利用局部离散度活动轮廓模型的强度非均匀图像分割

强度非均匀现象在真实图像中普遍存在,采用常规基于强度的分割算法会导致严重的误分割。针对强度非均匀图像分割,提出了基于局部离散度的活动轮廓模型分割算法。首先定义基于类内类间距离的离散度,然后利用核函数提取局部区域信息,同时加入边缘指示函数加权的轮廓线长度项能量,建立基于局部离散度的活动轮廓模型。最后引入水平集函数惩罚项,避免水平集方法在演化求解时需要不断初始化的问题。合成图像和真实图像实验结果证明本文算法性能稳定,适应于强度非均匀图像的分割。

基于小波变换与局部离散度的多聚焦图像融合算法

提出了一种基于小波变换与局部离散度的多聚焦图像融合算法。首先对不同聚焦图像进行小波变换,然后采用局部离散度准则对各个方向上的高频系数进行融合,采用重要度准则对低频系数进行融合,最后对融合后的小波系数进行重构,得到了很好的融合图像。实验结果表明,融合效果优于取绝对值大的小波系数和区域方差准则的融合算法。

融合局部结构和差异信息的监督特征提取算法

针对监督局部保持投影(Supervised locality preserving projection,SLPP)存在过学习和不能较好地保持图像空间的差异信息等问题,造成算法性能不够好,提出了一种新的基于流形学习的监督特征提取方法(Supervised local structureand diversity projection,S-LSDP).S-LSDP从信息统计量角度引入差异信息,并给出度量差异信息大小的准则(差异离散度)及明确的物理含义;然后通过最小化局部离散度和最大化差异离散度准则提取投影方向.投影后的特征既能有效地保持图像之间的局部结构属性,又能较好地保持图像之间的差异信息,而且避免了过学习问题.在UMIST,Yale,PIE和AR数据库上的实验结果表明了该算法的有效性.

局部保留最大信息差v-支持向量机

针对现有模式分类方法不能较好地保持数据空间的局部流形信息或差异信息等问题,提出一种基于流形学习的局部保留最大信息差v-支持向量机(Locality-preserved maximum information variance v-support vector machine,v-LPMIVSVM).对于模式分类问题,v-LPMIVSVM引入局部同类离散度和局部异类离散度概念,分别体现输入空间局部流形结构和局部差异(或判别)信息,通过最小化局部同类离散度和最大化局部异类离散度,优化分类器的投影方向.同时,v-LPMIVSVM采用适于流形数据的测地线距离来度量数据点对间的相似性,以更好地反映流形数据的本质结构.人造和实际数据集实验结果显示所提方法具有良好的泛化性能.