基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。

基于加权局部判别CCA的多视角步态识别方法

为了解决步态特征提取难题和克服单一视觉的步态进行身份识别方法的局限性,提出一种加权局部判别典型相关分析(WLDCCA)算法。在此基础上,提出一种基于WLDCCA的多视角步态识别方法。该方法通过在WLDCCA中引入样本的类信息和局部信息,将不同视觉的步态特征有机地融合起来,提取的融合特征能够最小化同类样本之间的距离,同时最大化异类样本之间的距离,提高了步态识别的识别率和鲁棒性。在CASIA步态数据库上的实验结果验证了该算法的有效性和可行性。

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。

正交全局-局部判别映射应用于植物叶片分类

提出了一种正交全局-局部判别映射的维数约简方法,并应用于植物叶片分类中。对于给定点的邻域点集,首先建立能够描述数据点之间关系的权重矩阵;然后,充分利用数据的类别信息和局部信息来构建类间散度矩阵和局部结构矩阵,使得映射后类内数据点之间的距离减小,而类间数据点之间的距离增大,这一性质有利于数据分类;最后,构造正交优化目标函数,通过Lagrange数乘法求解该目标函数。植物叶片图像分类的试验结果表明,该方法是有效、可行的。

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。

张量局部判别投影的人脸识别

经典的向量子空间学习算法是以数据流形的向量表示进行计算的,但是在现实世界中数据流形从本质上而言是以张量的形式存在,因此基于张量子空间的学习算法能够更好地揭示流形内在的几何结构.本文提出了一种新的张量子空间的学习算法:张量局部判别投影.首先构建类内和类间图,然后保持流形的局部结构并且利用数据的判别信息,推导出算法的计算公式,最后通过迭代计算广义特征向量,解得最优张量子空间.在标准人脸数据库上的实验表明该算法有效.

基于局部判别约束的半监督特征选择方法

特征选择旨在选择待处理数据中最具代表性的特征,降低特征空间的维度.文中提出基于局部判别约束的半监督特征选择方法,充分利用已标记样本和未标记样本训练特征选择模型,并借助相邻数据间的局部判别信息提高模型的准确度,引入l2,1约束提高特征之间可区分度,避免噪声干扰.最后通过实验验证文中方法的有效性.

一种基于目标空间的局部判别投影方法

现有的局部判别分析方法依据样本在投影前的近邻关系(原空间的近邻关系)设定优化目标中的权值,没有考虑样本的近邻关系在投影前后的变化。为了更准确地描述分类优化目标,该文提出了一种基于目标空间的局部判别投影方法,依据样本投影后的近邻关系(目标空间的近邻关系)设定目标函数中的权值矩阵,并采用迭代过程求解。其基本思想是使目标空间中的同类近邻样本尽量紧凑,目标空间中的异类近邻样本尽量分开。实验结果表明,该方法有效克服了原空间局部判别分析中存在的固有问题,在人工数据集和手写数字标准数据集均取得较好效果。

半监督局部判别分析

针对无监督学习及有监督学习算法的缺点,提出一种半监督局部判别分析的线性降维算法。数据在没有足够的训练样本时,局部结构比全局结构更重要。算法在每一个局部区域利用有标签数据推导出数据的局部判别结构,无标签数据和有标签数据推导出数据的内在几何结构。在ORL和Yale人脸数据库上的实验结果表明该算法是有效的。

基于子块优化及全局整合的局部判别投影法

已有投影算法都直接通过完整的输入训练集求解最佳变换矩阵,难以进行增量式学习扩展。针对此问题,该文通过组合优化策略提出局部判别投影方法应用于分类问题。该算法同时包括类间判别信息和类内局部保持特征,求得的变换矩阵还具有正交性。此外,利用核函数将算法扩展至非线性应用,使之可以适应更多的数据类型。在ORL人脸库和小样本说话人辨认应用中验证了该算法的有效性。

引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明:在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。

基于判别回归与局部判别分析的维数约简算法

线性判别回归分类算法没有考虑到类内距离和类间距离,为此提出一种基于线性判别回归与局部判别分析的维数约简算法(LDRFDR),同时利用类内和类间重构误差、以及类内和局部类间距离获得投影矩阵。其物理含义是为各个类尽量寻找相互之间离得最远的线性子空间,其中类内距离与类间距离还考虑数据的局部性,避免最大化相离太远的类间样本对优化目标造成影响。实验结果表明,LDRFDR算法的维数约简性能优于其它半监督维数约减算法。

一种基于局部判别正切空间排列的高光谱遥感影像降维方法

提出一种基于局部判别正切空间排列(local discriminative tangent space alignment,LDTSA)的高光谱影像降维方法。LDTSA源于局部正切空间排列(LTSA)中的排列机制,在一个局域块内利用线性局部正切平面对类内样本的流形结构建模,同时还考虑到类间判别信息以最大化判别边界。利用多幅高光谱数据进行降维和分类试验。结果表明,LDTSA主要有三个优点:①在小样本问题上性能稳定;②在降维过程中保持类别间的判别信息;③有效挖掘数据集的几何流形结构。

局部判别型典型相关分析算法

在典型相关分析(CCA)的基础上,通过引入样本的类信息,并结合局部化思想,充分考虑了同类样本之间的局部相关与不同类样本之间的局部相关关系及其对分类的影响,提出了一种新的有监督学习方法——局部判别型CCA(Locality Discriminative CCA,简记为LDCCA)。LDCCA提取的特征能够实现同类样本之间相关最大化,同时使得不同类样本之间相关最小化,这将有利于模式的分类。在人工数据集,手写体数字数据集上和ORL,Yale和AR人脸数据集的实验结果表明,LDCCA能有效地利用类信息来提高分类性能。

代价敏感的局部判别嵌入人脸识别算法

局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价.为此,提出一种代价敏感的局部判别嵌入算法.首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构.在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的.

两级2维局部判别嵌入特征提取的SAR图像识别方法

提出一种基于两级2维局部判别嵌入(2DLDE)特征提取方法,并将其应用于SAR图像目标识别.该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征判别性.结合相应的图像预处理过程和分类方法,应用两级2维局部判别嵌入特征提取方法对MSTAR SAR图像数据进行实验,证明了该文方法的有效性和优越性.

全局与局部判别信息融合的转子故障数据集降维方法研究

针对传统的数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种核主元分析(Kernel principal component analysis,KPCA)和正交化局部敏感判别分析(Orthogonal locality sensitive discriminant analysis,OLSDA)相结合的转子故障数据集降维方法.该方法首先利用KPCA算法有效降低数据集的相关性、消除冗余属性,由此实现了最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息,达到了提取出具有高判别力低维本质特征的目的.上述方法的特点是通过同时进行的正交化处理可避免局部子空间结构发生失真,采用三维图直观显示出低维结果,以低维特征子集输入最近邻分类器(K-nearest neighbor,KNN)的识别率和聚类分析之类间距Sb、类内距Sw作为衡量降维效果的指标.实验表明该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰,相应地识别准确率得到了明显提升.该研究可为解决高维和非线性机械故障数据集的可视化与分类问题,提供理论参考依据.

基于局部边缘判别投影的发动机故障诊断方法

在线性判别分析(Linear Discriminant Analysis,LDA)的基础上,局部边缘判别投影(Locality Margin Discriminant Projection,LMDP)重新定义类间散布矩阵和类内散布矩阵,使得数据样本中异类样本在低维空间中的距离更远、同类样本在低维空间中的距离更近,增强数据样本的可区分度。为更好提取发动机的故障特征,实现发动机故障有效诊断,以LMDP为核心,结合特征提取方法和模式识别方法,给出基于LMDP的发动机故障诊断流程。发动机故障诊断结果表明,LMDP可实现发动机不同故障类型的有效区分,显著提升后续的诊断精度,具有一定的优势。

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。

一种基于协作表示的判别局部保持投影方法

判别局部保持投影(DLPP)算法是一种判别特征提取的方法,用于流形学习的典型降维算法,它能够利用判别信息,提取出最佳的判别特征,但是DLPP算法往往会忽略样本间的协作重构关系,从而导致算法识别率较低的问题。本文提出一种基于协作表示的判别局部保持投影(CRDLPP)方法。该方法首先利用协作表示方法对所有训练样本的协作重构误差进行计算,然后将该重构误差值作为正则项引入DLPP的目标函数中,最后通过求解新的目标优化问题得到最优投影矩阵。为了验证CRDLPP算法在图像识别方面的有效性,选取Yale人脸库和COIL20图像库进行算法仿真实验,结果表明,本文的CRDLPP算法在图像识别方面相比其他经典降维算法有着较高的识别率。