改进的基于样例修补的目标移除方法

借助结构张量具有表达图像局部结构的性质,提出一种改进的区域填充图像修补方法.通过结构张量可以使图像的任意像素点的各个色彩分量获得一致的进化方向,其特征向量主导的目标块填充次序使得信息传播方式具有各向异性的特点.在真实自然图像上移除巨大目标物的比较实验表明:文中方法比Criminisi的基于样例修补目标移除方法具有更合理的、视觉上更真实的修补效果.

一种基于局部学习的自然图像景物提取方法

引入一种按邻点对的相似性权值计算次数来归类Laplacian的思想,并从理论上证明了包含多次相似性权值计算的Laplacian构造比只计算一次或两次相似性权值的Laplacian构造更能精细地刻画数据局部几何结构.据此提出了一种新的更能胜任自然图像景物提取任务的Laplacian构造方法.该方法通过任意一对相邻像素在不同局部邻域内建立一个线性学习模型来重构不同的相似性权值.结合用户提供的部分前、背景标记约束,导出求解景物提取的半监督二次优化目标函数.当考虑通过对前、背景抽样来估计未知像素的颜色值时,优化目标可以迭代求解.更有意义的是,该迭代方法可以成功地将原来构造的其他Laplacian推广应用于只提供稀疏指示条带的景物提取问题中.理论分析与实验结果均证实,所构造的Laplacian能够更充分地表达图像像素间的内在结构,能以更精细的方式约束传播前、背景的成分比例而不仅仅是标号,从而获得更优的景物提取效果.

扩散张量加权梯度域图像彩色化方法

基于扩散张量的加权拉普拉斯核推广了图像彩色化的泊松解法,该彩色化过程是通过颜色在亮度值扩散张量加权的梯度场引导下自动传播完成的.首先在灰度图像上由用户手工地给定少量的颜色条带;然后计算每个像素的扩散张量,并利用这些扩散张量构造加权梯度场,从而导出基于散度的图像彩色化方程;最后求解方程,获得灰度图像着色结果.实验结果表明:该方法效果良好,比原泊松解法有显著改善.

基于各向异性扩散偏微分方程的图像去模糊

利用图像结构张量导出的各向异性扩散滤波,具有平滑噪声的同时保持细节的特点,提出基于结构张量的能量最小化去卷积正则化模型,并对由此导出的偏微分方程应用于灰度图像和向量值图像去模糊作了分析。灰度图像的各向异性扩散滤波可以由梯度平滑的结构张量实现,相应的偏微分方程取决于平滑结构张量决定的惩罚函数。与其它非线性扩散滤波去模糊的方法比较结果证实所提方法在信噪比和视觉质量上都具有更好的效果。

改进的稀疏分布存储器模型及其学习能力分析

Kanerva的稀疏分布存储器模型 (SDM) ,由于其读写规则采用外积法 ,因此限制了它的应用 .本文对该模型进行改进 ,改变了原来的读写规则 ,保留其稀疏分布式存储的特点 ,得到一个与小脑模型 (CMAC)相似的新模型 ,但它不存在分块效应、不需要HASHING技术 .

关于一般存储器神经网络的学习收敛性研究

本文在一类称为一般存储器神经网络(General Memory Neural Network(GMNN))的统一框架下来研究学习收敛性。该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表或某种组合输出。当产生的地址是固定有限的个数以及网络输出是线性求和时,可以证明GMNN能在最小平方误差意义下收敛。CMAC(Cerebellar Model Articulation Controller)、SLLUP(Single-Layer Lookup Perceptrons)是该类模型的典型代表。本文的意义在于为构造新的基于局部学习的神经网络模型提供理论指导,最后给出了这种构造的两个例子——SDM(Sparse Distributed Memory)和SLLUP的两个推广模型。

基于稀疏RAM的N-tuple神经网络模型

1.引言 N-tuple结构首先由Bledsoe ＆ Browing(1959)提出[1],并由英国帝国理工学院的Alexsander教授等人通过用RAM式神经元代替常规的神经元,利用N元(N-tuple)分解技术和可扩展的并行体系结构设计并实现了一个单层自适应模式识别系统(WISARD)[2],使其具有大规模并行分布处理能力,以及通用性和自适应性.适合于大维数输入模式和大样本集类识别问题,并在工业零件和人脸识别方面获得了成功的应用.该系统的学习是通过样本的一次提交完成的,因此速度快,识别具有实时性且对已学样本具有完全的识别精度.但不足是:(1)存在过泛化现象,造成误识;(2)因学习算法的限制,RAM神经元的空间存在饱和问题;(3)对每类模式分配一个分类器,硬件成本高;(4)对N元分解方法的敏感性;(5)在模式识别中,由于同类数据分布的凝聚性,常规RAM中只有很小比例的存储单元被使用,造成存储空间的很大浪费.

曲率驱动的各向异性扩散图像修补AOS数值解法

基于Perona-Malik的各向异性扩散提出曲率驱动的图像修补模型,探讨并利用可加算子分裂方法实现快速求解。所提模型通过选择适当的参数,使得扩散强度能更好地适应图像细节变化。实验结果显示了较满意的图像修补效果。

基于稀疏RAM的逼近型N-TUPLE神经网络模型

将单层查找感知器 (SL L UP)中的 RAM式神经元替换为稀疏 RAM神经元 ,获得了一个基于稀疏 RAM的逼近型 N- tuple神经网络新模型 .新模型不仅可以缓和原 SL L UP的存储容量易于饱和的问题 ,而且使网络的表示更灵活、更广泛 ,更重要的是使得 N- tuple类型的网络直接处理大维数的样本、大样本集类的数据真正成为可能 ,而不需要二值化样本 .

基于支持向量机的计算机键盘用户身份验真

口令认证因为简便易实现而被大多数计算机系统所采用 ,但容易被盗用 ,存在着严重的安全隐患 ,而利用对用户的键入特性的识别 ,可以大大加强口令认证的可靠性 .在对国内外众多学者所做工作研究的基础上 ,鉴于支持向量机在进行模式识别时所具有的优良性能 ,提出利用支持向量机进行键入特性的验真 ,并通过实验将其与BP,RBF,PNN和 L VQ四种神经网络模型进行对比 ,证实采用 SVM进行键入特性验真的有效性 ,因而其具有广阔的应用前景 .

增长式卷积神经网络及其在人脸检测中的应用

卷积神经网络擅于提取具有类别分辨能力的隐式特征,在人脸检测等领域获得巨大成功。然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的,难以实现后继的再学习。鉴于此,提出一种结构可变的卷积神经网络的构造方法:从每层只有单个卷积核的简单网络结构开始训练,逐渐为各网络层增加新的卷积神经元并修改新增连接权重,当训练结果达到预期目标时训练结束。在人脸检测的实验中,不同网络规模下的识别结果表明基于结构增长生成的网络可以在精确度和网络规模之间取得一个非常好的折衷。此外,在追加新的学习样本时,分类器在保持原有学习结果基础上,只需调整少量新增神经元的权值,就能明显提高检测率。

Boosting协方差特征的人脸检测方法

基于Harr式特征分层筛选的人脸检测方法速度快、检测率高。但Harr式特征对边缘、线段比较敏感,只能描述特定走向的图形结构。结合分层筛选技术,提出了Boosting协方差特征人脸检测方法。该方法先计算协方差矩阵特征,然后由这些特征构造弱分类器,最后借助Adaboost方法组合这些弱分类器的输出结果来对测试图片进行瀑布式分层筛选,从而获得最终判决结果。测试实验显示所提方法具有较强的抗噪能力,检测率相比原基于Harr式特征分层筛选的方法有显著提高。

一种改进的谱聚类彩色图像分割方法

提出一种改进的基于谱聚类的彩色图像分割方法,首先引入Levin's Affinity的权函数代替传统的高斯核函数建立相似矩阵来构造带权无向图,从而更精细地刻画出数据间的特征相似性;其次,采用线性映射将图嵌入到一个由部分特征向量生成的子空间中,使得数据映射到新的空间后也能较好的保留其在原空间中的结构;最后,在生成的子空间中用K均值聚类算法进行聚类从而为每个像素点分配类标签达到彩色图像分割的目的.与相关谱聚类算法进行图像分割的结果比较证实了改进算法的有效性和显著性.

基于Canny算子的肤色分割在彩图中的人脸检测

结合Canny算子提取图像的边界,利用边界信息可以实现大块连通区域的自然分割,同时使用颜色插补的方法来代替传统的金字塔采样,让模板自动匹配经上述分割后的各个待测区域。实验结果证实该方法对于包含部分遮挡、肤色干扰等较复杂环境下的图片的检测率有很大提高。

基于核拉普拉斯稀疏编码模型的图像分类

在稀疏词袋模型中,由于码书的过完备性,相似特征间稀疏编码存在多种组合方式,从而导致相似的特征可能得到完全不同的编码.文中提出基于核拉普拉斯稀疏编码的图像分类方法.该方法首先通过在高维核空间中构造核拉普拉斯矩阵以描述特征间的几何依赖关系,使相似特征的稀疏编码的相似性尽可能得到保持.再采用交替固定码书与稀疏矩阵的方法优化目标函数进行码书学习,并采用符号猜测法对特征进行稀疏编码.最后用多类SVM分类器分类.实验证明文中方法可较大幅度降低量化误差,提高分类准确率,并在多个数据集上取得良好的测试效果.

基于核空间LLE的彩色图像分割方法

拉普拉斯特征映射近年来被成功地运用到基于聚类的彩色图像分割中,其构成图的结点间权重用高斯函数计算,很难真实反映像素局部几何结构,导致复杂图像边界分割困难。基于此,提出一种基于核空间局部线性嵌入的图像分割方法,其首先利用单个像素间的八邻域关系来构造图,然后将局部线性嵌入算法进行核化,从而实现在高维空间中利用相关拉普拉斯矩阵描述像素间相似度并生成特征向量子空间的过程,最后,利用模糊C均值聚类算法对特征向量进行聚类从而为单个像素分配类标签,最终达到了彩色图像分割的目的。实验结果表明,新方法较拉普拉斯特征映射方法的图像分割效果更显著。

一种用于单CCD图像传感器的图像插值算法

由于物理结构的限制,单CCD图像传感器在每个像素位置上只能采集一个颜色分量,其余两个颜色分量只能通过插值的办法得到。提出一种在色差空间进行插值的算法,利用具有比例线性关系的局部颜色特性和局部协方差求得最小均方误差意义下的最优插值系数。所获取的该插值系数具有边缘细节保持性,同时色差空间的插值又考虑了不同颜色分量间的耦合性,因而有效地抑制了图像边缘的模糊和颜色失真。实验结果表明,该算法可获得高质量的插值图像。

基于特征融合的核量化图像分类方法

局部特征和全局特征是图像的两种重要的特征描述,在图像分类时起着至关重要的作用。据此提出一种通过融合全局与局部特征核量化图像分类方法。首先,分析全局特征及局部特征各自优缺点,并对图像进行特征提取;其次,通过核方法将特征映射到适当的高维空间中,来进行码书的获取与量化,并进行特征的融合以更好地对图像进行描述;最后,采用基于直方图交叉核的支持向量机对获取的量化特征进行分类。通过实验证明了所提出的方法的可行性。

临界指数半线性重调和方程NAVIER边值问题非平凡解的存在性

本文我们研究下列方程：Δ２ｕ＝｜ｕ｜ｐ－１ｕ＋ｆ（ｘ，ｕ）ｘ∈Ωｕ＝０ｘ∈ΩΔｕ＋α（ｘ）ｕｖ＝０ｘ∈Ω的非平凡解存在性，这里ｐ＝（ｎ＋４）／（ｎ－４），ｆ（ｘ，ｕ）是｜ｕ｜ｐ－１ｕ在无穷远处的低阶扰动项，ｆ（ｘ，０）＝０，并且。

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列。对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征。实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析。