基于K-L变换的无人机巡检图像特征提取方法

为了提升特征提取效果,提出了基于K-L变换的无人机巡检图像特征提取方法。利用双边滤波算法去除无人机巡检图像噪声,通过Retinex算法增强去噪后图像亮度,提升图像清晰度。实验证明:该方法可有效去除图像内部噪声,增强图像亮度,提升图像清晰度;可有效提取图像特征,样本维数为3时,特征值与特征向量偏离度最低;特征提取时的真实接受率高至0.9以上。

基于K-L变换的红外图像弱小目标检测与分析

针对红外图像中的目标对比度低、尺寸小及背景复杂等特点 ,利用正交变换的去相关特性 ,提出了一种改进的 K - L变换和广义 K- L变换的红外弱小目标检测与描述方法 ,从而实现低信噪比条件下红外弱小目标的检测 .

基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法。采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类。通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%。

基于并行特征组合与广义K-L变换的字符识别

针对传统的串行特征融合方法的弱点,提出了一种新的并行特征融合方法.该方法的基本思路是:首先,利用复向量将样本空间上的两组特征集组合起来,构成复特征向量空间;然后,从理论上推广了经典的K-L变换方法与3种基本的K-L展开方法,使其适用于复特征向量空间内的特征抽取.此外,还揭示了并行特征融合的对称性质,并详细讨论了并行特征组合的策略问题.最后,用所提出的方法来解决手写体字符的特征抽取与识别问题.在南京理工大学NUST603HW手写体汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的实验结果表明,所提出的特征融合方法不仅较大幅度地提高了识别率,而且识别结果优于传统的串行特征融合方法.

基于K-L变换和灰度共生矩阵下的桂西—滇东南地质构造遥感信息提取方法研究

桂西—滇东南是植被高覆盖区域,地质遥感信息相对于地表覆盖(植被)信息而言相对较弱。有效消除地表覆盖信息、突出地质遥感信息是遥感地质专题信息提取的瓶颈之一。本文运用K-L变换提取代表地质构造信息的成分波段,有效滤去地表覆盖信息;利用灰度共生矩阵、定向检测和环形滤波检测相结合的方法,并通过阈值设置,提取地质构造的遥感专题信息,从而达到实现计算机自动提取地质构造信息的目的。经过野外实地验证,结果表明:地质构造信息提取精度较高,特别是一些小的地质构造信息也能有效提取;但是环形地质构造信息没有有效提取,地表覆盖类型对地质构造信息的提取仍有较小影响。

巴氏距离和K-L变换结合的特征选择

该文提出巴氏距离(BhattacharyyaDistance)和K-L(Karhunen-Loeve)变换结合的特征选择。采用巴氏距离特征选择眼3,5演的迭代算法,可以获得最小错误率上界。当特征维数高时,为了减少巴氏距离特征选择计算时间,对样本先进行K-L变换,将特征降低到中间维数。然后进行巴氏距离特征选择,降低到结果的维数。用基于MNIST手写体数字库的试验表明,该文方法比单纯用巴氏距离特征选择计算时间大大减少,并比主分量方法(即单纯使用K-L变换)特征选择的错误率小得多。

基于K-L变换的彩色航空影像阴影检测

从K L变换的原理及其特性出发 ,提出了一种利用K L变换技术来对影像上的阴影进行检测的方法 。

K-L变换在多光谱图像聚类中的应用

遥感图像是通过光谱信息和空间信息表征地物的。选择特定地区不同时相的多光谱图像进行聚类分析 ,可以实现卫星核查和作物估产等应用目的和要求。多光谱图像的波段间存在大量的冗余数据 ,文中采用了对多光谱图像先进行K L变换再进行聚类的解决方法 ,并对某地区多光谱图像进行了处理分析 ,取得了理想效果。

基于Contourlet变换的K-L变换地震随机噪声自适应衰减方法

地震资料中有效反射信号具有丰富的纹理及边缘特性,在Contourlet变换域系数较大并具有相关性,而随机噪声均匀分布于Contourlet变换域且系数较小。考虑K-L变换具有分类特征提取的优势,在Contourlet变换基础上应用K-L变换,采用最大似然估计法和多尺度噪声估计法估算地震记录中有效信号及随机噪声的Contourlet系数方差,并将其应用到K-L变换域能量百分比阈值函数的定义中,自适应地确定用于K-L反变换的特征向量,修改Contourlet变换的系数,再进行Contourlet反变换压制随机噪声。数值模拟及实际地震资料去噪效果表明,基于Contourlet变换的K-L变换去噪方法不仅可以有效地压制地震资料中的随机噪声,提高地震资料信噪比,而且具有较好的保真性。

K-L变换在地震资料去噪声的应用

介绍了K-L变换衰减噪声的基本原理,并将其用于实际地震资料的处理中.针对不同类型的干扰波,利用实例对K-L变换进行了讨论.结果表明,K-L变换可压制噪声提高信噪比,去噪的效果与所选取的特征值的个数有关.利用K-L变换对浅层多次波、折射波、直达波的压制,可避免手工切除对浅层有效信息和干扰信息一刀切的弊端,保存了浅层有效信息.

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在 ORL标准人脸库上的试验结果表明 ,提出的方法不仅识别性能优于传统的主分量分析和 Fishr线性鉴别分析 ,而且特征抽取的速度得到了很大的提高。

基于Wiener滤波,K-L变换和BP网络的数字识别

研究基于传统模板匹配的识别灰度图像中数字的方法 .在对大量样本图像模板进行 Wiener滤波的基础上 ,利用 K- L 变换进行特征提取 ,用低维子空间描述高维空间中的图像 .将低维子空间中的向量加载到 BP网络的输入端进行训练 ,调整神经网络权值 .权值稳定后 ,在网络输入端加载经过预处理的待识别灰度数字图像 ,在输出端即可得到识别结果 .该方法有效地利用了 Wiener滤波器以最小方差对原始信号的恢复能力、K- L 变换的降维特性和

基于灰关联分析与K-L变换的双重属性优化方法

将灰关联分析和 K- L 变换有机地结合起来可以实现属性的双重优化。利用灰关联分析实现了地震属性的敏感性分析 ,并建立了储层参数与属性之间的灰色关联。在此基础上 ,通过 K- L 变换将属性空间的高维属性映射为低维属性 ,且去除了属性之间的相关性 ,从而有效地解决了属性组合的优化问题。采用 BP神经网络对目标进行预测表明 ,灰关联分析和 K- L 变换相结合的属性双重优化方法能充分发挥单个方法各自的优点 ,有助于属性分析、关联以及组合优化问题的解决 ,从而提高了地震储层预测的运算速度和精度。

一种基于K-L变换的突变镜头检测方法

镜头检测是对视频进行分析和检索的基础。根据人眼的视觉特性,本文研究了一种基于K-L变换的突变镜头检测方法。新方法通过对原始RGB空间进行K-L变换得到由主轴构成的图像参数模型,利用相邻两帧对应第一、第二主轴的方向差异,应用加权系数来计算帧间差值。然后运用基于滑动窗口的自适应阈值方法来进行突变镜头检测,并对静止镜头进行了处理。实验结果和性能比较表明该算法取得了良好的检测效果,并且对目标的快速运动、光照变化等具有一定的鲁棒性,同时计算速度快,易于实现。

基于主成分分析与K-L变换的双重属性优化方法

利用主成分分析客观赋权原理计算地震属性在预测目标参数时贡献率的大小,通过去除权重系数较小的属性参数,实现了地震属性的敏感性分析,建立储层参数与有效属性之间的匹配关联;在此基础上,利用KL变换将属性样本空间的高维属性映射为低维属性,去除了属性之间的相关性,有效地解决了属性组合的优化问题,表明了主成分分析和KL变换相结合的属性双重优化方法克服了单纯使用每种方法时的局限性,充分发挥了各自的优点,有助于属性分析、关联以及组合优化问题的解决,提高了地震储层参数预测的运算速度和精度。

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。

HIS与K-L变换结合方法在寻找铀矿中的应用

随着地学信息的多源化,同一地区的多种遥感影像数据(多时相、多光谱、多传感器、多平台和多分辨率)越来越多,同时航空物探测量和航天遥感技术在地质工作中起着越来越重要的作用。研究利用遥感图像和航放数据作为数据源,对遥感图像作主分析,在几乎不丢失遥感数据信息的基础上,再利用HIS变换与航放数据进行融合,使U(铀)的微弱信息得以增强,从而指导地质工作者在北方寻找砂岩型铀矿。

基于复空间中K-L变换的人脸识别

文中提出了一种基于复空间中从类平均向量中提取判别信息的K L变换的人脸识别新方法。在ORL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Eigenfaces和Fisherfaces,而且最佳识别率达到97%。

基于K-L变换的光纤光栅解调算法研究

为了提高光纤光栅传感系统解调精度,针对FBG含噪信号,本文将K-L变换用于FBG解调,对整个解调过程做了理论分析,并且通过Matlab进行了仿真验证。实验结果表明,本文采用的方法解调精度达到了1pm,满足工程需要,具有应用价值。

基于K-L变换和LS-SVM的车牌字符识别新方法

针对车牌识别中识别率和识别速度难以同时提高这一难点,本文提出一种K-L变换和最小二乘支持向量机相结合的车牌字符识别新方法。首先使用K-L变换对预处理后的车牌字符图像进行特征降维;然后根据车牌字符的排列特征采用聚类分析中类距离思想,设计四组最佳二叉树的最小二乘支持向量机子分类器来分别实现字母、数字和汉字的识别。实验结果表明,该方法所设计的分类器较好的解决了传统多类算法中存在的不可分区域情况,具有较高的识别率和识别速度及分类推广能力。