基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

基于F范数的二维主成分分析算法及焊缝表面缺陷识别研究

针对传统二维主成分分析(two-dimensional principal component analysis, 2DPCA)算法应用于焊缝表面缺陷识别中存在重构性能及鲁棒性较弱等问题,本文将最大化投影距离和最小化重构误差引入到目标函数中,提出了一种基于F范数的非贪婪二维主成分分析算法(non-greedy 2DPCA with F-norm, NG-2DPCA-F),该算法具有良好的鲁棒性和较低的重构误差。为了进一步提取图像的结构信息和求解出维数更小的特征矩阵,进而提出一种基于F范数的非贪婪双向二维主成分分析算法(non-greedy bilateral 2DPCA with F-norm, NG-B2DPCA-F)。最后,以含有不同噪声块的焊缝表面图像数据集进行实验,结果表明,本文所提算法在平均重构误差、重构图像与分类识别实验中均表现出良好的鲁棒性能。     

应用于水下生物识别的联合范数主成分分析算法北大核心CSCD

针对F范数对离群数据较为敏感,而L1范数能降低离群数据的影响,但无法有效控制重构误差的问题,本文将L1范数与F范数同时作为目标函数的距离度量方式,提出了二维主成分分析(two-dimensional principle component analysis,2DPCA)联合算法2DPCA-F-L1,并给出了其非贪婪求解方法。该算法确保了对图像的分类能力,同时也降低了图像重构时的平均重构误差。本文将提出的2DPCA-F-L1算法在应用于水下生物图像识别时,可以抑制水下光学影像存在的噪声干扰。实验证明,该算法能够精确地识别水下生物的种类,并且在图像重构时相较于其他主成分分析(principle component analysis,PCA)算法具有更优的鲁棒性。     

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标，因此，可以保证选择的波段包含原始图像绝大部分信息，而且指标的计算只需要得到原始数据的协方差阵，而不必对原始数据进行真正的主成分变换，极大的降低了计算量。贝叶斯和K-均值分类实验表明．该算法是有效可行的。     

基于主成分分析的图像自适应阈值去噪算法

主成分分析（PCA）是一种将多个变量通过线性变换选出较少个数重要变量的一种多元统计方法。在图像去噪中,由于图像的局部相似性,提出一种新的有效的去除噪声的算法。通过块匹配法寻找出相似块作为训练样本,利用主成分分析提取信号的主要特征,然后根据统计理论中最小均方误差方法构造线性自适应阈值方程,对含噪图像的每一块进行自适应阈值去噪。实验结果表明,该方法能有效去除图像的高斯白噪声,并同时能很好的保持边缘等的细节信息。     

红外序列图像的主成分分析算法研究

采用主动式红外热成像检测材料缺陷,在控制外界环境影响因素的前提下,实验研究并分析了热激励时间和探测距离两个检测因素的影响。同步采集得到最佳参数下玻璃钢平底孔试块的红外热图像序列。主动式红外无损检测通常获得包含数百帧图的红外序列,为了获取反映整个图像序列的主要信息,采用了主成分分析算法(principal component analysis, PCA)对图像序列进行处理。首次探究了融合区间对PCA算法处理结果的影响,提出了可依据温差峰值下降的百分数来选择融合区间,并对处理结果进行了主客观的对比评价分析。研究结果表明当温差峰值下降到80%时,选择大于该值对应的序列图像帧数作为融合区间时,PCA处理的效果最佳。最后探讨了PCA处理中减少红外镜头反光等影响因素的策略。     

基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。     

自适应主元提取算法及其在人脸图像特征提取中的应用

本文指出了E.Oja将统计主元分析思想用于递推网络与S.Kung自适应主元提取(APEX)算法在提取特征信息上的共同点和差异,证明了该算法的收敛性.仿真结果验证了该算法的收敛性和稳定性,分析了主元数、子图像大小及学习率参数对该算法的影响,说明了该算法在人脸识别中是一种运算量较小的有效特征提取方法.     

基于核主成分分析的二次雷达脉冲信号初始特征提取

针对二次雷达脉冲信号的特征选择与分类问题进行研究,提出了一种基于核主成分分析(KPCA)的初始特征提取方法.根据二次雷达脉冲信号的特点,首先经过数据整编、预处理,获取样本的初始特征参数;然后利用KPCA方法对特征参数进行主成分组合,以消除信号特征间的相关性和压缩特征向量的维数,最后利用聚类工具进行分类.数学分析和可视化实验结果都表明这种分析方法是有效的.试验还表明,KPCA在特征选取方面性能优于PCA.     

基于主成分分析法和极限学习机的尿沉渣图像识别算法研究

针对尿沉渣中的有形成分进行检测和分析,提出结合主成分分析(PCA)和极限学习机(ELM)的识别和统计方法。该方法通过PCA对样本进行特征提取和降维后输入到ELM进行训练,根据训练得出的模型与未经PCA处理的样本训练的模型进行检测效果对比。实验结果表明,使用PCA处理后的样本训练得出的模型具有更高的识别准确度和稳定性,同时训练时间大幅减少。     

基于Multilinear PCA的烟雾图像识别算法

为了提高火灾烟雾图像识别正确率,更好地预防火灾,提出一种基于multilinear PCA的火灾烟雾图像识别算法。在提取烟雾疑似区域的基础上,首先分别提取烟雾的静态和动态特征,然后采用multilinear PCA对特征进行融合,消除其中冗余特征,并根据选择特征进行训练样本构造,最后将训练样本输入支持向量机建立烟雾图像分类器,并对测试样本进行识别。仿真结果表明,相对于其他烟雾图像识别算法,提出的算法不仅提高了烟雾图像识别正确率和识别效率,而且具有良好的抗干扰能力,可以满足不同环境下烟雾图像识别要求。     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于主成分分析法的窗口自适应粒子滤波算法

传统的窗口固定的粒子滤波跟踪算法在运动目标尺度发生明显变化时不能有效地跟踪目标。针对这一问题,提出了一种跟踪窗口尺寸和方向自适应变化的粒子滤波跟踪方法。该方法将主成分分析法引入到粒子滤波框架中,通过分析目标区域内像素值的协方差矩阵得到包含目标区域取向和尺寸信息的椭圆跟踪窗口。实验结果表明,该跟踪算法能自适应于目标区域形状的变化,在目标尺寸和方向发生变化时能很好地跟踪和确定目标区域。     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

On-line adaptive principal component extraction algorithms using iteration approach

Two new on-line algorithms for adaptive principal component analysis (APCA) are proposed and discussed in order to solve the problem of on-line industrial process monitoring in this paper. Both the algorithms have the capability of extracting principal component eigenvectors on-line in a fixed size sliding data window with high dimensional input data. The first algorithm is based on the steepest gradient descent approach, which updates the covariance matrix with deflation transformation and on-line iteration. Based on neural networks, the second algorithm constructs the input data sequence with an on-line iteration method and trains the neural network in every data frame. The convergence of the two algorithms is then analyzed and the simulations are given to illustrate the effectiveness of the two algorithms. At last, the applications of the two algorithms are discussed.     

基于主成分分析的MACH滤波器设计

针对解决畸变不变目标识别中选择目标样本数目过多的问题,提出了一种基于主成分分析的MACH匹配滤波器设计方法,这是使用去除冗余的本质特征图像来替代目标样本图像的一种方法,能够减少匹配滤波器设计的样本数量,在对一定范围内的畸变目标进行识别,只需要少数几个匹配滤波器就可以完成,而且同一匹配滤波器还可以对不同的畸变方式(如尺度缩放、角度旋转、运动模糊失真)目标进行识别,实验结果表明,这种匹配滤波器在较大的畸变范围内仍然能够得到较尖锐的相关峰。