一种结合局部与半全局几何保持的影像匹配算法

遥感影像匹配是众多遥感应用中数据处理的关键前置步骤,但高程差导致的影像局部畸变和影像匹配的复杂性严重限制了高分辨率影像的匹配精度。提出一种适用于局部畸变和高外点比例的鲁棒匹配算法,首先利用Delaunay剖分算法在假定匹配点集上施加几何约束,得到特征点局部邻接关系;然后基于邻接信息进行预过滤;采用多尺度的策略建立局部邻接关系一致约束模型;最后定义三角形相似度函数实现匹配恢复。利用3组高分辨率影像开展对比实验,实验结果表明该算法的平均精度比RANSAC提高7.69%,在外点率高于90%时仍旧稳健。

局部几何保持的Laplacian代价敏感支持向量机

不平衡数据广泛存在于现实生活中,代价敏感学习能有效解决这一问题。然而,当数据的标记信息有限或不足时,代价敏感学习分类器的分类精度大大下降,分类性能得不到保证。针对这一情况,该文提出了一种局部几何保持的Laplacian代价敏感支持向量机(LPCS-LapSVM),该模型基于半监督学习框架,将代价敏感学习和类内局部保持散度的思想引入其中,从考虑内在可分辨信息和样本的局部几何分布两方面来提高代价敏感支持向量机在标记信息有限的场景中的分类性能。UCI数据集上的实验结果表明了该算法的有效性。

基于最大几何保持映射的人脸识别算法

提出了一种新的子空间学习方法，即最大几何保持映射。该算法通过捕捉流形的局部几何特征来实现局部信息的表达和保存，基于对类别信息的利用，除了具备流形学习的特性以外，还具备判别能力。对一些人脸识别数据库的实验结果，验证了算法的有效性。

基于动态轮廓模型的微分域网格变形

提出了一种在线性空间中近似保持几何特征、骨架和体积特征的微分域网格变形技术,即基于动态轮廓模型的微分域网格变形.动态轮廓模型概括了网格的能量形式,通过保持它的不变性,从而达到骨架和体积的近似不变.由于动态轮廓模型是通过线性计算获得的,跟网格微分域方法融合后是一个线性的能量最小问题,从而达到用户操作的实时性.通过例子证明,基于动态轮廓模型的微分域网格变形技术能够很好地保持网格的几何特征、骨架和体积特征,且能做到实时交互.

基于切平面中值坐标的Laplacian网格变形算法

网格模型变形往往需要保持局部几何细节,Laplacian网格变形算法能够较好地保持局部几何细节特征,但细节特征描述子-Laplacian坐标的计算欠缺精确性。从平面多边形中值坐标的角度出发,对Laplacian坐标进行重新定义,将顶点的一阶邻域投影到顶点处切平面上,根据顶点相对投影点的中值坐标构建的Laplacian坐标能够精确地描述模型的局部几何细节特征,实验验证能够获得较好的编辑效果。

保持几何特征的自适应弹性二次曲线模型

物体形状特征的准确提取往往受到图像获取、目标分割等过程中各种因素的影响,因而需要构造一种鲁棒的形状表现来保有其本质特征。揭示弹性二次曲线(EQW)模型中能量权重因子和样条重叠度因子与形状几何特性间的关系,提出一种自适应保持几何特征的EQW形状表现模型,并将该模型与交互式Live Wire算法相结合,应用至图像分割中,对于各种模态图像中的目标进行分割实验。直观上,本文方法能够在去除噪声同时较好地保持目标形状的显著特征;量化结果方面,交互式分割误差保持在较小稳定范围内,引入EQW模型带来的时间开销亦在可接受范围内。