PCA-LDA算法在性别鉴别中的应用

结合主元分析(Principal Components Analysis,PCA)与线性鉴别分析(Linear Discriminant Analysis,LDA)的特点,提出用于性别鉴别的PCA-LDA算法。该算法通过PCA算法求得训练样本的特征子空间,并在此基础上计算LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合,获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影,从而得到识别特征。利用最近邻准则即可完成性别鉴别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明,PCA-LDA算法比PCA算法识别性能好,在性别鉴别中是一种有效的方法。

基于虚拟样本的改进人脸识别算法研究及应用

针对实际采集的视频中背景复杂,人物多变,图像处理时间长,训练样本不足的问题,提出了构造虚拟样本,并结合Gabor滤波器及对PCA-LDA算法加以改进的人脸识别算法,以应用于教室点名系统。首先对教室采集到的视频进行裁剪,按帧截取并检测出含有人脸的部分图像并单独保存为测试图像,然后将其与已有人脸库里的训练图像进行对比,最后采用提出的镜像法构造虚拟样本,并结合了Gabor滤波器以及PCNN灰度图像增强处理算法的改进PCA-LDA算法进行人脸识别。仿真实验表明,提出的算法预测了样本可能存在的变化,也在一定程度上降低了计算复杂度,明显地提高了识别率,并在教室点名系统中得到了较好的验证。

食道癌组织表面增强拉曼光谱研究

本研究采用以金纳米粒子为增强基底的表面增强拉曼光谱技术对31位食道癌患者的62例食道组织样本进行分析,其中包含31例肿瘤组织与31例正常组织.食道癌组织和正常组织表面增强拉曼光谱之间存在明显差异.利用主成分分析和线性判别分析算法对采集的组织表面增强拉曼光谱进行诊断研究.利用主成分分析-线性判别分析统计分析方法得到诊断灵敏度与特异性分别为90.3%与90.3%.为验证所构建的主成分分析-线性判别分析算法的有效性,利用受试样品的工作特征曲线方法,对所构建的算法的有效性进行评价.通过对组织表面增强拉曼光谱谱峰归属分析可知,癌组织中蛋白质结构可能发生变化,磷脂质的相对含量下降;而氨基化合物、组蛋白、苯基丙氨酸和酪氨酸的相对含量出现上升.研究表明,以金纳米粒子为增强基底的表面增强拉曼光谱技术结合主成分分析-线性判别分析统计分析方法能够准确区分食道癌患者肿瘤与正常组织.食道癌组织表面增强拉曼光谱技术有望成为一种食道癌的临床诊断与筛查工具.