多通道Laplacian矩阵融合的超图直推学习模型

超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点间全局高阶信息,增加Markov随机游走的扩散范围.但这会导致矩阵维度高,计算开销大.因此进一步提出多通道Laplacian矩阵融合法,用多个通道计算异构超图结构各自的Laplacian矩阵,再加权累加.在4个数据集上的实验表明,两种方法都能提高超图直推学习模型的分类性能,且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本,F1指标最高提升8.4%.

基于图的自适应加权多视图聚类

针对现有的基于图的多视图聚类算法没有考虑不同视图的权重和视图数据存在噪声的问题,提出一种基于图的自适应加权多视图聚类算法。通过自适应邻域学习从原始数据中构造多个关系图,引入视图权重调节参数,减少噪声的影响;通过自适应学习将各个关系图融合成统一关系图,通过秩约束优化使数据点自动划分成所需的簇,从而得到聚类结果。在多视图数据集上的实验结果表明了该算法的有效性。

基于非下采样Shearlet和WNMF的红外热波图像融合

提出了基于非下采样Shearlet变换和加权非负矩阵分解的红外热波图像融合方法.红外热波序列图像经非下采样Shearlet变换后,采用动态加权非负矩阵分解算法对低频系数进行融合处理.该算法的加权系数依据图像像素突变度动态调整,以突出红外热波图像的缺陷区域;高频系数则采取基于区域改进拉普拉斯能量和的融合策略,以保持缺陷的边缘细节.实验结果表明,本文方法在主观视觉效果及边缘保持度、相关度、运行时间三种客观定量评价指标中,融合性能更优,具有快速、有效等优点,能更完整和清晰地保持红外热波图像的边缘轮廓.该方法可有效地应用于多幅红外热波序列图像的融合中,在红外热波无损检测领域具有较高的实用价值.

一种基于NSST的双频高分辨SAR图像融合方法

针对传统融合方法不能很好地处理高分辨SAR图像的大量边缘、纹理等细节信息的问题,提出一种基于非下采样剪切波变换(NSST)的双频高分辨SAR图像融合方法.首先利用NSST对源图像进行多尺度分解,得到高、低频系数;然后基于改进的非负矩阵分解合并低频系数,并利用改进的拉普拉斯能量和合并高频系数;最后利用NSST逆变换,对融合后的高、低频系数进行重构,得到融合图像.实验结果表明,与传统方法相比,本文方法能对源图像中的纹理、边缘等细节特征有较好的融合效果,大大缩短了运算时间.机载SAR实测数据验证了本文方法的有效性和实用性.