基于PCA和Whitening算法的水稻病害图像预处理研究

水稻病害图像预处理在使用机器视觉技术对水稻病害智能诊断识别中至关重要。预处理效果直接影响水稻病害识别准确率。提出一种新的基于PCA和Whitening融合算法的水稻病害图像预处理方法。实验获取了水稻病害彩色图像和灰度图像的训练样本和测试样本,对获取的样本应用PCA降维,然后对降维后的样本随机取样,应用Whitening算法得到了相应的训练特征和测试特征。实验表明,该融合算法增强了预处理后的水稻病害图像样本对光照及亮度的鲁棒性,可有效提高病害识别准确率。

基于卷积神经网络的军事图像分类

由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题,构造了一种新的基于主成分分析(principal components analysis,PCA)白化的卷积神经网络结构,有效地降低了数据间的相关性,加强了学习能力,提高了目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。

语音信号的预处理和特征提取技术

语音信号处理是一门多学科交叉的综合学科，它包含了语音学和数字信号处理等基础学科。这篇文章对语音信号作了两个方面的研究：语音信号的预处理和语音信号的特征提取。预处理是为了更好地进行语音信号的特征提取。是语音信号特征提取获得成功的重要保障。语音信号的预处理介绍了信号的主分量分析（PCA）技术和白化（whitening）技术．而语音信号的特征提取分为时域的和频域的特征提取。并用Madab编程实现了一段语音信号的分析处理。

盲信号分离在静止式中频电源故障分析中的应用

针对静止式中频电源故障信号含有间谐波,传统的信号处理方法难以对其进行有效分析的问题,提出将最新的盲信号分离(BSS)运用于电源故障分析中。根据故障信号的特点,采用基于负熵的快速独立分量分析(FastI-CA)算法解决了混叠信号的盲分离问题;采用主分量分析(PCA)进行预白化处理,减小噪声对分离精度的影响,再运用二阶盲辨识(SOBI)算法分离波动电压信号,得到各分离分量的频率估计。在此基础上通过求解超定方程组估算出故障信号分量幅值。仿真结果表明,FastICA和SOBI算法对中频电源故障信号分离的有效性和准确性。

基于特征整合的卷积神经网络草地分类算法

为提高遥感影像草地分类的精度,分析了卷积神经网络中提取图像特征的特点,提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先,将遥感影像数据进行PCA白化处理,降低数据之间的相关性,加快神经网络学习的速率;其次,将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合,使得整合后的新特征更加完善和优化;最后,对遥感数据进行训练,由于新特征中有效信息的增加,使得特征表达能力得到提高,达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。

基于RBF-SVM的草地高光谱图像分类

高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性。利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400~1000nm)草地图像,采用多元散射校正(multiplicative scatteRcorrection,MSC)进行预处理;特征提取使用主成分分析(principal component analysis,PCA)白化法,选择最佳主成分作为支持向量机(support vectoRmachine,SVM)的输入,结合K折交叉验证法自动进行参数调优。比较不同SVM核函数对应的草地高光谱图像自动分类的识别结果,其中以基于高斯径向基核函数的支持向量机(RBF-SVM)分类结果较优,全局分类准确率(overall accuracy,OA)为98.89%,Kappa系数为0.99,分类时间为0.053098s,且优于梯度迭代决策树(gradient boosting decision tree,GBDT)及K近邻算法(K nearest neighboRalgorithm,KNN)。结果表明高光谱成像结合MSC-PCA白化-SVM(RBF)算法建立的识别模型可高效快速、准确无损地实现草地分类。

卷积神经网络在遥感影像中草地分类的应用

为了提高遥感影像草地分类的精度,对卷积神经网络模型在遥感影像草地分类中的应用进行研究,提出一种基于主成分分析(PCA)白化的卷积神经网络草地遥感分类网络结构.通过对遥感影像数据进行PCA白化处理,能有效地降低数据之间的相关性,加快神经网络学习速率,加强特征学习的能力.在此基础上对采样层进行随机池化操作,提高了网络分类的泛化能力,达到提高草地分类准确率的目的.实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,比传统卷积神经网络、BP神经网络和SVM分类算法分别提高4.3%,10.39%和15.33%.

基于Rail-GPSAR实测数据的地雷检测新方法

本文借鉴恒虚警率(CFAR)思想估计图像数据中杂波的统计量,实现图像的预白化处理。在训练图像中选取地雷图像切片的距离向中心切线作为本征向量构造训练数据阵,获取检测器的参数估计,结合主分量分析设计高效的偏差最优线性二次(DOLQ)检测器。验证了DOLQ检测器输出的灰度图像服从Gamma分布,利用其分布参数和实测数据特点确定整体阈值。对得到的二元图像利用形态学操作获取可疑目标块,然后通过整体阈值和局部门限确定的自适应阈值对其进行二次检测,以确保无漏检的情况下尽可能降低虚警。基于图像中目标能量的空间范围,提出了利用能量环对预白化处理后的图像进行目标检测。最后,提出了一种将能量环与DOLQ检测器的检测结果进行决策级融合的新方法,完成对不同土壤环境、埋设深度地雷的检测。对实际图像的检测结果表明,新方法能够显著降低虚警,且具有较好的稳健性。

基于稀疏自编码神经网络的军事目标图像分类

针对战场环境中不同军事目标相似度较高且在复杂环境中识别率不高的问题,提出了一种基于稀疏自编码神经网络的军事目标图像分类方法.该方法通过对军事目标图像进行主成分分析白化处理,能够有效降低样本图像间的相关性,而后通过稀疏自编码神经网络对降维后的样本数据进行训练,提取出样本图像的本质特征,最后将提取出的样本特征输入训练好的softmax分类器中进行分类识别.实验表明,算法能够有效提高军事目标图像的分类精度,具有一定的应用价值.

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥感光谱图像,但其整体分辨率略低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光谱成像系统采集可见-近红外光谱(400~1 000 nm)的草地高光谱图像,通过基于方差选择的降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,GaussianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波(SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw)法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度和Kappa系数平均值分别提高2.995%和0.050 25。同等情况下比较GaussianNB模型和SVM模型,在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少,OA值达到99.33%,Kappa系数为0.99,测试时间为0.002 022 s。研究结果表明,基于方差选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高效快速的牧草种类识别。

基于曲率尺度空间的轮廓线匹配方法

基于曲率尺度空间(curvature scale space,CSS)理论,提出了一种匹配和识别存在仿射变化的平面曲线的方法。首先借助边缘检测算法提取图像轮廓,利用PCA白化算法消除轮廓线尺度、平移和切变的影响;然后对轮廓进行重采样并求取对应曲率尺度空间图的局部极值点;最后利用局部极值点向量数组作为轮廓线的描述符进行匹配。在MCD形状数据库的对比检索实验结果表明本文所提出的方法不仅有较高的检索率,而且对仿射变化具有良好的鲁棒性。

白化主成分分析类算法在人脸识别中的应用

针对能量谱的不平衡性会影响人脸识别效果的问题,基于白化脸的概念提出了白化主成分分析类算法的框架。该算法框架使用1个白化滤波器和1个低通滤波器对原始图像进行预处理,然后结合传统的PCA类算法提取特征向量(或矩阵),最后通过k-NN分类方法进行人脸识别。利用ORL人脸图像库进行实验,实验结果表明该算法框架改善了人脸识别的效果,提高了识别的正确率。