基于区域非均匀空间采样特征的图像分类方法

大量实验证明抽取图像中稠密局部特征能够大大提高图像分类性能,目前的常用策略是基于空间均匀密集采样来实现稠密局部特征的抽取。该文提出一种新的基于区域非均匀空间采样的局部特征抽取方法。首先,用过分割技术对原始图像进行分割,从而得到图像的分割区域,并采用显著性检测技术估计每个过分割区域的重要性。然后,在保证不增加采样数的情况下,对重要的显著性区域的边界实行密集均匀采样,对区域内部根据区域大小和重要性实行随机采样。最后,采用词袋表示模型来实现图像分类。在两个广泛应用的数据库,8类体育运动(UIUC Sports)和256类自然图像(Caltech-256)数据库进行实验。实验结果证明,该文提出的采样策略进一步提高了基于稠密局部特征的图像分类性能。

基于稀疏变换的大型固定干扰信噪分离技术研究

在复杂地表区域的地震资料采集中,大型厂矿的机械干扰、大钻、高速公路等固定的干扰源会产生能量极强的固定点震源干扰,且在干扰源附近产生线性或双曲型的相干噪声,通过常规信噪分离方法难以对其进行有效压制,从而对资料的信噪比及后期的成像产生严重影响。野外施工时往往只能停工协调或变观以尽量减少此类噪声的影响,会造成施工成本增加或影响成像质量。利用基于稀疏变换和同步压缩变换的信噪分离技术,对此类噪声从能量上进行有效的压制。针对残留的线性和双曲型相干噪声,在FX域采用非均匀空间采样相干噪声压制法(NUCNS)进行噪声压制,通过上述技术的综合应用,最终实现了强能量固定干扰源的噪声压制处理。通过实际资料处理试验表明,此方法能有效压制强能量的大型干扰源噪声,并能较好地还原淹没在噪声中的有效反射信息。