高斯混合模型在水系沉积物地球化学异常圈定中的应用:以湖南省溆浦地区为例

化探数据的正确处理和解译对于区域矿产勘查工作具有重要意义。然而,由于不同类型的岩石具有不同的元素丰度,在处理复杂岩性区化探数据时如果采用统一的异常下限,会导致高背景区被误判为异常区,而部分低弱地球化学异常被忽略。所以复杂岩性区的化探数据需按岩性分类后再划分地球化学背景与异常,从而更准确地圈定化探异常。提出了基于因子得分高斯混合模型的化探异常圈定方法,首先将化探数据做对数比转换后进行因子分析,然后利用因子得分完成高斯混合模型岩性分类,再进行分类标准化处理以消除岩性背景的影响,最后使用处理后的数据圈定化探异常。利用该方法对湖南溆浦地区1∶20万水系沉积物化探数据进行研究,结果表明,成矿元素在研究区不同岩性中的含量存在一定差异,若采用统一的异常下限是不合理的;而本研究提出的方法能准确地进行岩性分类、消除不同岩性的背景和强化低弱异常,且异常位置与已知矿点相吻合。因此,高斯混合模型方法可以准确地圈定复杂岩性区的化探异常,并为研究区下一步的矿产勘查工作提供一些参考依据。

基于高斯混合模型扣除毛发SERS信号中增强基底的背景峰

在利用表面增强拉曼光谱(SERS)对毛发中痕量物质进行分析时,该SERS信号中毛发特征峰与增强基底背景峰会相互耦合。在耦合情况下,背景峰会被误识别为毛发特征峰,导致待测物的识别错误,此外具有高峰强特性的背景峰对毛发中微弱特征峰产生掩盖干扰。因此,背景峰的扣除是解决上述问题的重要途径,但常规的扣峰方法会导致周围邻峰的严重失真。针对上述问题提出了高斯混合模型,该模型在表征SERS信号的同时又使得各特征峰相互独立,在扣峰过程中对周围邻峰不产生干扰,既实现干扰峰的扣除又保证了邻峰的微失真。高斯混合模型的核心问题在于模型参数的求解,文中提出了小波变换与共轭梯度法,分别解决模型的初始参数问题及最优解问题。小波变换通过映射放大SERS信号的细节信息,充分提取该信号的细微特征信息,将该特征信息作为模型的初始参数。其中共轭梯度法是迭代优化方法,将模型参数进行循环迭代优化,最终收敛结果即为模型参数的最优解。综上两种方法可准确建立高斯混合模型,模型中单高斯函数为SERS信号的特征峰,且两者的峰形保持一致。在扣除SERS信号的背景峰时应遵循以下过程,包括有效数据的提取、模型建立和峰的扣除。其中有效数据的提取是对空白与滴样的增强基底进行同位置检测,由此得到一组SERS信号。模型建立是通过高斯混合模型对滴样SERS信号进行表征,该信号可由多个高斯函数表现。最后利用空白增强基底的特征峰对滴样的SERS信号进行指认,其中峰形相似且峰位相同的特征峰可扣除。实验结果表明,方差值比最小时,高斯混合模型的峰位、峰宽、峰强等特征与毛发SERS信号基本相同,此时高斯混合模型可准确表征毛发SERS信号的特征信息。在对7组毛发进行扣峰实验时,毛发SERS信号中背景峰扣除率达到50%~100%,同时毛发的特征峰也得到有效提取。在对真实毛发样本进行快速分析时,该模型识别出了毒品曲马多。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

基于自适应混合高斯模型的时空背景建模

提出了一种基于自适应混合高斯模型的时空背景建模方法,有效地融合了像素在时空域上的分布信息,改善了传统的混合高斯背景建模方法对非平稳场景较为敏感的缺点.首先利用混合高斯模型学习每个像素在时间域上的分布,构造了基于像素的时间域背景模型,在在此基础上,通过非参数密度估计方法统计每个像素邻域内表示背景的高斯成分在空间上的分布,构造了基于像素的空间域背景模型;在决策层融合了基于时空背景模型的背景减除结果.为了提高本文时空背景建模的效率,提出一种新的混合高斯模型高斯成分个数的自适应选择策略,并利用积分图实现了空间域背景模型的快速计算.通过在不同的场景下与多个背景建模方法比较,实验结果验证了本文算法的有效性.

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。

基于改进的混合高斯背景模型的运动目标检测

混合高斯模型在应对背景中存在扰动的情况具有优势,而其不足之处主要表现在对光线变化比较敏感和当场景中前景与背景之间发生转换时容易产生较长时间的虚影。针对上述问题,提出一种融合相邻帧差法和背景减法的算法。采用了循环周期和动态更新相结合的背景重建机制,通过运用Matlab对视频图像某个像素点的S值和V值的变化情况分析来体现背景更新和重建的过程,并对背景变化前后分别采用传统算法和改进算法进行对比分析。该改进算法解决了背景模型对光线变化敏感以及容易产生虚影等问题,实验结果表明了算法的有效性和鲁棒性。

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.

改进的混合高斯自适应背景模型

混合高斯背景模型是背景建模领域最常用的构建算法,针对该方法在实际应用中的缺陷,提出了2点改进措施:像素过滤方法和按背景演变过程进行划分的自适应学习率方法.像素过滤方法记录某点像素值在一个短时间段内的变化情况,对其进行统计分析,根据均值和方差过滤掉快速运动目标的动态干扰像素,增强算法的鲁棒性;新的自适应学习率方法将背景的形成过程划分为4个阶段,对不同的阶段使用不同的学习率,加速背景的形成和消退.应用改进后的算法在两段街道监控视频中同原算法进行了对比实验.实验结果表明,改进方法在视觉效果上有着显著提高,背景形成迅速、清晰.改进方法增强了算法的抗干扰能力,提高了背景的形成和切换速度,可以作为基础算法应用于相关视觉处理之中.

复杂条件下高斯混合模型的自适应背景更新

针对高斯混合模型背景更新中面临的光照突变和目标与背景相互转化的问题,提出一种分情况分区域的背景自适应更新算法。首先根据当前检测目标的面积大小判别是否发生光照突变情况,采取针对性更新策略,对于未发生光照突变情况再分背景区域和目标区域分别进行背景自适应更新。其中,重点讨论了目标区域的背景更新问题,提出根据目标尺寸、运动速度和匹配次数等特征参数来调整目标区域的背景更新速率。仿真结果表明,该算法在保证了目标检测完整性的同时,提高了模型对背景变化的适应能力。

动态场景中的改进混合高斯背景模型

提出一种应用于运动目标检测的改进混合高斯背景模型。在背景模型更新过程中,通过调整阈值,降低单模态背景的误检率。在运动目标检测时,融合统计差分法和时域差分法,降低多模态背景像素的误检率。实验结果表明,改进模型能有效解决由复杂动态背景引起的误检问题,具有较好的检测性能。

一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能。文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map,FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题。实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性。

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。

混合高斯背景模型目标检测的一种改进算法

针对当前混合高斯背景模型运动目标检测中的更新率小、自适应学习率取值范围过窄、帧间差分引入噪声及背景模型更新没有选择性等缺点,提出了一种混合高斯背景模型运动目标检测的改进算法。在传统混合高斯的基础上,对更新率和方差值进行改进,以适应外界环境的变化;根据像素的连通区域,在线更新学习率和去除噪声;通过引用改进的三帧差分法,实现了对背景模型的选择性更新,减少减弱帧间差分引入噪声以及缓慢运动目标对背景的影响;利用色度信息消除阴影,得到较为精确的运动目标。实验结果表明,改进算法效果良好。

基于非线性高斯-赫尔默特模型的混合整体最小二乘估计

针对EIV模型的系数矩阵同时包含固定量和随机量的情况,通过将系数矩阵中的随机量提取出来纳入平差的随机模型,从而将EIV模型表示为非线性高斯-赫尔默特(Gauss-Herlmert,GH)模型形式,推导了混合LS-TLS(least squares-total least squares,LS-TLS)算法及其精度估计公式。算法适用于系数矩阵包含固定列、固定元素和随机元素的一般情况。模拟实例结果表明,混合LS-TLS算法与已有能够解决系数矩阵同时含固定量和随机量的结构性或加权TLS算法的估计结果一致;混合LS-TLS的估计结果统计上要优于LS或TLS估计结果。

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进,将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中,以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像,然后用重构的静态背景图像初始化自适应混合高斯背景模型;而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率,从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。

高斯混合背景模型的适应能力研究

高斯混合背景模型是一种参数化统计模型,观察时间窗内像素样本模式呈现规律决定了背景模型的学习结果。针对背景动态变化的特点,研究了影响背景模型适应能力的模态稳定性与可塑性、模态残留与激活问题。仿真实验表明高斯混合背景模型具有较强的渐变选择性适应能力,而模态残留与激活机制为模型提供了有限的背景结构短时变化适应能力。

混合泊松-高斯分布模型的参数估计

针对实际CCD图像处理问题中噪声概率模型的参数估计问题,从CCD图像的噪声背景出发,研究其噪声的混合泊松高斯分布,给出了两种参数估计方法,以及非零均值高斯噪声情况下的参数估计方法,计算结果表明文中方法给出的参数估计精度高。

基于高斯混合模型的空间域背景分离法及阴影消除法

运动检测和背景分离技术是智能视频监控系统中的一项关键技术。由于目前广泛使用的高斯混合模型背景分离法是在像素域的时间尺度上对像素进行分类,因此常常造成误判,且无法解决阴影问题。为解决此问题,提出了一种空间域上的背景分离法。该方法首先将像素检测从像素域拓展至空间域的局部窗口内;然后在得到前景点集后,再将此空间域检测思想结合像素亮度特征运用到阴影消除中;最后,对经典模型的部分参数估计方法进行了修改。相关的实验结果证明,该方法可用于提高背景分离的检测精度和实现运动物体阴影消除。

基于混合高斯模型的背景差分法的FPGA实现

针对视频中运动目标检测实时性问题,提出了一种基于混合高斯模型的背景差分法的FPGA实现方法.背景差分算法是运动检测算法中最常用的方法,该算法首先对实时得到的图像序列进行建模,得到运动场景的背景模型.然后在运动目标分割中及时的根据场景变化更新背景.考虑到实时性要求的高帧率、高分辨率视频分割任务,利用FPGA并行处理和硬件实现的优点,对混合高斯模型进行修改来对它进行定制,以适合于硬件实现.最后,通过在FPGA开发平台进行了仿真实现,结果验证了算法在硬件实现的正确性,以及在实时性能上的提高.