基于t分布混合模型的抗差关联算法

针对传感器系统误差和观测目标不完全一致的情况下目标航迹关联中鲁棒性问题,该文提出一种基于t分布混合模型的抗差关联算法。将航迹关联问题转化为图像匹配中的非刚性点集匹配问题,针对非共同观测目标影响关联性能的问题,将非共同观测目标的航迹视为图像匹配中的异常点,建立了对异常点具有更好鲁棒性的重拖尾t分布混合模型,利用期望最大化(EM)算法求解t分布混合模型的闭合解,在求解中为了确保航迹点间的运动一致性(CPD),加入Tikhonov正则项。最后通过实验仿真验证,所提算法在系统误差和观测目标不完全一致情况下的鲁棒性和有效性。

基于t混合模型和Greedy EM算法的彩色图像分割

为了快速更好地进行彩色图像分割,以图像的颜色、纹理及空间位置作为综合特征,基于t混合模型,提出了一种自适应的图像分割方法,即先采用贪婪的EM(Greedy EM)算法估计混合模型的参数,然后根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和Greedy EM算法对于数据的初始化不敏感,且能收敛到全局最优,因此与其他的方法相比,不仅速度提高,而且能取得更好的分割结果。

基于t分布混合模型的点集非刚性配准算法

考虑高斯混合模型(TMM)的点集非刚性配准算法易受异常点和重尾点的影响,提出了基于t分布混合模型的运动一致性非刚性配准算法。通过期望最大化(EM)框架的完整数据定义将高斯混合模型推广为t分布混合模型,使用EM算法最小化参数的条件期望获得非刚性配准参数的闭合解。在EM算法中计算浮动点集各个点的先验权重,减小异常点和重尾点对配准结果的影响;计算浮动点集各个点的自由度,自适应地改变每个点的概率密度分布模型,提高算法的鲁棒性,并避免了异常点水平估计误差对配准结果的影响。在t分布混合模型的条件期望函数中加入点集位移的正则项,使邻近点具有运动一致性(CPD)。仿真数据表明,当噪声水平很高时,TMM-CPD仍可以精确配准点集,且误差仅为对比算法的1/10。真实图像的近似椭圆状分布、管状分布和三维点云状分布的点集配准结果表明,TMM-CPD的配准误差仅为对比算法的42.0%、80.1%和77.5%。实验表明,TMM-CPD配准含有重尾点和异常点的点集,具有精度高、鲁棒性好和受重尾点与异常点干扰小等优点。

含局部空间约束的t分布混合模型的点集配准

基于高斯混合模型(Gaussian mixture model,GMM)的点集非刚性配准算法易受重尾点和异常点影响,提出含局部空间约束的t分布混合模型的点集非刚性配准算法.通过期望最大化(Expectation maximization,EM)框架将高斯混合模型推广为t分布混合模型;把Dirichlet分布作为浮动点的先验权重,并构造含局部空间约束性质的Dirichlet分布参数.使用EM算法获得配准参数的闭合解;计算浮动点的自由度,改变其概率密度分布,避免异常点水平估计误差.实验表明,本文提出的配准算法具有配准误差小、鲁棒性好、抗干扰能力强等优点.

基于无限学生t混合模型聚类的机械故障预警方法

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性,导致传统单特征门限报警法的报警准确率较低。针对该问题,提出一种基于无限学生t混合模型(infinite student’s t-mixture model,iSMM)聚类的机械故障预警方法:首先,通过提取机械振动信号特征构建高维特征空间,并采用iSMM对其进行建模,以描述机械设备的状态;其次,利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离;最后,将该距离与基于3σ准则自学习出的报警阈值进行比较,实现故障预警。利用往复式压缩机故障案例对所提方法进行验证,结果表明本文方法较单特征门限报警法报警准确率高且时效性好,可有效地对复杂机械进行故障预警。

基于t分布混合模型的半监督网络流分类方法

针对传统高斯分布容易受到数据样本边缘值和离群点噪声的影响,改用t分布替代原有的高斯混合模型,并使用期望最大化(Expectation Maximization,EM)算法对网络流数据样本进行t分布混合模型的建模。为降低EM算法的迭代次数,对t分布混合模型进行了改进,用理论和实验验证了算法的有效性,并对网络多媒体业务流进行了分类研究。实验表明,提出的算法有较高的分类准确率,拟合的模型要优于传统的K-Means算法和传统的高斯混合模型的EM算法。

邻域信息约束融合Student's t混合模型的医学图像分割

医学图像的高噪声以及偏移场的存在使得传统图像分割方法在分割此类图像时分割效果不理想.针对上述问题,提出一种邻域信息约束融合Student's t混合模型分割算法.首先,获取像素点的邻域信息进行滤波操作以达到降噪效果;其次,构建Student's t混合模型,通过噪声平滑因子融合邻域信息约束修正先验概率;最后,利用最大期望(EM)算法求解,获取最大后验概率实现图像分割.实验结果采用DICE指标验证了算法的有效性.

遗传K-均值初始化的t混合模型医学图像聚类

针对基于混合模型的图像聚类质量易受混合模型参数初始值的影响,提出一种遗传K-均值初始化的t混合模型医学图像聚类方法。该方法构建一种医学图像的t混合模型,将遗传算法与K-均值算法相结合,实现对医学图像的初始划分,从而获得混合模型的初始参数,有效克服混合模型对参数初始值选择的敏感性问题,用EM算法多次迭代估计t混合模型参数;最后根据得到的混合模型对医学图像进行聚类。实验表明,该方法实现了医学图像较精准的聚类,有较好的稳定性和通用性。

基于t混合模型的自动图像标注

图像自动标注的实质是通过对图像视觉特征的分析来提取高层语义关键词用于表示图像的含义,从而使得现有图像检索问题转化为技术已经相当成熟的文本检索问题,在一定程度上解决了基于内容图像检索中存在的语义鸿沟问题。采用t混合模型在已标注好的训练图像集上计算图像区域类与关键字的联合概率分布,在此基础上,对未曾观察过的测试图像集,利用生成的模型根据贝叶斯最小错误概率准则实现自动图像标注。实验结果表明,该方法能有效改善标注结果。

径流预报误差的混合t Location-Scale分布模型及应用

基于混合t Location-Scale分布良好的自适应性,利用k均值聚类法挖掘数据隐含结构、良好的聚类效果特点,建立了不同预见期径流预报误差混合t Location-Scale分布模型。将模型应用于雅砻江流域官地水库,对预见期分别为6、12、18 h和24 h的区间径流预报误差进行了分析与建模,结果发现混合t Location-Scale分布模型弥补了单一分布难以描述径流预报误差特征多样性的局限,能更准确地描述不同预见期径流预报误差的统计特征,误差分布与实测径流预报误差的变化规律一致,可为水库水电站的径流预报和调度运行提供更加准确、可靠的来水数据。

基于差分曲率分组混合模型的脑部MRI图像超分辨重建

核磁共振成像(magnetic resonance imaging,MRI)能够提供丰富的病理信息,在脑损伤的诊断和治疗中具有重要意义,受采样时间和现有医疗设备的限制,临床上很难获得高分辨率的MRI图像.为此,提出一种基于差分曲率分组混合模型的超分辨重建方法.首先在梯度特征提取的基础上引入差分曲率算法,进一步检测图像的边缘、斜坡等特征结构,并将特征块分为平滑区域、纹理区域和边缘区域3组;然后基于学生t分布混合模型分别学习3组特征区域的模型参数;最后选取多个似然概率较大的子分布共同重建高分辨率图像块.在癌症成像档案库数据集上的实验结果表明,在×2,×3和×4超分辨任务下,所提方法的平均峰值信噪比分别为41.36 dB,35.01 dB和31.32 dB,平均结构相似度分别为0.9848,0.9415和0.8795;与现有的超分辨重建方法相比,该方法重建的MRI图像纹理细节更丰富、边缘更清晰,并且重建时间更短.

基于Contourlet变换和T混合模型的医学图像融合算法

医学图像融合已经成为医学图像处理领域的热门研究之一.针对基于高斯混合模型的期望最大值融合算法容易导致局部细节丢失的问题,提出了一种基于Contourlet变换的T混合分布图像融合方法.首先通过GIHS(Generalized Intensity-Hue-Saturation)变换将彩色医学图像从RGB颜色空间变换到GIHS空间,进而通过轮廓波变换(Contourlet)获得高频和低频两个部分;然后采用系数绝对值选大法和基于T分布混合模型期望最大法分别对高频部分和低频部分进行融合;最后利用Contourlet反变换获得新强度,将其和PET图像的其他分量通过GIHS反变换得到融合结果.该方法相比于其他的融合方法,具有信息量丰富、清晰度高等优点.

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。

基于t混合模型和GreedyEM算法的无监督颜色传递

本文提出了一种基于t混合模型和Greedy EM算法的无监督颜色传递算法,综合利用图像的颜色、纹理和空间位置等要素,来提高颜色传递的速度和质量。实验表明,该方法能够在无需用户操作的情况下高效地完成颜色传递过程并得到较好的效果。

基于有限混合多变量t分布的鲁棒聚类算法

在用混合模型聚类时,聚类数据中存在局外点是非常困难的问题。为了提高混合拟合的鲁棒性,本文用混合t模型替代混合高斯模型,来拟合含有背景噪音的多变量多高斯分布数据;提出了两个求解混合t模型的修改版期望最大化(EM)算法,并将它们与模型选择准则集成在一起,应用一个组合规则成分灭绝策略选择聚类成分数,得到两个对应的鲁棒聚类算法。对含有背景噪音的多个高斯成分进行不同聚类算法的大量实验表明,本文的鲁棒聚类算法能自动选择最佳的聚类成分数,相对于混合高斯模型的聚类方法,鲁棒性增强很多;相对于传统求解混合t模型(EM/ECM)的聚类方法,能有效避免其严重依赖初始值和易收敛至参数空间边界的缺点,具有较强的鲁棒性和较快的收敛速度。

基于混合t聚类的鲁棒非刚体点匹配

针对非刚体形状控制点匹配中存在的对应性和有偏性问题,提出一个基于混合t聚类的鲁棒点匹配模型。该模型结合了混合t分布聚类和薄片样条匹配各自的优点,混合t聚类充分利用t分布的小样本和较大尾迹优势取得局部聚类的鲁棒性,并可方便地引入新的成员分布概率建模局外点,解决全局的鲁棒性;薄片样条能完全分解非刚体映射的仿射和非仿射变换。实验证明,利用确定性退火和EM(期望最大化)迭代技术,对模型中的鲁棒聚类和非刚体点匹配进行联合优化,可以有效解决非刚体点匹配的对应性和有偏性问题;通过在退火过程中应用一个模型选择准则,可以进一步提高匹配的精度,对比结果证实了该模型的鲁棒性。

基于t混合和SMEM算法的彩色图像分割

采用t混合模型建立图像的颜色,纹理及空间位置特征的联合分布,及改进的分裂—融合EM算法(SMEM)估计混合模型的参数,根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和改进的SMEM算法对于数据的初始化不敏感,能收敛到全局最优,且能自适应的的选择分割的数目,因此该方法能取得更好的分割结果。

采用混合t分布粒子滤波器的视觉跟踪(英文)

由于目标数量的变化,观测数据的岐义性和目标间的遮挡,多目标视觉跟踪问题面临多种困难。基于目标分布的有限t分布混合模型提出了一种混合t分布粒子滤波器以实现多目标跟踪。在算法中,每个被跟踪目标指派一个独立的粒子滤波器,显式处理当新目标出现在场景中时对应粒子滤波器的初始化,当被跟踪目标消失时,对应粒子滤波器的删除。混合t分布粒子滤波器算法不仅能够跟踪多种类型的多目标,还能够持续跟踪遮挡消除之后的多目标。为了展现混合t分布粒子滤波器的跟踪性能,完成了基于颜色分布的跟踪多种不同颜色和相同颜色的多目标实验,对比了混合t分布粒子滤波器,混合粒子滤波器以及Boosted粒子滤波器的跟踪性能。实验结果表明:文中算法不仅能够跟踪数量可变的多目标,进行实时计算,而且具有更好的鲁棒性。

混合交通流中自动驾驶车辆比例对交通效率的影响

在自动驾驶汽车实际行驶过程中,不可避免地会与手动驾驶汽车共同行驶,从而形成混合交通流。为了探究不同交通任务下自动驾驶汽车比例对混合交通流交通效率的影响,本研究在遵循右行左超车规则、两秒法则及交叉路口停车线理论的前提下,基于元胞自动机混合交通流模型,构建了单向三车道、城市双向T字形交叉口混合交通流模型,借助软件进行模拟分析。模拟试验结果表明,在简单路况下,交通效率与自动驾驶汽车的比例成正比,并且在安全车流密度范围内,影响程度与车流密度呈正相关;在复杂路况下,车流密度较小时,较大的自动驾驶汽车比例才能明显优化交通效率;车流密度较大时,自动驾驶汽车比例的增加反而会使交通效率劣化。因此,自动驾驶汽车的驾驶模式有待于进一步优化。

基于t分布混合模型改进的路面裂缝图像分割方法

为提高路面裂缝图像分割的准确性与鲁棒性,以学生t分布混合模型(Student\s t-distribution Mixture Model,TMM)代替传统高斯混合模型(Gaussian Mixture Model,GMM),提出一种基于学生t分布混合模型的路面裂缝图像分割方法。所提出方法首先利用K-Means算法来进行初次图像分割。为克服K-Means算法的缺点,以烟花算法(Fireworks Algorithm,FA)运行结果作为K-Means算法初始聚类中心。然后,运行K-Means算法进行初次分割,以此结果作为TMM参数求解的初始值,执行最大期望算法(Expectation-Maximization algorithm,EM),通过交替运行E步和M步,获得模型最终参数值,借助于贝叶斯公式,完成最终图像分割。最后,通过仿真图像和实际图像验证,结果表明该方法分割精度更高、稳定性更好。