二维超声征象多参数综合分析对乳腺良恶性肿瘤鉴别诊断的意义

目的 探讨二维超声征象多参数综合分析对乳腺良恶性肿瘤鉴别诊断的意义。方法 应用高频二维超声对乳腺恶性肿瘤观察以下指标 :病灶形态 ,病灶边界 ,病灶周围 ,病灶内部 ,病灶后方及有无微小钙化灶 ,同时选择乳腺良性肿瘤作对照组。两组病例超声诊断与手术病理诊断结果进行对照。结果 乳腺癌组 3 8个病灶 (71.7% )大体形态不规则 ,41个病灶 (77.4% )边界有毛刺或锯齿状 ,43个病灶 (81.1% )周围无包膜或壁 ,40个病灶 (75 .5 % )内部回声不均匀 ,9个病灶(17.0 % )后方回声衰减 ,17个病灶 (3 2 .0 % )内部有微小钙化灶。超声诊断乳腺癌与手术病理诊断符合率为 95 .3 % (4 1/ 43例 )。结论 二维超声征象多参数综合分析对大多数乳腺恶性肿瘤有助于明确诊断 。

基于二维子分类鉴别分析的SAR图像识别方法研究

本文在分析传统二维鉴别分析方法局限性的基础上,提出了一种基于二维子分类鉴别分析的合成孔径雷达图像识别方法.该方法首先对SAR图像进行图像预处理,然后利用图像欧氏距离对每类目标进行子类划分,并由图像的行信息和列信息提出了两种二维子分类鉴别分析方法,最后利用最近邻分类器对提取的特征投影矩阵进行分类识别.本文利用美国实测的MSTAR数据对算法进行了仿真验证,实验结果表明了本文方法的正确性和有效性.

半监督的稀疏保持二维边界Fisher分析降维算法

针对样本集中类别标签样本不足的问题,提出一种半监督的稀疏保持二维边界fisher分析降维算法.首先利用图像像素间的空间结构信息,基于图像矩阵进行降维;然后设计类内散度矩阵和类间散度矩阵,以保持样本间的类内紧凑性和类间分离性;最后通过稀疏保持对特征间的稀疏重构性加以约束,所获得的稀疏重构权重保持了局部几何结构,而且也包含了自然鉴别信息.在YALE,ORL和AR人脸数据库上的实验结果表明,该算法具有很好的分类和识别性能.

核二维子类鉴别分析

针对图像数据的多子类线性不可分问题,提出一种快速核二维子类鉴别分析算法(K2DSDA).算法从理论证明K2DSDA等价于基于核样本列(行)向量的2DSDA,并结合快速核样本图像近似定义实现最优判别向量计算,降低了算法复杂度.实验显示,本文算法在多个标准人脸库上的分类准确率优于其他鉴别分析算法,这证实了K2DSDA的有效性.

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。

基于模糊集理论的二维线性鉴别分析新方法

二维线性鉴别分析(2DLDA)是一种直接基于矩阵的特征提取方法,跳过传统的基于Fisher鉴别准则的线性鉴别分析方法中必须先将二维矩阵转化成一维矢量的过程,有效地提高了特征提取速度且避免了小样本问题,其识别率优于传统的Fisherface方法。结合模糊集理论,提出了一种新的2DLDA算法———模糊2DLDA(F1DLDA)算法。首先采用FKNN算法得到相应的样本分布信息,并按其对最后得到的特征向量所作的贡献融入到特征抽取过程中,得到有效的样本特征向量集。实验表明,F2DLDA算法的性能优于传统的2DLDA算法和Fisherface方法。

二维非线性鉴别分析及人脸识别

二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且使其特征抽取的速度有了大幅度的提高.本文通过引入著名的"核技巧",将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法.该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架.最后在AR标准人脸库中的实验结果验证了本文算法的有效性.

模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。

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.

二维超声多参数综合分析对涎腺肿瘤的鉴别诊断意义

目的 分析涎腺良恶性肿瘤高频二维声像图特征并评价其在鉴别诊断方面的价值。方法 142例涎腺原发性肿块按其高频二维声像特征诊断为良性和恶性，检查结果与手术后病理对照。结果 涎腺良恶性肿瘤的二维声像特征存在一定重叠，低度的恶性肿瘤具有较多的良性特征。二维超声诊断的恶性符合率、良性符合率以及总符合率分别为70.2%,87．4％和81．7％。结论 二维声像图特征是超声诊断和鉴别诊断涎腺良恶性肿块的基本依据，但较小的及“中间型”的涎腺肿瘤需要使用彩色多普勒和频谱多普勒协助诊断。

二维线性鉴别分析和协同表示的面部识别方法

针对图像特征提取方法提取单一特征不能很好地表示图像的问题,提出了二维线性鉴别分析和协同表示的面部识别方法.该方法首先通过二维线性鉴别分析(Two-Dimensional Linear Discriminant Analysis,2DLDA)分别对训练样本的类间散布矩阵和类内散布矩阵提取特征,之后利用得到的特征重建图像,包括类间虚拟图像和类内虚拟图像.其次,将类间虚拟图像、类内虚拟图像和原始图像利用协同表示(Collaborative Representation,CR)算法进行得分.最后,采用加权得分融合算法将上述得分进行融合以获得最终得分,并利用最终得分进行图像识别.该方法不仅有效的抑制了光照和表情对面部识别的影响,同时根据获得的类间虚拟图像、类内虚拟图像与原始图像互补,有效的提高面部图像识别的性能.实验结果表明,该方法在不同的数据库下(ORL、AR、GT)具有较好的识别精度.

局部和全局加权的二维统计不相关鉴别分析

传统的统计不相关鉴别分析方法使用样本的均值来估计期望,计算出总体散度矩阵。这些方法在数据不满足高斯分布的情况下会出现大的偏差,影响最优鉴别特征的提取。为了解决该问题,文中结合二维鉴别分析的思想,分别提出了基于局部的二维统计不相关鉴别变换(L2DUDT)方法和基于全局加权的二维统计不相关鉴别变换(WG2DUDT)方法。L2DUDT通过用样本的近邻中心来定义每个样本的期望,而WG2DUDT用样本间的欧几里得距离加权来定义期望。基于AR和FERET人脸数据库的实验表明,文中提出的方法与一些相关方法相比,有效地提高了识别性能。

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点:分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明:该方法在识别性能上优于2DLDA方法。

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。

基于二维Fisher线性判别的掌纹识别方法

在Fisher线性判别(FLD)中,类内离散矩阵总是奇异的。为了解决矩阵的奇异性问题,应用一种新的二维Fisher线性判别(2DFLD)直接进行矩阵投影。对于PolyU掌纹图像库,分别用PCA,PCA+FLD和2DFLD提取特征掌纹子空间,将待识别图像投影到低维子空间上,用余弦距离进行掌纹匹配。实验结果表明,与PCA相比,PCA+FLD的识别率最多提高1.18%。2DFLD识别率最高达到99.34%,比PCA+FLD提高7.61%,特征提取仅耗时0.047s。

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法。该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量。相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高。

基于二维相关近红外光谱的老陈醋醋龄鉴别

采用二维相关近红外光谱技术与判别分析(DA)方法相结合鉴别不同醋龄的老陈醋样品。选取5个醋龄共100个老陈醋样品,在室温下采集所有样品的一维近红外光谱。以醋龄作为外扰因素,构建各样品在1001~1830 nm波段范围的二维相关同步谱和异步谱,分析其二维相关谱图的光谱特征。基于二维相关同步谱的对角线数据(即自相关谱),建立不同醋龄老陈醋样品的判别分析模型,模型校正集的识别准确率为97.3%,预测集识别准确率为96%。研究结果表明,所提出的方法可提供随醋龄变化的更多光谱特征信息,为老陈醋醋龄快速鉴别提供一种精度高的分类模型。

基于改进的双向二维线性判别分析的人脸识别

针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。