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.     

基于图像特征提取的脱机手写数字识别方法

脱机手写数字识别其本质是数字的图像特征匹配问题,所以需要进行手写数字的特征提取,为了准确识别,往往使用较高的特征维数,这就导致识别效率较低。为了提高识别效率,同时为了保持较高的识别率,提出了一种基于图像特征提取的脱机手写数字识别方法。首先利用主分量分析法抽取数字字符图像的统计特征,来降低数字的特征维数,通过对主分量重建模型的误差分析进行数字识别;然后,结合手写数字的笔画结构不稳定的特点,设计并提取数字的宽高比结构特征,进一步比对识别;最后,利用自制训练样本及测试样本库进行仿真实验,数字识别率为96%,识别准确率较高。     

基于支持向量机的舰船图像识别

支持向量机(SVM)是一种基于超平面分类的新的学习方法,具有很强的泛化能力。研究了支持向量机的学习机理,以及实现支持向量机的序贯最小优化算法(SMO),并用来对舰船图像进行识别。首先将待识别目标进行二维小波分解,获取不同尺度下的小波系数,然后对其进行主元分析,得到的主元分量作为支持向量机的特征量输入。实验结果表明,该方法具有良好的分类性能。     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

基于相似性分类的高光谱主成分融合方法比较

为了提高复杂场景弱小目标高光谱融合图像的质量,提出了基于相似性分类的主成分融合方法。光谱数据像素向量的相似性测度分类产生类矩阵,通过由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。对比了传统PCA与基于欧式距离分类的PCA(ED_PCA)、基于光谱角分类的PCA(SA_PCA)、基于光谱信息散度分类的PCA(SID_PCA)和基于正交投影散度分类的PCA(OPD_PCA)四种改进方法的融合性能。实验结果表明:SA_PCA和SID_PCA方法兼具了ED_PCA和OPD_PCA的优点,对比度提升较好,阈值参数不敏感,运行时间较短。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

模糊线性判别QR分析的茶叶近红外光谱鉴别分析

不同品种茶叶因其所含的有机化学成分不同,其效果也会有差别。所以,寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。近红外光谱(NIR)分析是一种无损检测技术,能很好的鉴别茶叶品种。使用NIR光谱仪采集茶叶的NIR数据。为了对包含噪声信号的茶叶近红外光谱进行准确鉴别,提出了一种模糊线性判别QR分析的新方法,可以对茶叶近红外光谱进行准确分类。通过使用模糊线性判别分析(FLDA)将由主成分分析(PCA)压缩的茶叶近红外光谱数据进行降维,由模糊线性判别分析得出的特征向量构建鉴别向量矩阵,对鉴别向量矩阵进行矩阵的QR分解,得到新的鉴别向量矩阵。经过模糊线性判别QR分析后使用K近邻算法进行分类,具有准确率高等优点。以岳西翠兰、六安瓜片、施集毛峰和黄山毛峰四种茶叶为研究样本,每类65个,茶叶样本总数为260个。采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理,采用多元散射校正,由于采集到的茶叶光谱数据存在散射干扰。以此得到的近红外光谱数据的维数为1557维,通过主成分分析压缩数据集的维数,使得光谱数据集的维数达到7维。经压缩过后的光谱数据集中的鉴别信息再...     

基于改进HOG特征提取的车型识别算法

本文针对高速环境下的车型识别问题,提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合,以实现对车辆图像特征提取。采用主成分分析算法(PCA)约减特征向量维数以减少计算复杂度,利用支持向量机算法对提取特征进行样本训练,实现对车辆外型特征的识别。仿真实验结果表明:采用该算法原始车辆车型的识别正确率均值达到92.36%;另外,本文方法的识别速度比传统的HOG特征算法提高了3.45%,识别实时性得到提升。本文算法比传统HOG算法更优,能有效提高车型识别的效率。     

Fingerprint image enhancement using data driven Directional Filter Bank

A new method based upon data driven tool, principal component analysis (PCA), for fingerprint enhancement is proposed in this paper. PCA is a very useful statistical technique that has found application in many different fields like image compression, face recognition and is commonly used for finding patterns in data of high dimension. In the proposed method, the input image is first decomposed into directional images using decimation free Directional Filter Bank (DDFB). Then these directional images are normalized. A data driven technique PCA is applied to these normalized directional fingerprint images, which gives the PCA filtered images. These are basically directional images. Then these directional images are reconstructed into one image which is the enhanced one. Simulation results are included illustrating the capability of the proposed method.     

Finger crease pattern recognition using Legendre moments and principal component analysis

The finger joint lines defined as finger creases and its distribution can identify a person. In this paper,we propose a new finger crease pattern recognition method based on Legendre moments and principal component analysis (PCA). After obtaining the region of interest (ROI) for each finger image in the preprocessing stage, Legendre moments under Radon transform are applied to construct a moment feature matrix from the ROI, which greatly decreases the dimensionality of ROI and can represent principal components of the finger creases quite well. Then, an approach to finger crease pattern recognition is designed based on Karhunen-Loeve (K-L) transform. The method applies PCA to a moment feature matrix rather than the original image matrix to achieve the feature vector. The proposed method has been tested on a database of 824 images from 103 individuals using the nearest neighbor classifier. The accuracy up to 98.584% has been obtained when using 4 samples per class for training. The experimental results demonstrate that our proposed approach is feasible and effective in biometrics.     

主成分分析重建误差掌纹识别方法

主成分分析(PCA)法在掌纹识别方面可以取得较好的效果.但是随着掌纹图像库的扩大,PCA转换矩阵训练时间迅速增长;注册新掌纹时,需要重新训练PCA转换矩阵.添加注册掌纹的代价随着掌纹库的增大迅速增加.如何能够在保持PCA识别效果的情况下提高使用的便捷性成为PCA广泛应用的主要障碍.提出了一种以PCA重建误差为分类依据的PCA重建误差学纹识别方法.该方法与PCA法基于相同的原理,在采用最近邻分类器时可以取得与PCA法相等的性能;同时可以有效减少掌纹图像库的识别时间,可以以极少的代价扩展掌纹库.     

Nonparametric subspace analysis fused to 2DPCA for face recognition

Two-dimensional principal component analysis (2DPCA) is one of the representative techniques for image representation and recognition. However, keen storage requirements and computational complexity consist in 2DPCA. Meanwhile, the performance of 2DPCA is delicate in illumination variations. Nonparametric subspace analysis (NSA) is a subspace learning method that can reduce dimensionality and identify local information for discrimination, so that it can make 2DPCA perform well in illumination. Motivated by above facts, 2DPCA fused with NSA is implemented for face recognition, which can reduce dimensions of the 2DPCA feature vectors and enhance the contribution of principal components to face recognition. Experiments carried out on ORL, Yale B, and FERET facial databases show that valid recognition rates can be achieved by the proposed method compared to 2DPCA, 2DPCA plus PCA, LDA methods and demonstrate promising abilities against illumination variations.     

矮新星候选体的自动搜索研究

美国斯隆数字巡天望远镜已经发布了第9期数据。这些海量的天文光谱数据除了可以用来进行大样本的研究,如探寻银河系的结构和进行多波段证认外,还蕴藏着稀少和特殊的天体,其中就包括矮新星。矮新星是激变变星中所占比例最高的一个亚型,发现更多的矮新星样本对于研究密近双星的演化和参数有积极的意义。目前针对激变变星这类稀少天体的发现主要使用测光粗筛选结合后期观测证认的方法,不但准确率低,而且需要耗费较多的人工处理时间,无法满足在海量光谱数据中快速发现矮新星候选体的需要。本文提出一种适用于在海量光谱中自动、快速发现矮新星的方法。该方法针对SDSS的DR9数据,先使用支持向量机约束主分量分析进行降维,确定特征空间的维数,然后再使用训练后得到的最优分类器对海量光谱进行自动识别,寻找矮新星候选体。实验共发现了276个矮新星,其中6个是未被收录的新的源,表明了该方法的有效性,为在海量光谱中快速发现稀少和特殊天体提供了有效途径。实验中发现的新结果补充了现有的矮新星模板光谱库,可以构造更准确的特征空间。本方法也可用于在其他的巡天望远镜如郭守敬望远镜的海量光谱中进行特殊天体的自动搜索。     

近红外光谱主成分分析与模糊聚类的典型地面目标物识别

近红外光谱技术在遥感监测领域中应用广泛,针对典型地面目标物遥感监测识别需要,提出了光谱主成分分析(PCA)与模糊聚类结合的分类识别方法,提高了识别算法效率及准确性。以四类典型地面目标物作为研究对象,分别测量其在1 100～2 500 nm范围内漫反射光谱,首先对漫反射光谱进行主成分分析,得到代表光谱特征的主成分分量,然后将其作为模糊聚类分析模型输入参数,计算样品主成分集合之间贴合度,最后利用择近原则对样品进行匹配分类。结果表明,主成分分析可以有效提取光谱特征并且降低数据维度,结合基于择近原则的模糊分类方法,可有效提高算法准确性与效率,为遥感光谱在地面目标物识别应用提供了有益的参考。     

Face recognition based on PCA image reconstruction and LDA

Face recognition has become a research hotspot in the field of pattern recognition and artificial intelligence. Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) are two traditional methods in pattern recognition. In this paper, we propose a novel method based on PCA image reconstruction and LDA for face recognition. First, the inner-classes covariance matrix for feature extraction is used as generating matrix and then eigenvectors from each person is obtained, then we obtain the reconstructed images. Moreover, the residual images are computed by subtracting reconstructed images from original face images. Furthermore, the residual images are applied by LDA to obtain the coefficient matrices. Finally, the features are utilized to train and test SVMs for face recognition. The simulation experiments illustrate the effectivity of this method on the ORL face database.     

高光谱成像技术无损检测赣南脐橙表面农药残留研究

高光谱成像技术具备图像和光谱的双重优势,作为一种快速无损检测分析技术,检测过程无损、无污染和无接触。高光谱成像数据包括样本的图像信息和光谱信息,采集样本高光谱成像数据时,样本的每个像素点都有一条光谱与之对应,样本的每个波长都有一幅灰度图像与之对应。研究采用高光谱成像技术无损检测不同稀释浓度的农药在赣南脐橙样品表面残留随时间变化的关系。用蒸馏水把农药分别配置成1∶20, 1∶100和1∶1 000倍的溶液。然后把不同浓度的溶液滴到30个洗净的脐橙表面, 将涂有农药的脐橙分别放置0,4和20 d,然后采集在900～1 700 nm波长范围的高光谱成像原始数据。通过主成分分析获取930,980,1 100,1 210,1 300,1 400,1 620和1 680 nm共8个特征波长,基于这些特征波长做第二次主成分分析,应用PC-2图像并经过适当的图像处理方法对不同浓度及放置不同天数的农药残留进行无损检测。采用高光谱成像技术检测三个时间段较高稀释浓度的果面农药残留都比较明显。高光谱成像技术作为一种检测方法,可用于评价各个时间段较高浓度的农药残留。     

改进的基于主成分分析的三维人脸形状建模

针对基于主成分分析(PCA)的三维(3D)人脸形状重构不精确的缺点,对位移向量、缩放因子、旋转矩阵、重构系数等参数进行了精确的定义和计算,并对重构模型进行了有效的调整。根据CVL Face Database建立了113个3D人脸形状模型,经迭代运算后重构出了由特征点组成的稀疏3D人脸形状模型。利用径向基函数(RBF)得到了密集3D人脸形状模型。试验结果表明,算法可以得到精确的重构模型,对深度旋转的人脸图像和特征点定位误差也有很好的鲁棒性。