二维Fisher准则函数在区域生长算法中的应用

本文针对传统区域生长算法中“种子”和“相似性准则”不能自适应获得的缺点,将二维Fisher准则函数算法[1]应用到区域生长算法中,根据图像特征,利用二维阈值,自动确定“种子”和“相似性准则”。实验表明,该算法不仅利用了二维Fisher准则函数算法的优点,而且也使区域生长算法具有自适应性,对荧光磁粉图像具有较好的分割效果。

基于Fisher准则函数的二维阈值图像分割算法

文章针对图像分割中小目标物体识别困难和抗噪声性能差的问题,引入模式识别中的Fisher评价函数作为图像分割准则函数,基于Fisher准则函数提出二维阈值分割新技术,结合二维直方图抗噪声性能强和Fisher准则函数受目标和背景比例影响小的特点,对图像进行分割。实验结果表明,方法具有较好的识别能力和较强的抗噪声性能。

基于二维特征和Fisher准则函数车牌图像分割

以车牌图像的灰度和邻域均值构成二维特征,此二维特征的直方图具有如下的特点:车牌图像中的字符目标区域与背景区域集中在二维特征直方图中的对角线附近。可方便的运用Fisher准则函数在二维特征直方图的对角线找到最佳分割点。实验表明,相对于直接在二维灰度直方图上进行向量分割的方法,不仅能降低误判率,还可将二维问题转化为一维问题,可大大减少可计算量。

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.

一种基于Fisher准则的二维主元分析表情识别方法

提出了一种基于Fisher准则进行特征选择的二维主元分析表情识别方法.首先对训练样本做二维主元分析,然后再根据Fisher准则,按Fisher比的大小选择特征向量作为投影轴,最后用最近邻方法进行分类.在JAFFE人脸表情静态图像库上进行实验,与按特征值的大小来选择特征向量相比,该方法更有效.

基于证据推理和VIKOR的二维语言多准则群决策方法

针对专家给出二维语言评价信息的多准则群决策问题,提出基于证据推理和VIKOR的决策方法。该方法首先从专家的心理认知和二维语言评价信息的语义出发,定义二维语言信息的信度结构表示函数;接着针对信度结构的不足提出广义信度结构,并结合证据的Pignistic概率距离定义广义信度结构的距离;最后将专家给出的二维语言决策矩阵转换为信度决策矩阵,用证据推理算子集结为综合信度决策矩阵,并利用VIKOR方法对其求解,获取方案排序。算例研究结果及对比分析表明,所提出方法能减少决策信息的丢失,具有有效性和稳定性。

基于二维直方图的图像分割算法研究

分析比较了基于二维直方图的两种图像分割算法,在此基础上提出了新的阈值分割输出函数,并进一步改进了传统的阈值分割方法。该方法不仅充分考虑了像元点之间的空间相关信息,增强了识别能力,而且大大降低了运算的时间。

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%。

改进的二维典型相关分析及其人脸识别应用

针对二维典型相关分析(2DCCA)中类标矩阵维数较大及算法耗时过多的问题,提出一种改进的2DCCA特征提取方法。利用图像的频谱性质定义低维的类标矩阵,从有利于模式分类的角度构造出新的准则函数,采用二维主成分分析对所得特征进一步降维,得到更具分类判别能力的低维特征。在ORL和组合人脸数据库上的实验结果表明,该特征具有较好的分类能力。

基于杜鹃搜索和二维Fisher准则的图像分割方法

阈值法是图像分割最为常用的方法之一,然而基于一维直方图的阈值方法分割结果容易受噪声的影响.基于二维直方图的二维Fisher准则能够克服一维阈值法缺陷,具有较好的分割性能.但是二维Fisher准则阈值法在求取最优阈值时需要大量的计算,运算速度非常慢.常用的二维Fisher准则阈值优化计算方法如粒子群算法和遗传算法容易陷入局部最优.杜鹃搜索算法是新近提出的一种元启发优化算法,一些经典的函数优化问题测试结果表明杜鹃搜索算法全局寻优能力优于粒子群算法和遗传算法.在介绍杜鹃搜索算法的基础上,提出一种基于杜鹃搜索算法改进的二维Fisher准则阈值分割方法.实验结果证明,提出的方法降低了基本二维Fisher准则阈值法最优阈值的寻找时间,提高了图像分割的实时性,是一种性能良好的图像分割方法.

改进无模型自适应迭代学习的直线电机滑模控制

二维直线电机具有非线性、多变量及强耦合等特点,其精确模型无法获得,同时,在实际过程中由于参数摄动及扰动而造成的运行不稳定现象,致使对其跟踪控制十分困难。针对以上问题,根据无模型自适应迭代学习控制不依赖被控系统精确数学模型的特点,及滑模控制具有可设计且与对象参数和扰动无关的滑动模态,提出一种改进无模型自适应迭代学习的滑模结构复合控制策略。在无模型自适应迭代学习控制方案的准则函数中加入误差变化率,并对其收敛性进行分析论证;然后在紧格式动态线性化基础上,设计指数趋近律滑模控制,使改进无模型自适应迭代学习的滑模控制复合策略能够克服不稳定现象并具有很强的鲁棒性,从而进一步提高系统响应速度和控制精度。最后通过仿真和实物验证,控制精度稳定在1μm范围内,并与其他控制方案相比,验证了所提方法的准确性和有效性。

基于量子粒子群优化算法的图像分割方法

利用量子粒子群优化算法(QPSO)对二维Fisher准则图像分割评价函数进行了全局优化,提高了分割阈值的求解速度。并针对量子粒子群优化算法存在收敛性差、易早熟的问题,提出了量子粒子群优化算法和邻域搜索双重寻优的改进算法。实验结果表明,改进后的分割方法具有良好的分割效果和求解速度。寻找到的最佳阈值与二维Fisher准则函数算法完全相同,而阈值求解时间只有二维Fisher准则函数算法的1/3。

改进的遗传算法在实时图像分割中的应用

为了自动确定图像分割的最佳阈值,提出了一种改进的自适应遗传算法,并利用该算法对二维Fisher准则图像分割评价函数进行了全局优化,提高了分割阈值的求解速度。该算法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,克服基本遗传算法的收敛性差、易早熟问题。实验结果表明,该算法具有良好的收敛速度和稳定性,阈值范围稳定在3个像素以内,阈值计算时间比二维Fisher准则法缩短了18 ms(约63%左右),比基本遗传算法缩短了大约30%左右,能够满足实时性要求,可以应用于各种图像的实时处理与分析中,具有较高的实用性。

二元尺度函数的正交性

本文从非诱导的二维正交滤波的一类零点出发，构造紧集Ｋ，利用Ｃｏｈｅｎ准则，得到非诱导滤波对应的（Ａ，ｈ）尺度函数正交的一个充分条件，并构造二维正交滤波的例子说明其应用．

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求。线性鉴别分析算法存在“小样本”和“边缘类”问题,降低了人脸识别的准确性。针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法。二维主成分分析法提取的特征比一维主成分分析法更丰富,并且降低了计算复杂度。改进的线性鉴别分析算法重新定义了样本类间离散度矩阵和Fisher准则,克服了传统线性鉴别分析算法存在的问题,保留了最有辨别力的信息,提高了算法的识别率。实验结果表明,该算法比主成分分析算法和线性鉴别分析算法具有更高的识别率,可以较好地用于人脸识别任务。

一种改进筛分停止条件的BEMD算法及其应用

二维经验模式分解(BEMD)已经成为图像信号处理中一个强有力分析方法,本文在原有筛分停止条件的基础上提出了一种新的BEMD筛分停止条件,引入极大值与极小值的数量差阈值T和包络均值阈值e两个参数对筛分过程进行约束,提高分解效率和分解质量,最后通过对图像的边缘特征提取来验证该方法的有效性。

深度学习下矿山机械集群故障智能诊断仿真

矿山大型固定机械,如提升机和主通风机等是煤矿安全生产的至关重要设备。由于矿山机械的工作环境非常恶劣,机械故障点比较隐蔽,且故障原因具有多样性特征,导致诊断难度较高。提出基于深度学习的矿山机械集群故障智能诊断方法。利用深度学习中的卡尔曼滤波对矿山机械集群振动信号完成降噪处理。利用深度神经网络中的卷积核提取故障信号特征,将提取的特征输入到深度神经网络模型中计算出准则函数。根据准则函数实现故障类型聚类处理,输出故障分类结果,完成矿山机械集群故障的智能诊断。实验结果表明,所研究方法的智能诊断准确率可稳定在95%以上,故障诊断的耗时平均为45.3ms,机械设备集群故障诊断的振动信号频率与实际信号完全一致。