基于零空间分析的计算机生成图像识别研究

伴随着信息技术的发展,数字图像的真伪识别研究已成为热点,提出一种基于零空间分析的计算机生成图像识别方法。对计算机生成图像和真实图像的生成原理及特点进行研究,分析出可通过图像纹理、噪声和空间域特征上的差异对计算机生成图像和真实图像加以区分。为了解决小样本问题,采用零空间分析方法,建立新的样本矩阵,通过调整正则化因子选择出图片的最优化参数。在零空间算法的基础上,对类内散度矩阵进行正则化处理,结合指数正则化实现计算机生成图片的识别。通过仿真,确定最佳检测率对应的特征维数,并在特征维数基础上得到图片的识别率超过90%,说明基于零空间分析算法对图像的检测精度非常高,具有良好的计算机生成图像识别效果。

核零空间线性鉴别分析及其在人脸识别中的应用

零空间线性鉴别分析NLDA充分利用样本总类内离散度矩阵的零空间信息,能有效克服线性鉴别分析LDA的小样本问题.核方法通过非线性映射,将输入空间样本映射到高维特征空间,再在高维特征空间利用线性特征提取算法.因此,核方法属于非线性特征提取算法.文中结合LDA、NLDA和核方法的优点,引入了核零空间线性鉴别分析KNLDA,导出了KNLDA算法.该算法通过引入核函数,得到低维矩阵,有效避免了直接计算复杂的非线性映射函数,解决了高维类内离散度矩阵的维数灾难问题.同时,将KNLDA算法应用于人脸识别.基于ORL人脸数据库以及ORL与Yale混合人脸数据库的实验结果表明了KNLDA算法的有效性.

基于零空间核判别分析的人脸识别

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.

一种新的求解零空间线性鉴别分析的快速算法

利用随机矩阵相乘是最近提出的一种求解零空间线性鉴别分析的算法,但是此算法需要对一个n×n的矩阵进行特征值分解(n指的是训练样本数),使得其算法复杂度依然较高。为了进一步提高零空间线性鉴别分析算法的求解速度,本文提出了一种新的利用随机矩阵相乘的求解零空间线性鉴别分析的快速算法。本文的算法不需要对n×n的矩阵进行特征值分解,使得其算法复杂度比现有的零空间线性鉴别分析求解算法要低得多。理论分析和在人脸数据库上的实验表明,本文算法的计算速度远比现有的零空间线性鉴别分析求解算法要快,但是其识别率与现有的零空间线性鉴别分析求解算法相同。

基于递归零空间线性判别分析算法的蛋白质质谱数据特征选择

目的针对蛋白质质谱数据,采用一种新的基于特征选择的算法提取判别特征,提高癌症辅助诊断的准确率。方法将小波特征与递归零空间线性判别分析(LDA)特征选择算法相结合,首先对数据进行多分辨率的小波分解,提取样本细节特征;接着运用t-test进行筛选,初步降低数据的特征维数;然后递归调用零空间LDA算法,筛选出最具判别意义的蛋白位点;最后采用支持向量机(SVM)分类器估算算法性能。采用十折交叉验证进行测试。结果在公共数据卵巢癌OC-WCX2a上的分类率达到98.3%。在浙江省肿瘤医院提供的临床乳腺癌BC-WCX2a数据上分类率为91.45%,敏感性为97.2%。同时,该算法有效地降低了所选特征间的相关性。结论本算法可充分提取蛋白质质谱数据中的判别特征,从而更有利于癌症的辅助诊断。

基于零空间核决策分析的人脸识别研究

针对零空间线性决策分析方法难以揭示人脸图像空间中数据的非线性结构的问题,提出了一种零空间核决策分析方法,详细介绍了该方法的推导过程及求解步骤。测试结果表明,该方法能够在核空间中提取类内离散度矩阵的零空间,并且最大程度上去除类间离散度矩阵的零空间,新提取的特征能够有效地用来进行人脸识别。

一种快速的零空间算法

为了进一步提高零空间算法的运行效率,提出了一种新的快速的零空间算法(FINBSA).FINBSA不需要进行特征值分解或奇异值分解,而只需一次正交三角(QR)分解就可以求得最佳投影矩阵,使得FINBSA的算法复杂度比现有的零空间算法要低.在PIE人脸库上的实验结果表明,FINBSA的识别率与现有的零空间算法相同,但是远比现有的零空间算法要高效,尤其是在训练样本数较多时,FINBSA的运行时间比现有零空间算法节省了100%以上.

基于指数正则化零空间鉴别分析的故障识别

提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障诊断方法故障特征维数过高的问题,文章提出了一种基于指数正则化零空间线性鉴别分析(exponentialregularized null space linear discriminant analysis,ERNSLDA)的故障诊断方法.零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在文章中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理.所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了故障诊断的精度,通过发动机失火状态识别以及齿轮箱故障摸模拟试验验证了所提方法的有效性.

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障特征维数过高的问题,本文提出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis,ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理。所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE数据库上的仿真实验证了本文所提方法的有效性。

基于力场收敛特征的多姿态人耳识别

提出了一种通过提取力场收敛特征进行多姿态人耳识别的新方法。首先把人耳图像转换为力场图像,通过计算力场的散度得到人耳收敛特征,然后使用零空间线性判别分析算法进一步提取特征并分类识别。实验结果表明,力场收敛特征比最初基于力场变换的势能阱特征更为稳定,而零空间线性判别分析方法也优于传统的主元分析降维方法,更好地解决了小样本问题,识别率得到进一步提高。该方法能够有效识别多姿态人耳图像。

KPCA和NS-LDA相结合的人脸识别研究

为了能够通过保留类内散布矩阵零空间的有效鉴别信息,并选择恰当的投影找到最大可能地区别类内类间的数据集,文章分别选用核主成分分析(KPCA)和零空间线性鉴别分析(null space LDA),其中核主成分分析(KPCA)是主成分分析(PCA)在核空间中的非线性推广,零空间线性鉴别分析利用了零空间的有效信息。文中将KPCA和NS-LDA的特征提取方法结合并应用于人脸识别研究,其综合了KPCA利用数据高阶性和经NS-LDA投影矩阵良好可分性的优点来增强人脸识别性能。实验结果证明,该方法能够有效地提高人脸识别率。

小样本问题的算法比较

将不相关线性判别分析(ULDA)和零空间线性判别分析(NLDA)两种思想结合起来,提出了处理小样本问题的六种算法,并通过实验说明了这六种算法的分类有效性.