小波散射网络在各种彩色空间进行图像纹理分类的性能比较(英文)

为了寻找利用小波散射网络进行彩色图像处理的最佳彩色空间,用小波散射网络对KTH_TIPS_COL彩色图像数据库进行了图像纹理分类研究.采用将彩色图像从RGB彩色空间转换到其他各种彩色空间的方法,研究了彩色空间的选择对于小波散射网络用于彩色图像纹理分类的影响.实验结果表明:在不同的彩色空间对彩色图像纹理进行分类,分类成功率往往差别较大;在基于竞争机制的红绿蓝彩色空间中进行小波散射变换比其他彩色空间具有更好的分类性能.考虑到彩色空间可以互相转换,对于彩色纹理图像的分类,推荐将彩色空间转化到基于竞争机制的红绿蓝彩色空间后再输入小波散射网络.

面向图像分类的核主成分分析网络（英文）

为了能够用线性分类器对非线性特征进行分类,同时提高图像的分类正确率,提出了一种核主成分分析网络(KPCANet).首先通过核主成分分析算法将数据映射到高维空间中,使得数据线性可分,然后建立一个2层的KPCANet,提取出图像的主特征,最后将图像的主特征输入线性分类器中进行分类.实验结果表明,KPCANet对于人脸识别、物体识别以及手写数字识别效果良好,其分类效果优于现存的主成分分析网络(PCANet).同时,KPCANet的成分提取效果不受光照条件变化的影响,且对于遮挡以及微小的形变提取效果稳定.

基于不同变换下的信号重建性能的比较（英文）

提出了一种新的算法——Magnitude Cut算法,用于从信号的变换域的相位来恢复信号.首先将重建问题等价转换为一个凸优化问题,然后通过块坐标下降算法(BCD)和内点法解决原始信号重建问题.最后,实现了一维和二维信号的重建,并对先通过高斯随机掩膜再进行傅里叶变换(简称FTGM),柯西小波变换(CWT)相位,先通过二值随机掩膜再进行傅里叶变换(简称FTBM),高斯随机变换(GRT)相位的信号重建结果做了比较分析.分析结果表明,Magnitude Cut算法可以完成已知信号不同变换域相位的信号重建,并且在相同的重建误差下,从FTGM和GRT相位信息重建信号比从FTBM和CWT需要的相位数目更少.