基于多核协同表示分类的脑肿瘤分割算法

为了从脑核磁共振(MR)图像中分割出脑肿瘤区域,为疾病诊断和手术导航提供参考,该文在核方法框架下提出一种基于多核协同表示分类的脑肿瘤分割算法。首先对脑肿瘤图像进行多尺度超像素分割,并构造基于超像素区域的空间特征,在多核框架中利用多核协同表示分类方法,将原始光谱信息与所提取的多尺度空间特征融合并应用于脑肿瘤图像的分类,最后结合临床特征实现了脑肿瘤区域的分割。在MICCAI BraTS 2012和2013数据集上的测试结果表明,与现有脑肿瘤分割算法相比,该文方法能够更好地提取脑肿瘤区域,并具有较好的分割精度。

一种用于农作物叶部病害图像识别的双权重协同表示分类方法

农作物病害是我国主要的农业灾害之一,准确识别病害类型是防治农作物病害的关键。因此,首先采集了小麦、玉米、花生、棉花4种农作物的22种常见叶部病害的441张图像;然后,在对每张病害图像中的叶片和病斑进行分割的基础上,分别提取了描述农作物种类的叶片特征参数和描述病害类型的病斑特征参数;其次,将这两类特征参数组合并作归一化处理,得到病害图像的数据特征向量;再次,采用所有病害图像的数据特征向量,构建了一个农作物叶部病害数据集;最后,在同时考虑数据特征重要性和数据空间局部性的基础上,提出了一种双权重协同表示分类(DWCRC)方法并将其用于农作物叶部病害识别。在农作物叶部病害数据集上的实验结果表明,提出的双权重协同表示分类方法在用于农作物叶部病害识别时具有较高的识别率。

基于PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。

基于人脸特征点对齐的协同表示分类算法

本文提出一种基于人脸特征点检测和人脸对齐的协同表示分类算法。该算法首先使用基于级联回归模型的人脸特征点检测器对一系列预先定义好的人脸关键点进行精确估计。然后在人脸特征点的基础上,使用基于Piece-wise Affine Warp的人脸对齐算法对人脸图像进行几何校准,以消除人脸几何形变和成像参数变化对人脸表观带来的影响。最后使用校准好的人脸图像构建字典,并使用协同表示分类算法确定测试样本的类别。通过在ORL,AR和GT人脸数据库上进行人脸识别实验,验证了本文算法的有效性。

融合梯度的协同表示分类改进算法

协同表示算法是人脸识别中非常典型的基于线性表示的算法,该算法因其操作简单,计算复杂度低等优点已经引起了广泛关注。但是由于协同表示算法直接利用已有的图像二维矩阵进行算法操作,没有考虑图像中像素之间的差异,浪费了一部分图像中的有用特征。在协同表示的基础上,提出了加入融合梯度信息的思想,同时利用水平方向上和垂直方向上的轮廓特征,达到提高算法识别率的结果。实验表明,提出的融合梯度的协同表示算法有效优化了原始的协同表示算法的结果。

基于改进协同表示的二级分类人脸识别方法

基于协同表示分类(CRC)算法在实际应用中的效果,考虑到样本局部相似性先验信息对分类识别的不同贡献,构建加权矩阵,并嵌入到CRC中,称为加权CRC.为进一步改善人脸识别的性能,设计了如下算法:一种将加权CRC重复两次;另一种则将其与线性表示分类(LRC)结合.两种方法的共同特点为:首先基于主成分分析(PCA)对所有图像样本进行降维,以降低计算的复杂度;其次都是在第一阶段的加权CRC中根据重构残差排序保留相关性较大的训练样本用于下一阶段的分类识别.这种缩小分类目标的做法,使识别更精确.在ORL,FERET及AR人脸数据库上通过仿真验证了本文所提方法的有效性.

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程。针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法。提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数。设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别。实验结果证明,该算法获得了很好的识别效果,效率也得到了提高。

判别性双向协同表示的图像识别算法

基于协同表示的分类(CRC)以其卓越的协同能力成为人脸分类领域的一个突破。然而在实际应用中,通常只提供很少甚至是单个人脸图像来进行人脸识别,这导致了CRC无法很好地处理光照、表情、姿态和遮挡等问题。针对该问题,提出一种判别性双向协同表示的图像识别算法(DB-CRC)。首先通过引入判别式字典学习(FDDL)模型学习得到一个结构化字典,使得每个特定类的子字典对相关类的样本具有良好的表示能力,由此,较大的类间离散度和较小的类内离散度使得重构误差和编码系数都具有判别性;然后将学习得到的稀疏编码系数作为测试样本数据进行双向表达,建立快速逆向表示模型,利用双向表示策略估计每个测试样本与结构化字典之间的双向重构残差信息;最后利用竞争融合方法对来自双向表示模型的重构残差进行加权排名,实现最终的人脸分类。在AR、PIE、LFW等通用人脸数据库上的实验结果验证了该算法的有效性,特别是对小样本问题的鲁棒性。

基于磁通门磁力计的油气管道多缺陷智能识别分类方法研究

为保障管道的正常运行并及时对管道缺陷进行防治,本文基于金属磁记忆检测技术的原理,利用磁通门磁力计采集了管道漏磁信号,计算并选取多种特征量,包括磁感应强度峰峰值、最大值、最小值、平均值、能量、面积、梯度最大值、梯度平均值、小波包能量。使用协同表示分类方法、传统支持向量机方法和改进支持向量机方法建立了多种管道缺陷分类模型,其中最优模型缺陷的识别率达到了99.5130%,模型训练加识别时间仅3.55 s。结果表明:模型对管道腐蚀缺陷、弯管应力集中缺陷以及焊缝应力集中缺陷的识别是有效的。本研究可应用于实际油田管道分类,并为缺陷分类领域的研究提供一定的参考。

深度卷积神经网络对人脸年龄的分类

为了更好地进行人脸年龄分类,文章提出了一种基于深度卷积神经网络的年龄分类方法。该方法从VGG-Face倒数第二激活层输出年龄特征,然后采用概率协同表示分类器(ProCRC)进行年龄分类。通过在两个数据集上的验证和比较可知由深度卷积神经网络和ProCRC组成的混合深度卷积神经网络能提高年龄分类的性能;通过将倒数第二激活层和倒数第一激活层所输出的特征在同一分类器上进行分类的结果进行比较得出对倒数第二激活层输出特征进行分类可提高人脸年龄分类的精度。

多层AR-LBP与WLD特征融合的SA-CRC人脸识别

针对非对称局部二值模式(AR-LBP)提取的人脸特征有限,以及协同表示分类(CRC)人脸存在的类间干扰,提出以多层AR-LBP特征及联合韦伯局部描述子(WLD)特征进行补充,并以增加CRC中稀疏性来降低类间干扰。提取人脸图像的多层AR-LBP特征并级联,与从原图像提取的WLD特征级联得到多层AR-LBP与WLD融合特征,采用稀疏增强的协同表示分类(SA-CRC)完成人脸分类。在ORL、Yale和GT公开人脸库上,提出的多层AR-LBP与WLD特征融合算法与AR-LBP特征提取算法、WLD特征提取算法以及多层LBP与HOG特征融合算法相比,识别正确率提高了0.7%~42.6%;当利用SA-CRC取代CRC后,识别正确率进一步得到提高。

基于分块二维局部保持鉴别分析的二级人脸识别方法

在对二维局部保持鉴别分析(2DLPDA)研究的过程中,发现在将样本分块后,对相同位置的块组成的新的样本集独自使用2DLPDA方法,可以有效地将测试样本的类别锁定在一个很小的范围内。由此提出一种基于分块二维局部保持鉴别分析的二级人脸识别方法。在第一阶段首先对样本进行分块,然后独立对相同位置块所组成的新样本集进行2DLPDA,并以此提取出测试样本被锁定的类别范围;之后在该缩小的类别范围内,进行二级人脸识别过程。提出两种方案,一种是二级采用协同表示分类(CRC)算法,另一种是二级采用最近邻分类(NNC)算法来对测试样本的类别进行进一步的识别。在ORL人脸库上的实验结果表明,所提出的方法对于提高识别率有效。