基于概率PCA模型的三维人体运动分类

提出基于概率主成分分析的三维人体运动自动识别与分类算法.它根据不同类别的人体运动应各有自己代表性的特征集,采用概率PCA方法建立各类动作的高斯分布模型;然后构建基于最小错误率贝叶斯决策理论的多分类器,实现对未知的动作序列(或具有代表性的帧)进行多分类决策.该方法具有概率模型的优点,适合高维数据处理;同时,这种方法能够提取运动数据的内在特征,较好地消除了运动数据在时间轴上的差异带来的问题,从而准确地对运动数据进行分类,实验结果证明了本文方法的有效性.

基于自适应概率PCA的植物叶片彩色图像修复

植物叶片图像的采集过程中,由于自然环境或成像条件的影响,特别是夜间,采集到的图像大多带有椒盐噪声,造成图像质量下降。很多植物叶片含有丰富的叶脉,被噪声污染不利于后续的表型分析、图像分割等。椒盐噪声密度较小时,中值滤波降噪效果较好,但在噪声污染严重时滤波方法也无法有效去噪。针对这一问题,提出了基于概率PCA的图像修复模型。一幅光滑的不含噪图像通常可认为服从高斯分布,概率PCA能有效地提取描述这幅图像中的主要信息,通过估计模型参数重构因噪声引起的数据缺失,从而达到图像修复的目的。但是当噪声的缺失像素点聚集在叶脉上时,直接用概率PCA修复会出现明显的边界效应,因此本文先基于树的叶脉进行追踪,再对叶脉进行概率PCA修复,然后再基于整幅图像利用概率PCA模型修复,迭代次数根据修复后图像的PSNR值自适应地选择。为了验证所提出的模型的修复性能,进行了与常用滤波方法的对比试验。试验结果表明:去噪后的图像PSNR值比使用均值滤波高出6 d B左右,比使用维纳滤波高出9 d B左右,比使用高斯滤波高出7 d B左右,比使用中值滤波高出1 d B左右,并且在结构相似性上采用本文算法去噪后的图像与原始图像的相似度最高。因此,将概率PCA模型应用于植物叶片彩色图像修复是可行的、有效的,为其后续的图像处理提供了技术支持。