二维主成分分析在乳腺钼靶X线片钙化点感兴趣区域提取中的应用

目的针对乳腺钼靶X线影像,将基于二维主成分分析(Two-Dimensional Principal ComponentAnalysis,2DPCA)的方法提取的图像特征用于乳腺感兴趣区域的自动提取,实现计算机辅助检测乳腺X线影像中微钙化点的前期预处理阶段。方法对乳腺图像进行预处理,通过改进的2DPCA方法提取乳腺图像特征,利用边缘检测算法对乳腺图像进行边缘特征提取,最后利用神经网络分类器提取乳腺感兴趣区域。结果实验结果表明该方法可以得到95%的阳性检出率。结论综合运用二维主成分分析方法、边缘特征提取方法和神经网络进行乳腺感兴趣区域提取,准确率更高。

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.

基于二维主成分分析的掌纹识别研究

掌纹作为一种新的生物特征可用来进行人的身份识别。论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99.4%的正确识别率。二维主成分分析方法相比主成分分析方法(PCA)方法具有更高的识别率和更快的计算速度,尤其是在小样本训练数据的情况下优势更明显。同时论文也研究了不同应用系统下阈值的选取方法。

基于稀疏化双向二维主成分分析的人脸识别

双向二维主成分分析((2D)2PCA)易受异常值影响,鲁棒性差,且所提取的特征向量是非稀疏的。针对上述不足,提出基于L1范数的稀疏双向二维主成分分析方法(2D)2PCA-L1S。在(2D)2PCA目标函数中加入L1范数约束,以提高算法的抗干扰能力,同时引入弹性网约束,通过Lasso与Ridge惩罚函数实现稀疏性。在Feret和Yale数据库中进行基于最近邻的人脸分类、人脸重构和基于粒子群优化SVM参数的人脸识别实验,结果表明,相较于2DPCA、(2D)2PCA、(2D)2PCA-L1等主成分分析方法,该方法能准确提取人脸主要信息,人脸识别和人脸重构效果较好。

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。

用二维相关近红外谱和多维主成分分析判别掺杂牛奶

为了有效地提取牛奶中微量的掺杂物特征信息,提出了基于二维相关近红外光谱多维主成分分析(MPCA)和最小二乘支持向量机(LS-SVM)判别牛奶掺杂物的方法。首先,采集纯牛奶、掺杂尿素牛奶和掺杂三聚氰胺牛奶的一维近红外谱,并对其进行相关计算,构建各样品的二维相关近红外谱。然后,采用多维主成分分析法分析二维相关谱矩阵,压缩数据,提取相关谱的得分矩阵。最后,将提取的得分矩阵输入最小二乘支持向量机,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶及两种掺杂牛奶与纯牛奶的LS-SVM判别模型。用所建模型对测试集未知样品进行了判别,结果显示其判别正确率分别为92.3%,96.2%,92.3%。研究结果表明:所提出的方法不仅有效提取了牛奶中掺杂物的特征信息,而且缩短了建模所需时间,取得了较好的判别效果。

基于二维对称主成分分析的人脸识别

由于人脸姿态、光照和表情等各方面的显著差别,使人脸识别成为非常具有挑战性的模式识别问题。主成分分析是模式识别技术中经典的特征抽取和降维技术之一。本文把其改进算法二维对称主成分分析应用到人脸识别中。二维对称主成分分析与传统主成分分析和对称主成分分析相比,可以得到更好的适合分类的特征。实验结果表明,二维对称主成分分析不仅实现了降维,而且能取得比传统主成分分析和对称主成分分析更好的识别性能,对ORL标准人脸数据库的正确识别率达到94%以上。

改进的完全二维主成分分析及其在步态识别中的应用研究

对完全二维主成分分析算法进行改进,提出三种不同的加权策略,详细地分析它们的本质,并将其应用到步态识别中。在中国科学院自动化所提供的CASIA(B)步态数据库下验证加权方案的有效性,实验结果表明加权幂指数的选取对识别结果的影响比较大,通过实验可以选取最佳的权值,能够做到提高识别性能。最后针对各个行走状态下的步态,分析了背包步态识别率低的原因。

基于二维主成分分析的交通标志牌识别

提出了将二维主成分分析方法应用于交通标志牌识别的特征提取,并在已建立的两个标志牌的数据库上利用最近邻分类器与欧氏距离度量进行了相应的实验。一个数据库是将标志牌图像二值化后经过一系列的仿真变换得到的,另外一个数据库是选取不同位置场景经过实地拍摄得到的标志牌图像。本方法对两个图像库的识别都得到了良好的效果。

采用Radon变换和二维主成分分析的步态识别算法

针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题,综合步态的静态和动态信息,对一个步态周期中的图像进行Radon变换,再通过模板构造,仅用一幅图像来刻画步态特征,接着用二维主成分分析(2DPCA)进行降维.为了验证所提出的算法的有效性,在CASIA步态数据库上进行实验,采用最近邻分类器来测试识别.实验结果表明在特征模板构造时选择合适的频率,采用Radon变换结合列2DPCA进行步态特征提取是有效的.

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题,提出了一种基于二维广义主成分分析(2DIMPCA)的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量,该方法直接采用二维图像矩阵来构建方差矩阵,通过在水平和垂直2个方向上顺序执行2次广义主成分分析(IMPCA)运算,消除了人脸图像行和列的相关性,大大压缩了特征的维数.选用二维最小近邻分类法进行分类,计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明,与主成分分析(PCA)和IMPCA相比,该方法具有更高的识别率和更快的识别速度.

基于改进二维主成分分析及神经网络的人耳识别方法

针对人耳识别特征提取阶段二维主成分分析算法(2DPCA)所提取的人耳特征维数较大,从而造成实时性差、数据存储空间不足等问题提出了一种改进方法。该方法首先对人耳图片进行预处理,然后采用改进的两级2DPCA算法,进一步压缩提取的人耳特征维数,最后采用BP神经网络进行分类识别。实验表明,将改进的两级2DPCA算法同BP神经网络相结合,具有较好的实时性,同时节约了特征数据的存储空间,并保持了较好的识别率。

基于二维主成分分析的运动目标检测

运动目标检测是计算机视觉研究的重要领域,在视频监控和智能交通等领域应用广泛。本文提出了一种自适应的运动目标检测方法。该方法采用二维主成分分析建立背景模型,通过比较重建图像和原图像的差异来检测运动目标。为了自适应动态变化的复杂背景,该模型由增量算法在线更新。实验结果表明,提出的方法可以在复杂变化的动态背景环境下进行有效的运动目标检测。

广义余弦二维主成分分析

主成分分析(Principal component analysis,PCA)是一种广泛应用的特征提取与数据降维方法,其目标函数采用L2范数距离度量方式,对离群数据及噪声敏感.而L1范数虽然能抑制离群数据的影响,但其重构误差并不能得到有效控制.针对上述问题,综合考虑投影距离最大及重构误差较小的目标优化问题,提出一种广义余弦模型的目标函数.通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值,使得其在数据降维的同时提高了鲁棒性.在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA,GC2DPCA),给出了其迭代贪婪的求解算法,并对其收敛性及正交性进行理论证明.通过选择不同的可调幂参数,GC2DPCA可应用于广泛的含离群数据的鲁棒降维.人工数据集及多个人脸数据集的实验结果表明,本文算法在重构误差、相关性及分类率等性能方面均得到了提升,具有较强的抗噪能力.

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。

基于主成分和二维差示扫描量热法分析掺假油菜蜜

结合主成分分析和二维相关分析方法深入挖掘掺假油菜蜜在30~100℃温度范围的差示扫描量热(differential scanning calorimetry,DSC)曲线,揭示该温度范围掺假对油菜蜜的影响。结果表明,温度微扰下的二维DSC相关谱图和主成分分析结果能相互印证,都能深入揭示原始曲线内含的细节信息。掺假对DSC分析中热流率的影响总体是不规则表现。前者在呈现不规则表现的特点上更为直观,后者则能呈现隐藏着的微弱规律。两者结合可用来深入分析掺假油菜蜜样本的DSC特性。

基于条纹投影和二维主成分分析的边坡监测方法

针对现有边坡监测方法存在监测点少、分辨率低、测量周期长等问题,为了实时监测煤矿边坡的沉降并有效抑制虚警,提出了一种基于条纹投影和二维主成分分析的边坡监测方法。该方法首先使用三频彩色条纹投影轮廓术快速精确地获取被测边坡的高程信息,然后对其进行二维主成分分析,简化计算量,最后根据被测边坡对应位置不同时刻的欧氏距离来判断边坡是否发生虚警。实验结果表明,该监测方法能有效地监测到边坡的虚警,具有良好的实时性和鲁棒性。

硒处理下紫云英二维红外相关光谱与主成分分析

利用傅里叶变换红外光谱、二维红外相关光谱法和主成分分析方法研究不同硒处理（0、0.2、0.5、1.0、1.5、2.0、2.5、5.0 mg·L-1）对紫云英地上和地下部物质成分变化的影响,探讨不同浓度硒处理下紫云英化学成分的光谱学差异及微观动力学变化。结果表明：紫云英地上和地下部吸收峰峰形基本没有变化,但吸光度变化较大,说明不同浓度硒对紫云英化学成分改变较小,但对其含量改变较大;紫云英地下部─OH、C─OH和CO基团和地上部CO、─OH和─COO基团吸收峰位移变化明显,说明不同浓度硒处理对这些基团有明显影响,它们可与硒的吸收、络合和运输密切相关;紫云英在890~1 750 cm-1区域内基团之间有很强的协同作用或强烈的相互作用,其二维红外相关光谱图差异明显,这表明二维红外相关分析能提供更丰富的结构信息,提高图谱的分辨率,并能捕捉到浓度变化过程中物质体系和分子结构的动态变化,为重金属胁迫下植物耐性机制研究提供有效方法。

基于二维主成分分析与卷积神经网络的手写体汉字识别

随着计算能力的飞速增长、训练数据的不断积累以及非线性激活函数的不断完善,卷积神经网络(CNN)在手写体汉字识别中表现出较好的识别性能。针对CNN识别手写体汉字识别速度慢的问题,将二维主成分分析(2DPCA)与CNN相结合识别手写体汉字。首先,利用2DPCA提取手写体汉字的投影特征向量;然后,将得到的投影特征向量组成特征矩阵;其次,用组成的特征矩阵作为CNN的输入;最后,用Softmax函数进行分类。与基于AlexNet的CNN模型相比,所提方法的运行时间降低了78%,与基于ACNN与DCNN的模型相比,所提方法的运行时间分别降低了80%与73%。实验结果表明,该方法在不降低识别精度的同时,可以减少识别手写体汉字的运行时间。

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法.引入了二维局部加权特征子空间的概念,将各类样本映射到这个局部加权特征子空间,再通过计算测试样本到加权子空间的距离进行样本的分类.使用这种方法在ORL人脸库上进行测试,结果表明,经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能,并且在提高识别率的同时算法的复杂程度并没有明显增加.