基于奇异值加权的图像复制粘贴伪造盲检测

提出了一种基于小波变换和奇异值分解的盲检测算法来识别图像的复制粘贴伪造。该算法用小波变换降低计算量,用奇异值表示图像特征。图像经过小波变换,提取出低频分量和高频分量。因低频部分保留图像的纹理信息,高频部分保留图像的轮廓信息,该算法分别从低频部分和高频部分提取图像奇异值,并把提取出的奇异值进行加权处理,以加权值作为图像块的特征。图像块之间做两两比较,根据图像块的特征相似度,判断是否存在图像复制粘贴伪造区域。在丰富层次和清晰细节轮廓的图像中,该算法能达到比较理想的检测效果,准确率较高。

融合再加权奇异值分解与周期重叠簇稀疏的机械故障特征抽取算法

机械故障特征具有周期性、稀疏性以及被噪声污染严重特点,而大部分特征抽取方法(如局部线性嵌入(locally linear embedding,LLE)、局部切空间排列(local tangent space alignment,LTSA))性能往往受到噪声影响.因此,抑制振动信号噪声、抽取有效故障特征成为机械故障检测的关键.本文提出融合奇异值分解与周期重叠簇稀疏(reweighted singular value decomposition integrating with periodic overlapping group sparsity,RSVD-POGS)的机械故障稀疏特征抽取方法.该方法首先利用RSVD把多成分振动信号分解为奇异成分集合,并使用周期调制强度(periodic modulation intensity,PMI)准则选择有效奇异成分,然后使用POGS从奇异成分提取稀疏周期冲击特征,并由选择的奇异成分重构原始信号,增强周期稀疏故障信号特征.最后,使用低SNR仿真周期冲击信号对RSVD-POGS算法与POGS方法进行对比,并将RSVD-POGS方法应用于实验台轴承正常和故障信号的特征提取中.实验结果表明,该算法可以有效地提取稀疏微弱故障特征,具有较大的优越性.

加权奇异值结合极值点包络的变转速轴承微弱故障诊断

针对强背景噪声干扰且转速时变下滚动轴承微弱故障难以有效诊断的问题,提出加权奇异值分解(WSVD)重构结合极值点包络阶次跟踪的变转速滚动轴承微弱故障诊断方法。对于奇异值分解(SVD)后对故障特征子分量有效重构的问题,利用周期调制强度(PMI)表征各子分量故障特征信息,并对含有较多故障特征的子分量加权重构,实现微弱故障信号的信噪分离与特征增强;引入极值点包络阶次跟踪方法,通过求取重构信号的极值点包络,对其进行阶次跟踪,根据包络阶次谱图中的阶次信息对故障信息进行分析,达到微弱故障有效诊断的目的。变转速滚动轴承微弱故障的仿真和实例分析结果表明,与传统方法和其他方法相比,所提方法能有效增强微弱故障特征,去除噪声,准确诊断变转速下滚动轴承微弱故障。该方法为变转速下滚动轴承微弱故障诊断提供了新思路。

利用梯度奇异值分解的图像结构相似度评价

针对传统的图像质量评价方法中对图像结构信息的表征能力不足的问题,在研究了基于结构相似度和奇异值分解的两种图像评价方法的基础上,结合其不同特点提出了基于奇异值分解的结构相似度质量评价方法。该算法分别将参考图像和失真图像的梯度图像分成8×8大小的图像块,并对每一个图像块进行奇异值分解后计算对应图像块的奇异值相似性和各图像块局部方差分布的相似性,最后结合各图像块的奇异值相似性和图像的局部方差分布的相似来表征图像的畸变程度。对LIVE库中包括5种失真类型的982幅图像进行验证,其结果表明该评价方法能很好地对各种失真类型的图像进行评价,比峰值信噪比(PSNR)、结构相似度(SSIM)等算法的主客观一致性更好,更加符合人眼的视觉特性。

关于矩阵加权广义逆的反序律

在文献 [1 ]的基础上 ,给出了矩阵加权广义逆的反序律成立的一些充要条件 。

加权Moore-Penrose逆的秩方程特征

本文给出了矩阵A的加权Moore-Penrose逆X=AM■,N作为秩方程rank(A B C X)=rank(A)解时的充要条件,并推广了文献[1]中的结论。

关于加权广义逆A_(MN)^+在F范数下的最优扰动界

利用加权奇异值分解技术和加权广义逆AMN+的性质,推广了有关文献关于广义逆A+在F范数下的最优扰动界的相关结论,分两种情况,给出了加权广义逆AMN+在F范数下的最优扰动界.

基于奇异阈值加速算法的时间低秩子空间聚类

为提升算法的应用范围与聚类性能,提出一种基于奇异阈值加速算法的时间低秩子空间聚类。为了解决基于核范数的约束通常导致次优解的缺点,对代价函数提出一种强凸优化方法,从理论上保证了后续更新子问题的唯一解。然后引入外推技术和秩级递进运算,提出一种迭代加权奇异值极小化算法以及奇异值阈值加速算法,从而减小计算复杂度,确保快速收敛。在几个公开的数据集上的实验结果表明,该模型能够揭示数据空间聚集性的内在结构,推广应用范围,提升聚类性能。

多特征提取与匹配矩阵驱动的点云配准

针对三维点云配准时容易受到噪声、奇异值等不利因素影响的问题,提出一种多特征提取与匹配矩阵驱动的点云配准方法。利用多特征提取模块提取稳健的关键点和关键点的局部几何特征;分别计算出关键点的特征匹配矩阵和空间匹配矩阵,并对二者进行融合,提高正确匹配点对的概率;在前两方法的驱动下,利用加权奇异值分解计算点云间的刚体变换矩阵,降低噪声和奇异值等因素对配准的影响。实验结果表明,所提方法与现有的点云配准方法相比,具有更高的配准精度和较强的鲁棒性。

矩阵之积的加权Moore－Penrose逆

本文给出了矩阵之积的加权Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ逆的表示及逆序性质，同时指出了１９９２年某文中的一个错误．

Simultaneous (M,N) Singular Value Decomposition of Matrices

A necessary and sufficient condition for the existence of simultaneous (M,N)singular value decomposition of matrices is given.Some properties about the weighted partial ordering are discussed with the help of the decomposition.

基于PSO与WSVD的飞机部件位姿拟合方法

位姿拟合是飞机大部件调姿对合的核心环节之一,所采用的算法直接影响调姿对合的精度和效率。由于飞机部件不可避免地存在装配误差,并且不同区域调姿基准点的精度要求通常也存在差异,传统的奇异值分解法不能保证全部基准点都满足精度要求。加权奇异值分解法能够通过提高公差要求低的基准点的转换残差,来保证公差要求严格的基准点的转换精度,但权重如何准确分配仍缺乏有效的手段。针对以上问题,提出一种基于粒子群优化结合加权奇异值分解的位姿计算方法,利用粒子群优化算法搜索调姿基准点的权重值,保证每个基准点的转换残差均满足精度要求。通过在飞机数字化装配中的应用分析,验证了算法的有效性。