一种自适应正则化参数和模数的图像去卷积方法

自适应正则化方法是解决图像去卷积问题中平滑噪声和保持边缘矛盾的一种方法,传统的自适应正则化方法只考虑到图像的整体信息而忽略了图像内部不同区域的细节信息,本文提出的自适应正则化方法,利用Katsaggelos自适应正则化参数,自适应的改变正则化参数,并通过图像内部不同区域的信息自适应改变正则化模数矩阵．从而实现了平滑噪声和保持边缘的平衡,既保持了边缘又抑制了噪声,取得了更好的去卷积效果．     

基于自适应尺度LE的轮廓编组算法

在图嵌入框架下，以编组线索的聚类来实现轮廓编组的方法，不仅可以有效地将局部特征和全局特征结合起来，而且更加符合人类视觉感知以流形存在的特点．本文在分析相似度矩阵对样本结构表示意义的基础上，提出了一种基于自适应尺度LaplacianEigenmap的轮廓编组算法．该算法能够根据编组线索多维特征的不同局部统计特性，自适应地改变相似度计算模型中的尺度因子，使相似度矩阵更准确地反映编组线索数据集的结构特性．在此基础上通过降维实现编组元的聚类，从而得到轮廓编组的结果．实验证明，该算法对于局部统计特性差异较大的编组线索有着良好的适应性，尤其对于有遮挡的感知目标，表现出比图分割方法更为优越的性能．     

Renyi信息熵指导下的聚合层次化聚类

聚合层次化聚类是聚类分析中发现数据集潜在结构的一类重要方法．在这类方法中,影响聚类质量的一个关键问题是如何度量子类之间的距离．作为子类间的相似性度量,不但可以通过非参数估计的方式进行计算,还可有效地利用子类数据集中所有样本提供的信息,对子类中数据分布的描述更加充分．实验结果显示,在两种具有代表性的人造数据集上,基于Renyi熵的类间距离度量比3种传统度量方法有更好的层次化聚类效果．并且,在图像过分割的情况下,通过Renyi熵距离对子分割区域进行合并可以找到合理的分割目标．     

楼宇三维路径模型的自动生成算法

提出了一种楼宇三维路径的自动生成算法.该算法首先使用图像细化算法及特征点提取算法建立单层楼的通道路径,并将房间等楼层实体作为结点连接到通道路径上,从而建立好单层楼的路径图;然后利用楼梯结点和电梯结点将相邻的楼层路径图相互连接起来,生成完整的楼宇三维路径模型.该路径模型是由弧和结点结构组成的带权图结构,可以应用于智能导航、楼宇自动控制、紧急情况的人员疏散及楼宇安全等领域.     

一种新的复杂细胞启发下的特征提取方法

鉴于V1区复杂细胞具有提取外界刺激不变本质的能力,设计了一个提取目标图像局部不变特征的方法.该方法首先使用提出的无监督算法（PCICA）,从图像中学习出类似于复杂细胞感受野的滤波器集合.然后利用这些滤波器组成的复杂细胞描述子,提取目标图像各个位置的不变特征.最后对图像特征图进行分块统计,将各区域的直方图序列作为图像的最终描述.测试结果表明,PCICA具有类似于快速独立分量分析算法（FastICA）三阶收敛的特点,从图像中学习出的滤波器集合,表现出复杂细胞感受野的拓扑结构.这些滤波器对于局部图像的微小变化并不敏感,对于检测不变特征十分有利,并在MNIST手写体数据库上取得0.84%的识别错误率.