基于提升核偏最小二乘回归的色彩校正

为进一步提高回归算法的色彩校正精度,提出一个基于核偏最小二乘回归的局部迭代算法。该算法首先将源色彩空间中校正样本的邻域样本经核函数映射到一个高维的线性特征空间,然后在提升的迭代过程中通过偏最小二乘回归消除映射数据的多重共线性,最终达到色彩校正的目的。实验证明算法引入的特征空间提供了额外的校正信息,提升方法增强了核偏最小二乘回归性能,算法在精度和鲁棒性上均优于传统的多重回归和基于分区的回归校正方法。

非均匀三维查找表的快速查找技术

利用四面体插值算法进行色彩校正时,通过样本集直接建立起来的三维查找表往往是不均匀的,为了生成符合ICC规范的Profile,必须通过插值得到均匀的Profile数据。在均匀化过程中,耗时最严重的是如何准确定位插值颜色点所在的四面体。从数据的邻域相关性,除了基于历史的局部搜索法,同时从粗定位和细定位角度提出了基于辅助表的快速定位算法。实验结果证明任何一种加速算法都有效缩短了Profile数据生成的时间,同时结合两种加速算法的效果更佳。

基于结构风险最小化和全最小二乘法的色彩校正

该文提出了一种局部回归色彩校正算法。该算法从结构风险最小化原理出发,提出以全最小二乘法残差为经验风险,选取校正颜色点的K近邻域,采用局部回归进行色彩校正。实验结果表明该文算法在精度和鲁棒性方面均优于多重回归校正以及分区回归校正,其平均误差、最大误差,误差标准差分别下降了46%(27%),57%(21%),42%(20%)。

基于KPCA和ANFIS的色彩校正

提出结合核主成分分析(KPCA)和自适应神经模糊推理系统(ANFIS)的色彩校正(KPCA_ANFIS)算法.首先将数据通过核函数映射到高维空间,再通过KPCA提取主成分,最后通过ANFIS学习达到色彩校正的目的.实验结果验证了ANFIS用于色彩校正的可行性和有效性,KPCA_ANFIS算法的精度和鲁棒性均优于传统ANFIS.对测试数据(训练数据)的平均误差、最大误差和标准差较传统ANFIS分别下降了37%(45%),34%(40%)和35%(40%).

基于自适应约简相关向量机的光照色度估计(英文)

提出了一种新的自适应约简相关向量机回归算法来估计图像的光照色度以达到色彩一致性目的.在稀疏贝叶斯学习的框架下,该算法首先以多核形式自适应结合全局核函数和局部核函数扩展相关向量机,然后应用改进的保局投影来约简多核输入矩阵的列维数以减少训练时间.为了估计光照色度,通过图像色度直方图的模糊中心值和其相应光源值训练算法.基于真实图像的实验表明所提算法优于支持向量机和相关向量机且其训练时间小于相关向量机.

改进最大模糊熵估计的色彩校正

为保持色彩一致性,从统计学和模糊逻辑的角度提出了一个改进的最大模糊熵估计算法来进行色彩校正.该算法将校正颜色点的邻域视为一模糊集,结合设备色域的物理特征提出算法的约束条件,通过最大化模糊熵方法来进行最终校正.实验表明该算法提出的模糊熵较概率熵优越,且算法在精度和鲁棒性上优于四面体插值算法和基于最大概率熵估计的线性插值算法.

下颌第一磨牙三维模型的建立

目的建立人体磨牙的三维模型,作为今后进一步对人体牙齿进行力学分析的基础。方法采用年轻女性右侧下颌第一磨牙为对象,应用CT扫描技术、CT图像处理,经过滤除噪声、重新排列、二值化等操作,用MathWorks公司的Matlab的体积可视化功能来进行三维模型的建立。结果采用CT薄层扫描资料建立起来的三维模型,形态逼真,能真实反映牙齿外形及髓腔三维结构。结论人体磨牙三维模型的建立,可以为今后的牙齿生物力学分析提供一个逼真的模型,且可进一步进行计算机辅助设计处理,为进一步研究奠定基础。

Matlab重建磨牙CT图像的三维模型的初步研究

目的:建立人磨牙的三维模型,作为今后人体牙齿的进一步力学分析的基础。方法:采用年轻女性右侧下颌第一磨牙为对象,应用CT扫描技术、CT图像处理,经过滤除噪声、重新排列、二值化等操作,用MathWorks公司的Mat-lab6.5的体积可视化功能来进行三维模型的建立。结果:采用CT薄层扫描资料建立起来的三维模型,形态逼真,能真实反映牙齿外形及髓腔三维结构。结论:人体磨牙三维模型的建立,可以为今后的牙齿生物力学分析提供一个逼真的模型,并且可进一步进行计算机辅助设计处理,建立的牙齿模型还可以进行生物力学分析以及动力学研究,为进一步研究奠定基础。

一种新的回归型约简多分辨率相关向量机

提出一种新的稀疏贝叶斯回归算法.基于相关向量机,首先通过尺度核和小波核构造完备基以提高预测精度;然后利用保局投影对输入矩阵的列进行主成分提取以减少训练时间,从而形成算法的初步模型.为进一步减小较大规模训练数据集的回归时间压力,算法对训练数据集的分层采样建立了初步模型,进而产生实际较小规模的训练数据集.实验结果表明,算法在预测精度和鲁棒性上优于传统支持向量机和相关向量机,且其训练时间较相关向量机少.