针对高光谱遥感数据特征提取方法的研究, 提出了一种新的监督近邻重构分析(Supervised Neighbor Reconstruction Analysis, SNRA) 算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构; 然后在低维嵌入空间中保持该重构关系不变, 尽可能地分离开非同类数据点, 并利用总体散度矩阵来约束数据间的相关性; 最后求解得到一个最佳投影矩阵, 进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性, 同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明: 提出的方法能更好地揭示出高光谱遥感数据的内在特性, 提取出更有效的鉴别特征, 改善分类效果。
高光谱遥感数据分类 特征提取 监督学习 邻域重构 总体散度矩阵 hyperspectral remote sensing data classification feature extraction supervised learning neighbor reconstruction total scatter matrix 红外与激光工程
2016, 45(10): 1028003
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100039
研究了多视点下三维目标的识别问题。针对传统的采用单一特征的方法在目标描述方面的不足, 提出了一种融合多种特征的识别算法。首先, 利用各向异性高斯方向导数相关矩阵提取目标角点, 采用骨架约束提取特征角点, 将各特征角点到目标质心的归一化距离作为角点描述子。接着, 分别提取目标的几何矩不变量、仿射矩不变量、目标边界的傅里叶描述子; 计算4种特征的类内和类间散布矩阵; 以样本散布矩阵的迹作为权重, 加权融合4种特征。然后, 对融合后的特征向量进行独立成分分析(ICA), 得到相互独立的特征分量。最后, 采用支持向量机的分类方法进行分类。实验结果表明, 本文提出的方法比采用单一特征的方法的正确识别率平均提高10%以上, 且在小训练样本(10%总体样本)情况下仍能获得80%以上的识别率, 可满足经纬仪实时目标识别系统的要求。
目标识别 多视点 特征融合 特征角点 散布矩阵 独立成分分析 支持向量机 object recognition multi-view feature fusion particular corner scatter matrix Independent Component Analysis(ICA) Support Vector Machine(SVM) 光学 精密工程
2014, 22(12): 3368
1 安徽理工大学 计算机科学与工程学院, 安徽 淮南 232001
2 哈尔滨工业大学 航天学院, 哈尔滨 150001
以无监督判别投影算法为理论基础, 提出了一种基于极小准则的完备正交判别局部保持投影算法。算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类间局部保持散度矩阵, 然后借鉴无监督判别投影算法的目标函数, 推导出一个基于极小准则的目标函数, 该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题, 最后给出了该算法基于QR 分解的正交投影矩阵的求解方法。人脸库上的实验结果表明了所提方法的有效性。
完备正交判别局部保持投影算法 散度矩阵 无监督判别投影算法 目标函数 非零空间 complete orthogonal discriminant locality preservi scatter matrix unsupervised discriminant projection objective function non-null space
1 西安理工大学 计算机科学与工程学院,西安 710048
2 四川大学 图像图形研究所,成都 610064
指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法。首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类。实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法。
人脸识别 特征提取 线性鉴别分析 小样本问题 散布矩阵 face recognition feature extraction linear discriminant analysis small sample size problem scatter matrix
