用二维集分割嵌入块编码和一维谱特征矢量量化对三维谱像数据压缩 ,获得较高的压缩性能。实验结果表明 :Karhunen Lo埁ｖｅ变换 /小波变换 /小波谱特征矢量量化编码比Karhunen Lo埁ｖｅ变换 /小波变换 /改进对块零树编码和Karhunen Lo埁ｖｅ变换 /小波变换 /快速矢量量化编码方法在同样压缩比条件下 ,峰值信噪比提高 2dB和 1dB以上 ,而速度提高了 1.5和 8倍 ,整体压缩性能有较大的提高     

基于小波变换和支持向量机的光谱多组分分析

以符合朗伯—比尔定律的光谱信号为研究对象，在运用小波变换对光谱信号进行去除噪声处理的基础上，建立了基于支持向量机的多组分分析模型，最后采用计算机模拟的方式对该方法进行了举例说明.实例表明，该方法能较好地解决非线性、小样本条件下的多组分分析问题.     

Hepatic CT image retrieval based on the combination of Gabor filters and support vector machine

Content-based image retrieval has been an active area of research for more than ten years.Gabor schemes and support vector machine (SVM) method have been proven effective in image representation and classification. In this paper,we propose a retrieval scheme based on Gabor filters and SVMs for hepatic computed tomography (CT) images query.In our experiments,a batch of hepatic CT images containing several types of CT findings are used for the retrieval test.Precision comparison between our scheme and existing methods is presented.     

二维提升的CDF(1,3)小波结合改进的SPIHT的渐进性无损图像压缩方法

针对传统小波变换计算复杂的缺点和多级树集合分裂算法(SPIHT)编码过程重复运算、存储量大的问题,提出了一种二维提升的CDF(1,3)小波结合改进的SPIHT的渐进性无损图像压缩方法。对整数CDF(1,3)双正交小波变换实现二维提升,利用提升的小波对图像做变换,提高了运算速度、便于硬件实现。对SPIHT算法加以改进,根据各个子图像的不同特点,改变扫描路线,采用四路并行分块处理的方法,提高了编码速度,降低了编解码过程的运算复杂度和时间消耗。利用提升的CDF(1,3)小波变换结合改进的SPIHT实现了渐进性无损图像压缩,证明了二维提升方案的有效性。     

基于gyrator变换和矢量分解的非对称图像加密方法

本文结合矢量分解和gyrator变换的数学实现得到了一种新的非对称图像加密算法,它将待加密图像先通过矢量分解加密到两块纯相位板中,然后利用从gyrator变换的数学实现中推导出来的加密算法加密其中一块相位板,获得最终的实值密文.另一块相位板作为解密密钥.算法的解密密钥不同于加密密钥,实现了非对称加密,加密过程中产生的两个私钥增大了算法的安全性.数值模拟结果验证了该算法的可行性和有效性.     

ADV212在大视场多光谱TDICCD空间相机中的应用

针对空间多光谱相机中CCD输出数据量大、谱段间冗余小和行频可变等导致常见基于矢量量化、预测和变换编码的整体压缩方案硬件实现困难的问题,提出了一种基于ADV212的空间相机图像压缩方案。依据ADV212工作原理和CCD图像特点,提出了Custom-specific工作模式,在该模式下,使用提出的图像帧和中断处理策略,并以流水线作业的方式实现单片ADV212处理8通道CCD图像;分析了影响图像压缩质量的2个参数,提出了(10,5)量化步长设置方法,使码率控制误差减小了16.385%;使用地检设备对ADV212压缩系统进行了试验验证。结果表明,压缩系统能快速稳定地工作,在压缩比指标2∶1～32∶1内,PSNR均在30dB以上,与传统方法相比,在正常工作压缩比为1bpp时平均PSNR提高了2.49dB。有效的解决了整体压缩方案硬件实现困难的问题。     

基于影像组学的直肠癌术前T分期预测

直肠癌T分期对患者的术前评估有重要作用.然而,传统的放射科医生根据患者磁共振图像直接判断分期的方法效果欠佳.本文提出使用影像组学的方法预测直肠癌T分期,首先获取105例直肠癌患者影像数据,根据病理报告中的T分期结果将T1、T2期患者划分为未突破肌层组,将T3、T4期患者分为突破肌层组,整理数据得到未突破肌层组31例,突破肌层组74例.在患者的轴向位T2WI图像中勾画病灶区域,并在病灶上使用pyradiomics工具包提取影像组学特征,使用最小绝对值收敛和选择算子（LASSO）对高维特征做特征选择,得到与T分期高度相关的特征数据,使用随机森林、支持向量机（SVM）、逻辑回归、梯度提升树（GBDT）分别建模,进行交叉验证调参,评估模型性能.每层图像提取100维特征,经LASSO特征选择后得到7个与T分期高度相关的特征,使用4种模型分别建模,其中SVM算法表现最优,平均受试者操作特征曲线下面积（AUC）、准确率、灵敏度、特异度分别为0.968 5、0.886 4、0.962 5、0.899 2,测试集准确率达到了0.904 7.结果表明,使用影像组学方法可以提高直肠癌T分期预测的准确率.     

基于支持向量机的肤色滤波器

为了探测图像中的肤色像素，提出了一种新的方法-支持向量机（SVM：Support Vector Machine）方法.它是一种基于肤色的非特定人的面部定位方法，是非接触人机交互技术和机器视觉中的一个重要内容.实验结果表明，采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性，而且具有更好的推广性能.由于SVM采用结构风险最小化（SRM：Structural Risk Minimization）准则，在最小化训练误差（经验风险）的同时，尽量缩小模型预测误差的上界，从而使模型有更好的泛化能力.     

基于Curvelet变换的软硬阈值折衷图像去噪

与小波变换相比,Curvelet变换更好地表达图像的边缘和细节,因此更适合多尺度图像去噪。针对软阈值和硬阈值去噪方法存在的不足,提出了基于Curvelet变换域的软硬阈值折衷去噪法,并采用不同的阈值自适应地对不同的Curvelet子带进行阈值化。实验结果表明该方法对图像中的边缘、弱的直线和曲线特征有更好的恢复。去噪后图像PSNR值更高,视觉效果更好。     

基于离散余弦变换和支持向量机的多光谱纹理图像的茶叶分类研究

提出一种利用多光谱图像纹理特征进行茶叶分类的新方法。图像由MS3100-3CCD光谱成像仪获得,光谱成像仪提供近红外(NIR)、红色(R)和绿色(G)的3个波段的图像。首先对原图像的NIR波段图像提取均方值,然后应用离散余弦变换算法,构造出8个带通和高通滤波器对NIR通道的图像进行滤波并提取均方差值,最后应用支持向量机技术,分别对原图像的NIR提取的均方差值和用8个滤波器滤过的图像提取的均方差值进行建模。茶叶样本总共为240个,训练和预测各为120个,每种训练样本和预测样本各为20个。结果表明经过8个滤波器处理图像的识别率为100%,而没有经过滤波处理的纹理图像识别率只有73.33%,说明离散余弦变换算法设计的滤波器是一种非常有效的纹理识别技术,此实验同时也为茶叶的分类提供一种快速和无损的新方法。     

基于平均场支持向量机的混沌时间序列预测

提出了一种新的基于支持向量机的混沌时间序列预测方法，该方法利用平均场理论使支持向量机的学习过程变得简单高效。同时由于该方法将支持向量机的参数近似为高斯分布的，因此采用平均场理论能够容易的求解这些参数，这样获得的支持向量机的参数比传统的基于二次规划的算法更加精确，而且学习速度更快。最后利用该方法对嵌入维数与模型的泛化能力关系进行了探讨，并利用Mackey-Glass时间序列对该方法进行了验证，结果表明：该预测方法能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着平均场支持向量机是一种研究混沌时间序列的有效方法.     

Low-Pass Filtering Empirical Wavelet Transform Machine Learning Based Fault Diagnosis for Combined Fault of Wind Turbines

Fault diagnosis of wind turbines is of great importance to reduce operating and maintenance costs of wind farms. At present, most wind turbine fault diagnosis methods are focused on single faults, and the methods for combined faults usually depend on inefficient manual analysis. Filling the gap, this paper proposes a low-pass filtering empirical wavelet transform (LPFEWT) machine learning based fault diagnosis method for combined fault of wind turbines, which can identify the fault type of wind turbines simply and efficiently without human experience and with low computation costs. In this method, low-pass filtering empirical wavelet transform is proposed to extract fault features from vibration signals, LPFEWT energies are selected to be the inputs of the fault diagnosis model, a grey wolf optimizer hyperparameter tuned support vector machine (SVM) is employed for fault diagnosis. The method is verified on a wind turbine test rig that can simulate shaft misalignment and broken gear tooth faulty conditions. Compared with other models, the proposed model has superiority for this classification problem.