基于多特征融合与Fisher准则的遥感场景图像分类

提出一种基于多特征融合的Fisher准则分类方法,将提取到的卷积神经网络特征、图像纹理的局部二值模式、方向梯度直方图特征及颜色特征、颜色矩进行有效融合,使其在高维空间上线性可分,利用线性分类器Fisher对特征模型的参数进行微调获得分类结果.将该模型应用于数据集UCM进行测试,与其他分类方法相比,准确率均有所提升;与深度卷积网络GoogLeNet相比准确率提升1.5%.为保证该模型的泛用性,于AID数据集上进行进一步实验,结果验证了该模型的有效性.

基于混淆矩阵和Fisher准则构造层次化分类器

构造层次化分类器的首要环节是确定各个子分类器的层属关系及其内部组成.从模式间的相似关系入手,实现了一种自动产生层次化分类器结构的方法.为了描述模式间的相似关系,首先提出利用混淆矩阵度量相似性的思路与方法,避免了现有常用度量方法计算量大、假设条件难以成立的不足.进而遵循Fisher准则,设计并实现了模式相似关系分析机(patterns’similarityrelationshipanalyzingmachine,简称PSRAM),将有师指派和无师自组两种常用的模式重组方法有机结合起来,自适应地产生层次化分类器结构.大量测试证实,该方法有效、实用,可以显著地提高分类器的识别性能和稳健性.

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.

基于Hough变换和Fisher准则的垄线识别算法

为了提高农业机械自主作业视觉导航的精度,基于田间作物垄行的特点,首先选择作物的绿色为特征提取垄行结构;然后针对Hough变换原理提取垄线存在的问题,根据垄线点空间关系,运用Fisher准则函数进行反压缩处理,并将Fisher准则函数值作为垄线样本点疏密程度和方向势大小的度量,优化了Hough变换识别多垄线的条件,得出了多垄识别统一模型。试验结果表明,作物垄线定位的准确性、适应性均得到提高,而且能够避免较大面积杂草等影响,从而克服了传统Hough变换提取多垄线的不足,对农田机器视觉导航应用具有一定参考价值。

基于边际Fisher准则和迁移学习的小样本集分类器设计算法

如何利用大量已有的同构标记数据(源域)设计小样本训练数据(目标域)的分类器是一个具有很强应用意义的研究问题.由于不同域的数据特征分布有差异,直接使用源域数据对目标域样本进行分类的效果并不理想.针对上述问题,本文提出了一种基于迁移学习的分类器设计算法.首先,本文利用内积度量的边际Fisher准则对源域进行特征映射,提高源域中类内紧凑性和类间区分性.其次,为了筛选合理的训练样本对,本文提出一种去除边界奇异点的算法来选择源域密集区域样本点,与目标域中的标记样本点组成训练样本对.在核化空间上,本文学习了目标域特征到源域特征的非线性转换,将目标域映射到源域.最后,利用邻近算法(k-nearest neighbor,k NN)分类器对映射后的目标域样本进行分类.本文不仅改进了边际Fisher准则方法,并且将基于自适应样本对筛选的迁移学习应用到小样本数据的分类器设计中,提高域间适应性.在通用数据集上的实验结果表明,本文提出的方法能够有效提高小样本训练域的分类器性能.

基于Fisher准则的多特征融合

阐述了单个特征向量及其鉴别矢量与模式可分性的关系最佳鉴别矢量使模式关于该特征具有最大的可分性。给出了多特征融合的一,种方法,它综合考查了模式对不同的特征、不同的鉴别矢量的可分性,由多个特征经融合产生的新特征吸收了单个特征的对模式分类的优势。手写体汉字的识别试验验证了所给方法的有效性。

基于模糊Fisher准则的半模糊聚类算法

该文针对线性可分数据提出一种鲁棒的基于模糊Fisher准则的半模糊聚类算法FFC-SFCA。FFC-SFCA通过模糊化散布矩阵,将模糊理论引入Fisher判别方法,通过对模糊Fisher准则函数迭代优化实现聚类。FFC-SFCA的优势在于具有很好的鲁棒性且可以获得可分性好的聚类结果,同时,可以求得最优鉴别矢量和分类阈值。实验证实了FFC-SFCA的有效性以及对两个常规聚类算法的优越性。

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征:把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。

融合Fisher准则和势函数的多阈值图像分割

针对传统多阈值图像分割算法复杂度高、分割效果欠佳等问题,提出了一种基于Fisher准则和势函数相结合的多阈值图像分割方法。首先对Fisher准则函数进行简化,再对简化后的Fisher准则采用递推算法降低计算复杂度,然后由直方图势函数方法确定图像的分割类数,最后将改进的Fisher准则用于多阈值图像分割,并对最终分割结果进行后续处理。实验结果表明,融合Fisher准则和势函数的多阈值分割方法不仅分割效果好,而且分割时间短,能够运用到实时应用的场合。

基于改进的Fisher准则的多示例学习视频人脸识别算法

视频环境下目标的姿态变化使得人脸关键帧难以准确定位,导致基于关键帧标识的视频人脸识别方法的识别率偏低.为解决上述问题,本文提出一种基于Fisher加权准则的多示例学习视频人脸识别算法.该算法将视频人脸识别视为一个多示例问题,将视频中归一化后的人脸帧图像作为视频包中的示例,采用分块TPLBP级联直方图作为示例纹理特征,示例特征的权值通过改进的Fisher准则获得.在训练集合的示例特征空间中,采用多示例学习算法生成分类器,进而实现对测试视频的分类及预测.通过在Honda/UCSD视频库和Youtube Face数据库中的相关实验,该算法达到了较高的识别精度,从而验证了算法的有效性.同时,该方法对均匀光照变化、姿态变化等具有良好的鲁棒性.

基于Fisher准则和特征聚类的特征选择

特征选择是机器学习和模式识别等领域的重要问题之一。针对高维数据,提出了一种基于Fisher准则和特征聚类的特征选择方法。首先基于Fisher准则,预选出鉴别性能较强的特征子集,然后在预选所得到的特征子集上对特征进行分层聚类,从而最终达到去除不相关和冗余特征的目的。实验结果表明该方法是一种有效的特征选择方法。

基于三维X射线和Fisher准则的BGA焊点检测算法

为了提高BGA焊点检测的准确性,基于三维X射线和Fisher准则的基本原理,提出了一种BGA焊点的检测算法.首先采用Fisher准则对BGA断层图像进行分割,从而获得精确的焊点图像,然后提取了BGA焊点常见缺陷的面积特征、连续度特征、位置特征、圆度特征和空洞特征等,在此基础上,设计了一种基于Fisher准则的BGA焊点检测算法.结果表明,算法能有效地检测出短路、偏移、少锡、空洞和开路等BGA焊点缺陷,有较低的误报率和漏报率,能满足实际生产要求.

基于图像边缘信息和Fisher准则的钢板表面缺陷分割研究

针对钢板表面缺陷图像信噪比低、缺陷目标小且形态差别大等特点,提出了一种基于边缘信息和Fisher准则相结合的图像分割方法。该方法首先采用梯度算子检测出缺陷图像的边缘,并对边缘检测所得的梯度图进行灰度拉伸,提高梯度图的对比度;然后利用Fisher准则寻找最佳阈值,分割出缺陷;最后运用数学形态学滤除噪声,实现了缺陷的自动分割和定位。实验证明,该方法不仅能够识别出弱小的缺陷,而且实现了在线实时检测。

基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法:FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM)算法。

一种改进Fisher准则的线性鉴别分析方法

目前线性鉴别分析以Fisher准则或是逐对类加权Fisher准则为依据,但前者不能限制离群类,后者计算量大,鉴于此,提出一种改进Fisher准则用于线性鉴别分析。回顾了Fisher准则和逐对类加权Fisher准则,指出其中问题产生的根本原因。提出类距离和类离群程度的定义,以类距离为依据判定各类离群程度,以类离群程度为参数赋予各类权值,重新计算总体类均值和类间离散度矩阵,以得到限制离群类、突出常规类的改进Fisher准则。这种改进Fisher准则计算简单,能有效限制离群类。

基于Fisher准则的自适应遗传算法在图像分割中的应用

为了确定图像分割的最佳阈值,提出了一种基于自适应遗传算法的图像分割方法。自适应遗传算法能够在保证种群多样性的同时保证算法的收敛性,克服了基本遗传算法的收敛性差、易早熟问题。以二维Fisher准则作为图像分割的评价标准,利用自适应遗传算法对其进行优化,得到最佳分割阈值。实验结果表明,与基本遗传算法相比,该算法不仅能够保证图像分割的精度,而且分割速度提高了约30%。

二维属性直方图的Fisher准则图像分割及快速递推算法

利用图像中目标和背景之间类间方差和类内方差在类别分离性中的作用,提出了基于二维属性直方图的Fisher准则分割方法.首先,在考虑图像中心像素与邻域中非直接相邻像素的基础上,通过图像直方图的统计分布特性构造属性集,建立新的二维属性直方图.然后根据最大化Fisher准则,获取最优二维阈值向量.同时为降低二维阈值算法的复杂性,提出了快速递推算法.该快速递推算法中,将二维Fisher准则的计算写成递推的形式,减少了大量的重复计算.实验结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的.

基于Fisher准则和TrAdaboost的高光谱相似样本分类算法

针对小样本情况下高光谱类别相似导致图像类间分类精度低的问题,提出了一种基于Fisher准则和TrAdaboost的高光谱相似样本分类算法(H_TrAdaboost)。首先,结合光谱角法与光谱信息散度对样本进行相似度测量,确定辅助训练样本集,扩大总训练样本数量;其次,利用改进的Fisher准则进行样本可分性研究,从而在总训练样本中选出分类性较强的波段子集;最后,在算法迭代过程中利用TrAdaboost算法动态调整正负样本的权重,完成小样本情况下高光谱相似样本类间分类。结果表明,提出的H_TrAdaboost算法相较于对比算法有较高的分类精度,证明了所提算法的有效性。

Fisher准则下面向判别性特征的字典学习方法及其组织病理图像分类研究

针对当前面向组织病理图像特征提取的字典学习方法中存在着学习的无病字典与有病字典相似程度高,判别性弱的问题,本文提出一种新的面向判别性特征字典学习方法 (Discriminative feature-oriented dictionary learning based on Fisher criterion, FCDFDL).该方法基于Fisher准则构造目标函数的惩罚项,最小化学习字典的类内距离与最大化学习字典的类间距离,大大降低无病字典与有病字典间的相似性.同时,优化学习字典对同类样本的重构性能,并约束学习字典对非同类样本的重构性能.然后,利用本文学习的无病与有病字典对测试样本进行稀疏表示,采用重构误差向量的统计量构造分类器.最后,分别在ADL数据集与BreaKHis数据集上验证了本文方法的有效性.实验结果表明,本文学习字典的判别性更强,获得了更优的分类性能.