高光谱空间降采样独立成分特征分离

提出一种空间降采样独立成分特征分离方法,用于缩短独立成分分析(ICA)法在高光谱图像特征分离时的运算时间。该方法通过对高光谱图像的二维像素空间进行网格划分得到较小的窗口;基于光谱相似性测度法度量每个窗口中中心像素与周围像素的距离。然后舍弃这段距离小于阈值的周围像素,而将大于阈值的周围像素和中心像素作为样本量进行FastICA,获取投影矩阵变换原始数据,得到特征分离的ICA成分。对比了传统ICA与空间降采样(SDS)ICA(SDS_ICA)的性能,研究了降采样阈值参数、降采样窗口参数及初始投影矩阵对SDS_ICA特征分离性能及运行时间的影响。实验结果表明:应用SDS_ICA时,仅设置适中的阈值和不敏感的窗口大小参数,就能保持与传统ICA相近的特征分离性能,运行时间减少了30%以上。该方法适合应用于高光谱准实时特征提取、数据降维及目标探测等领域。

基于投影重采样的多元非线性降维

本文研究响应变量和预测因子均为向量的充分降维问题。投影重采样方法的核心思想是将多元响应投影到随机采样的方向上,以获取标量响应的样本,并反复应用单变量响应的降维方法来解决问题。该方法已被证明对多元线性降维有效。本文将投影重采样方法推广到非线性情境,并通过核映射提出了四种新的估计方法。研究结果表明,新方法具有优良的性质,并能在温和条件下完整恢复降维空间。最后,通过数值模拟和真实数据集分析验证了所提方法的有效性和可行性。This paper addresses the problem of sufficient dimension reduction where both the response and predictor are vectors. The core idea of projective resampling method is to project the multivariate responses along randomly sampled directions to obtain samples of scalar-valued responses. A univariate-response dimension reduction method is then applied repeatedly for solving the problem. This has proven effective for multivariate linear dimension reduction. In this paper, we extend the projective resampling method to nonlinear scenarios and use the mapping induced by kernels to develop four novel estimation methods. The research results suggest that the new methods exhibit excellent properties and ensure full recovery of the dimension reduction space under mild conditions. Finally, we validate the effectiveness and feasibility of the proposed methods through numerical simulations and real data analysis.

西安市降尘粒度空间分布特征及环境意义

笔者在西安市区11个取样点进行了为期1a连续采样,采集样品14件。结果证明,降尘可以分为大小明显的两群,小于10μm的颗粒物以工业污染的产物为主,较大颗粒主要为自然源沙尘。西安市降尘粒度明显偏小,其中≤50μm的颗粒占总量的80%～98%;≤10μm的颗粒占30%～60%;≤2.5μm的颗粒占≤10μm颗粒的20%～46%。受城市风动力条件控制,沿东北—西南方向降尘平均粒径依次降低;降尘粒度分选性与小于10μm粒级颗粒的含量负相关,相关系数为-0.9212,负相关性明显。颗粒平均粒径和粒度分选性可以作为当地空气质量的综合性标志。

基于降采样归一化割的多尺度分层分割方法研究

图像分割作为计算机视觉的中层任务,常建立在目标轮廓特征的基础上,但是局部轮廓检测器的结果难以保证其产生封闭轮廓。为获得完整的分割区域,归一化割方法提供一种将局部轮廓结果转化为图像分割结果的处理途径。传统的归一化割方法由于长特征向量的聚类导致计算耗时长、内存占用多。在轮廓特征的基础上,考虑轮廓的全局推断,提出一种归一化割的改进方法——降采样归一化割,以减少图像分割过程中的计算耗时。通过多尺度空间下的层级校准,准确定位多个尺度下的区域边界进行区域合并,从而得到更准确的多层分割图。

基于空间分割的人体模型骨骼提取算法

当今社会,人们对于娱乐和创意的需求带动了网络与数字媒体技术的发展,而这种发展也给人们的生活带来了很大的改变.而实现骨骼的自动提取,是目前数字媒体技术研究的热点之一.本文首先通过高度函数,对模型进行处理,进行模型部位的分割,将模型分割为数个水平集,并在对水平集进行处理后对模型的拓扑结构进行分析,将模型分解为5个部位:躯干、双臂和双脚.接下来,本文使用测地距离函数对模型的各个部位分别进行处理,并基于Dijsktra算法设计算法计算并获取到这些部位的曲线骨骼,将各部分结合形成模型整体的曲线骨骼结构.最后,本文对获取到的模型的曲线骨骼进行降采样,获取模型的关节骨骼.通过骨骼点的连通性将模型关节点分类为关键关节点和非关键关节点,通过关节处的结构特征或是比例特征依次对关节点进行提取,以此求得精确度和鲁棒性较高的关节骨骼.

激光点云中输电杆塔坐标的快速提取方法

为实现利用无人机进行输电杆塔精细化巡检,需从冗杂的激光点云数据中提取输电杆塔坐标。首先,通过降采样和高程滤波对点云数据预处理;其次,根据杆塔、导线和地面点云的空间特征将每个杆塔初步分离提取;最后,基于杆塔的直立特性和对称特性进一步精提取出独立杆塔。以某市2条220 kV输电线路的激光点云数据为例,本文算法可快速完整地提取出全部输电杆塔坐标,单个杆塔建模效果较好,平均每基杆塔可在2 min内完成提取,有助于后续无人机杆塔精细化巡检的航迹规划。

基于多尺度稀疏字典的多聚焦图像超分辨融合

由于传统的多聚焦图像融合算法不能对图像中聚焦区域划分进行有效度量,提出了一种新的多聚焦图像超分辨融合方法来改善图像融合效果。该方法对图像清晰区和模糊区进行度量,并利用稀疏表示方法对度量后的清晰区域进行超分辨重建。首先,采用空间频率方法提取源图像中清晰区域与模糊区域,然后确定清晰区域中的主清晰区和次清晰区,并计算它们的真实下采样尺度。最后,通过学习多尺度稀疏表示字典对图像中次清晰区域进行超分辨率重建,并与清晰区域结合形成最终融合图像。实验及各种定量评价结果表明,提出的方法较常规方法具有更好的融合性能,得到的图像更清晰。对比Harr小波,非下采样轮廓波变换(NSCT),剪切波(Shearlet)变换等方法,其熵(EN)提升了1%,峰值信噪比(PSNR)提升了0.62dB,清晰度(SP)和空间频率(SF)提升30%,均方误差(MSE)下降了6%左右。

一种基于独立成分分析的水下宽带信号波达方位估计方法

在水下目标特征信息缺乏、声纳阵列孔径有限的条件下,对水下宽带信号开展高分辨率、高精度的波达方位估计研究,具有明显的研究意义和应用价值。利用水下信源统计独立的特点,采用基于独立成分分析的状态一致性变换算法进行方位估计;考虑到水下加性噪声的高斯分布特性,利用小波降噪的预处理技术,消减混合信号中的高斯噪声成分;针对状态一致性变换在低频段的性能退化,提出一种空间重采样修正方法。使用上述基于空间重采样修正的状态一致性变换算法对仿真及海试数据进行处理,目标方位估计结果表明:该方法具有角度分辨率高、需要阵元数少、对先验知识依赖小、低频段性能稳定的优点,相比常规波束形成、子空间法、传统状态一致性变换3类方法更具性能优越性与实用性。

基于爬山搜索的高斯模糊不变SIFT算子

针对SIFT算子对于高斯模糊环境下的特征匹配困难,提出基于目标图像形变空间重采样的高斯模糊不变SIFT算子GISIFT(Gaussian Invariant SIFT)。首先构建清晰目标的高斯模糊模型,重采样模型参数重建目标图像完备形变空间;其次,引入降采样与爬山法,构建目标图像的降采样形变空间,在降采样空间中以大采样步长快速搜索当前峰值,对峰值邻域进行曲线拟合,快速找到最优匹配。实验结果表明,所提算法不仅对高斯模糊目标能较好匹配,同时较大提升了目标的特征匹配效率。

基于事件相机的人体动作识别方法

现有的人体动作识别方法是以固定的时间间隔分割事件数据作为虚拟帧,没有充分利用事件相机的异步输出特性,针对此不足,提出了一种直接处理事件数据的方法。首先,使用事件相机获取常见的9种人体动作数据,采取滤波、网格降采样的方式进行预处理,去除噪声且减少模型的输入数据量;然后,利用共享的卷积核对特征事件进行并行卷积操作,提取动作空间特征;最后,对人体动作实现分类识别。实验结果表明:在一般光照下,动作平均识别准确率为91.3%,不同光照对该方法的准确率影响较小,还具有训练时间快、参数量小的优点。