Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

基于改进的Fisher准则的多示例学习视频人脸识别算法

视频环境下目标的姿态变化使得人脸关键帧难以准确定位,导致基于关键帧标识的视频人脸识别方法的识别率偏低.为解决上述问题,本文提出一种基于Fisher加权准则的多示例学习视频人脸识别算法.该算法将视频人脸识别视为一个多示例问题,将视频中归一化后的人脸帧图像作为视频包中的示例,采用分块TPLBP级联直方图作为示例纹理特征,示例特征的权值通过改进的Fisher准则获得.在训练集合的示例特征空间中,采用多示例学习算法生成分类器,进而实现对测试视频的分类及预测.通过在Honda/UCSD视频库和Youtube Face数据库中的相关实验,该算法达到了较高的识别精度,从而验证了算法的有效性.同时,该方法对均匀光照变化、姿态变化等具有良好的鲁棒性.

“模拟阅读”脑-机接口信号的核Fisher分类

采用"模拟阅读"视觉诱发事件相关脑电位的实验模式进行了脑-机接口实验,记录受试者在靶标和非靶标刺激下的脑电信号并进行了模式分类.首先对原始的脑电信号进行预处理、提取最优特征,然后利用核Fisher准则对采集到的脑电信号进行分类.为了验证这种方法的有效性,同时还对信号进行了感知准则和Fisher准则的分类.对5名受试者测试的结果表明:核Fisher准则分类器的正确率分别为92.98%,88.85%,76.32%,78.33%和95.52%,分别高出Fisher准则、感知准则约20%、10%,表明核Fisher准则对含有非线性可分的脑电信号的分类效果比单纯的线性方法更为优越.

基于Fisher判别准则的雷达产品识别降水方法

利用2006-2007年合肥多普勒天气雷达和安徽省全省自动雨量站的较长时间序列观测数据，基于Fisher多因子二级判别方法建立判别函数，以雷达产品数据作为预报因子来识别降水。结果表明，春、秋季和夏季的雷达产品数据与自动雨量数据具有较好的相关性；Fisher判别函数对降水的识别准确率较高，雨天的历史回报准确率分别达到76.16％和82.38％。

基于CNN多层融合特征与Fisher准则的分类算法

针对目标物体的多分类问题,提出基于CNN多层融合特征与Fisher准则的分类算法。首先,应用卷积神经网络提取图像的各层特征;然后,通过穷尽搜索法确定各层特征融合的权值系数,得到多目标分类特征;最后,采用Fisher多分类准则,求出使模式具有最大可分性的最佳投影方向,实现目标分类。在ORL、Yale库上进行实验研究,分类准确率分别达到了97. 5%和97. 3%。结果表明,该方法能够解决模式多分类的问题,与传统方法相比有效地提高了识别能力,具有很好的鲁棒性。

基于Fisher准则的免疫思维进化算法在图像阈值寻优中的应用

针对图像分割中的阈值选取问题,通过引入模式识别理论中的Fisher评价函数作为图像分割的准则函数,提出了基于Fisher准则的免疫思维进化算法进行图像分割。该算法克服了基本遗传算法无法记忆每一代的进化信息、容易出现"早熟"、收敛慢且不能保证全局搜索的缺点,可以指导算法向着有利方向进行,并且采用群体搜索,提高了搜索效率且避免了"早熟"现象,提高了算法的寻优质量。笔者对该算法进行了详尽的分割实验,并与基本遗传算法相比较,结果表明该算法可以将分割阈值稳定在5个像素之内,运算速度比基本遗传算法提高了9.5%,是一种有效的图像阈值分割新方法。

基于深度学习的癫痫脑电通道选择与发作检测

传统癫痫发作通道选择方法需要提取特征,然后人工进行特征选择,最后基于所选特征训练分类器实现发作检测.为优化特征提取与选择过程,提出一种具有自学习特性,基于深度学习的癫痫脑电通道选择与发作自动检测组合模型.该方法利用卷积自编码器对癫痫脑电数据进行自适应特征提取,获得代表不同通道的特征子集;依据费舍尔准则筛选出特征子集与脑电通道;通过基于参数迁移的一维卷积神经网络实现癫痫发作脑电信号的检测.使用PhysioNet网站中的CHB-MIT数据库中8例有效数据量较为充足的病患脑电数据对组合模型进行有效性评价.对比该方法与基于方差、方差差异性和随机筛选方法得到的结果,在测试集上对癫痫发作检测的准确率、真阳性率、假阳性率的平均值分别达到了92.79%、93.07%、5.16%,均优于其他方法,且模型收敛速度所需的迭代次数平均仅为其他方法的10%.该方法在癫痫脑电发作检测效果和模型训练成本方面都有一定优势,且在进行脑电通道筛选时不需要手动提取特征,同时也可用于阿尔兹海默症等其他脑部疾病辅助诊断个性化检测模型的建立.

结合纹理和分布特征的遥感图像群目标识别方法

针对航空图像中的群目标提出结合纹理和分布特征的目标识别方法。该方法可以分为两步:首先选取一组纹理特征,采用最大似然分类算法完成子目标区域的分割;然后基于分布特征从子目标区域中快速定位和识别群目标。实验表明,所选的纹理特征可以有效区分防护掩体与各种自然背景;提出的基于分布特征定位和识别目标的剪枝算法,与同类算法相比速度获得较大提高。对于多幅航空图像进行识别实验均得到满意的结果,表明这种方法可以有效的从复杂自然场景中快速识别出感兴趣的群目标。

常用费歇判别准则的比较

对费歇判别分析中用于判别样品归属的几个常用判别准则进行了讨论和比较 ,认为用临界值准则判别的正确率较小 ,即使用改进的临界值准则也未必能得到较大的改善 ,而利用马氏距离法一般可得到更好的判别效果。在分析的基础上 ,提出了一种新的马氏距离法。

基于支持向量机的语音情感识别算法研究

为了提高语音情感识别系统的识别率,研究分析了一种支持向量机核函数参数的优选方法。首先给出影响支持向量机核参数的因素,其次依据这些因素,结合Fisher准则和最大熵原理对支持向量机的核参数进行优选。最后用优选参数对基于情感语音数据库进行5种情感的识别测试,测试结果表明Fisher准则和最大熵方法相融合能够有效地提高语音情感识别准确率。

多层卷积神经网络深度学习算法可移植性分析

在现实环境下,出现恶意用户或攻击者对机器学习算法的攻击;在应用过程中,机器学习算法也会受到物体形状、位移、尺度、光照、背景等因素的影响。针对这些使用过程中所产生的安全性问题,本文提出了基于多层卷积神经网络深度学习算法的图像识别方法,并对其可移植性进行分析,通过对抗性训练提高模型泛化能力来防御对抗样例攻击。针对可用性攻击,在前向传播过程中,采用训练好的多层卷积神经网络深度学习模型自动提取输入图像特征,并利用模型权值共享、更新、下采样等操作对输入图像做降采样处理,降低计算复杂度;在反向传播过程中,利用delta法则和Fisher准则,以及基于类内距离和类间距离的能量约束函数实时调整多层卷积神经网络深度学习模型参数,计算模型输出层各个输出单元的残差,使模型权值能够更加快速收敛到有利于图像识别的最优值。测试结果表明:多层卷积神经网络深度学习算法在图像识别领域的应用具有识别准确率和鲁棒性较高,耗时较短的优点,从理论和实验2方面证明了算法的可移植性。

基于动态阈值图像分割法的人脸识别技术研究

提出一种基于动态阈值图像分割的人脸识别方法.在灰度级别下,基于图像分割中的Fisher准则,利用Fisher函数的类间均值最大、总类内方差最小的原则,自动获取待检测图像所对应的最佳分类阈值,并根据所得的动态阈值进行肤色分割,然后再根据阈值解码器,实现肤色似然图的二值化,得到肤色分割后的二值化图像,从而检测到包含有人脸的肤色区域.实验结果表明,该方法改善肤色分割性能,能够在负载复杂背景下实现肤色区域的精确分割,提高人脸检测的速度和精度.

二维合并双向可调拉普拉斯逆线性判别分析算法

两维的水平可调拉普拉斯逆线性判别分析算法是在两维的水平拉普拉斯逆线性判别分析算法的基础上在类间的拉普拉斯散度矩阵上增加了一个参数来调节得到的,同理得到两维的垂直可调拉普拉斯逆线性判别分析算法。两维合并双向可调拉普拉斯逆线性判别分析算法(2DCBMLIF)是合并水平和垂直两个方向的两维可调拉普拉斯逆线性判别分析算法得到的。在FERET和CMU PIE两个人脸库中,2DCBMLIF同四个算法进行了对比试验,测试结果显示该算法是有效和可行的,2DCBMLIF提高了人脸识别率。

一种基于Fisher判别准则的场对场判别预报方法

针对一个因变量判别方法在短期气候预报中的不足 ,同时由于准确地定量预测非线性短期气候系统的演变十分困难 ,提出了一种基于Fisher判别准则的场对场判别方法及其求解方案 ,并引入到短期气候预报中 .应用结果表明 ,这一场对场的判别预报方法具有较好的判别预报效果 .