類間
- 類內(nèi)-類間通道注意力少樣本分類
提出了一種類內(nèi)-類間通道注意力少樣本分類方法（Intra-inter Channel Attention Few-shot Classification， ICAFSC）。該方法在原型網(wǎng)絡基礎上設計了一個類內(nèi)-類間通道注意力模塊（Intra-inter Channel Attention Module， ICAM），該模塊通過類內(nèi)-類間距離度量計算通道權重實現(xiàn)特征加權，促使同類別特征更加緊湊不同類別特征更加分散，提高特征對類別的鑒別能力。ICAM 包含類內(nèi)
光學精密工程 2023年21期2023-12-02
- 基于改進OTSU 的煤塵顆粒圖像分割算法研究?
再通過改進的最大類間方差法尋找合適的閾值對煤塵顆粒進行分割，最后通過實驗分析驗證該方法的可行性和優(yōu)越性。2 改進同態(tài)濾波2.1 同態(tài)濾波因拍攝煤塵圖像時受到光照影響，故煤塵圖像不能直接用于圖像分割處理，需要先通過同態(tài)濾波對圖像進行處理。同態(tài)濾波是一種把頻率過濾和灰度變換結(jié)合起來的圖像處理方法，它把圖像的照度-反射模型作為頻域處理的基礎［7］，通過對圖像的灰度范圍的調(diào)整，可以有效解決圖像上照度不均勻及動態(tài)范圍過大對圖像產(chǎn)生影響的問題［8］，即根據(jù)圖像的照度-
計算機與數(shù)字工程 2023年8期2023-11-21
- 一種優(yōu)化的近鄰保持嵌入降維算法研究
重構(gòu)時沒有考慮到類間的權值信息以及類內(nèi)的密度信息,因此在數(shù)據(jù)降維上仍有局限性。梁春燕等人通過構(gòu)建鄰接圖以獲得數(shù)據(jù)的局部鄰域結(jié)構(gòu),同時通過有監(jiān)督訓練對數(shù)據(jù)進行類別標注[16]。盡管考慮到了數(shù)據(jù)類間之間的信息情況,進一步提高數(shù)據(jù)的識別性能,但對數(shù)據(jù)類內(nèi)信息欠學習,算法的性能需進一步提高。Sumet Mehta等人[17]提出了一種加權鄰域保持嵌入算法(WNPEE),構(gòu)造了一個相鄰圖的集合,使得最近鄰的數(shù)目k的選擇是變化的,這種方法對鄰域大小參數(shù)的敏感性相比NP
計算機技術與發(fā)展 2023年6期2023-06-15
- 基于二維主成分分析法的變壓器聲紋特征參數(shù)融合方法
本文在此定義平均類間區(qū)分度DR=[DR1,DR2,…,DRm]，其中，m為特征數(shù)目，DRi為第i個特征的平均類間區(qū)分度。平均類間區(qū)分度為變壓器某個狀態(tài)聲信號特征的類間離散度與類內(nèi)離散度之比[20]，即(11)(12)(13)式中：M為變壓器的樣本類別數(shù)目；N為每類樣本的數(shù)目；μh為第h類樣本中特征向量x的平均值；μ為所有樣本中特征向量x的平均值；xh,n0為第h類樣本中第n0個樣本的特征向量。DRi≤1表示所獲取的特征xi無法區(qū)分不同類型的信號，DRi>1
廣東電力 2022年9期2022-10-25
- 基于類內(nèi)類間距離量級平衡的FCM聚類算法設計
而目標函數(shù)中類內(nèi)類間距離合成形式是關鍵點。于是，本文擬深入分析類內(nèi)距離和類間距離之間的關系，基于兩類距離數(shù)值量級的差異性，設計兩類距離平衡方法，進而提出一種新的FCM聚類目標函數(shù)設計和聚類算法，提高多維大數(shù)據(jù)環(huán)境下FCM算法的聚類績效。1 FCM聚類算法概述FCM聚類算法是一種應用廣泛的聚類算法，其原理是基于數(shù)據(jù)屬性的相似性以及數(shù)據(jù)屬性的差異性，通過自動迭代算法實現(xiàn)對大量數(shù)據(jù)的聚類劃分。假定聚類數(shù)據(jù)量為n(X=(x1,x2,…,xn)∈RS)，數(shù)據(jù)集維度為
運籌與管理 2022年8期2022-09-13
- 基于流行學習的降維算法研究
懲罰圖是用于描述類間數(shù)據(jù)的分離性。 本征圖是由每個樣本點的最近同類KNN(KNearest Neighbors,KNN)構(gòu)成,在KNN 圖中,每個點對應于一個樣本數(shù)據(jù),如果KNN 點是該樣本點的KNN 近鄰點,且屬于同一類別,則兩點之間添加一條邊。 以此方法,遍歷所有樣本點的所有KNN 同類樣本點。 懲罰圖是由每個樣本點的異類KNN 近鄰點構(gòu)成,懲罰圖中的每個點對應一個樣本數(shù)據(jù),如果KNN 點是該樣本點的所對應的KNN 近鄰點,并且屬于異類,則在懲罰圖中的
無線互聯(lián)科技 2022年9期2022-07-21
- 基于SNMF聚類與類間可分性因子的高光譜波段選擇*
聚類［3～4］與類間可分性因子的高光譜圖像波段選擇方法，該方法先采用SNMF聚類算法對波段進行聚類，然后計算出每個波段的類間可分性因子，并以此為參考進一步從各類簇中選取波段，所有被選中的波段構(gòu)成最終的波段子集。最后利用真實場景中采集的高光譜地表結(jié)構(gòu)數(shù)據(jù)集進行實驗分析，采用波段子集的平均信息熵、平均相關系數(shù)和平均相對熵三項指標進行評價［5］，并使用SVM分類器進行分類驗證。2 SNMF聚類算法非負矩陣分解（Non-negative Matrix Factor
計算機與數(shù)字工程 2021年9期2021-10-08
- 二維線性鑒別分析和協(xié)同表示的面部識別方法
權得分融合機制將類間虛擬圖像、類內(nèi)虛擬圖像和原始圖像[16-18]分別在CRC上的獲得得分并進行融合，將在第2.3節(jié)詳細介紹.為了驗證本文方法的識別性能，分別在ORL、AR、GT不同數(shù)據(jù)庫上進行實驗.本文的主要貢獻如下：1)本文首次提出對二維線性鑒別分析的類間散布矩陣和類內(nèi)散布矩陣進行特征提取，進而得到兩類特征，即類間特征和類內(nèi)特征.有效緩解了單一特征不能很好地表示圖像的問題.2)本文所提出的類間特征和類內(nèi)特征與原始圖像是互補的.3)本文采用新穎的加權得分
小型微型計算機系統(tǒng) 2021年8期2021-08-25
- 基于部分加權損失函數(shù)的RefineDet
一個共同的問題：類間樣本不平衡［8］。類間樣本不平衡即某些類別樣本數(shù)目遠大于其他類別的情況，包括前景和背景間的不平衡以及前景類間樣本不平衡。不平衡問題如不解決，會導致檢測器對小類樣本檢測準確度低下，最終降低模型的性能。針對類間樣本的不平衡問題，許多學者進行了研究［9-16］。在基于錨框的檢測器中，兩階檢測器通常利用二階級聯(lián)和啟發(fā)式抽樣方法來解決類間樣本不平衡：在第一階段通過生成特定候選目標的方式過濾大量冗余的背景樣本，如學習分割候選目標［9，10］、選擇性
計算機應用 2021年7期2021-07-30
- 基于SSA-Otsu的彩色圖像多閾值分割研究
行比較。1 最大類間方差法（Otsu）最大類間方差法，最早由日本學者OTSU在1979年提出的，是一種高效的圖像分割算法。Otsu閾值分割法是一種非參數(shù)形式的分割方法，通過求取中間的方差最大值，將圖像進行分類。假設一幅圖像的像素點數(shù)為N，灰度級為L（L=256），灰度級的范圍為0,1，…，L-1，灰度值為i的像素點個數(shù)為Ni，N=N0+N1+N2+...+NL-1，灰度值i出現(xiàn)的概率為：對于單閾值分割，最優(yōu)閾值t將待分割圖像分割成C0和C1兩部分，這兩類像
現(xiàn)代計算機 2021年10期2021-05-28
- 基于類間螞蟻競爭模型的顯著圖像分割算法
該文的研究重點是類間螞蟻競爭模型的顯著圖像分割，發(fā)展具有人工干預少、精度高、可靠性好等優(yōu)點的顯著圖像分割算法。在此基礎之上進行的應用研究將使得本項目的研究有著重要的現(xiàn)實意義。著名的單種群動力學Logistic模型關注了單個種群的數(shù)量變化情況，事實上任何生物種群中都存在類間競爭情況，從而實現(xiàn)種群之間的協(xié)同進化。受到這種競爭關系的啟發(fā)，該文以傳統(tǒng)蟻群算法為基礎，提出類間螞蟻的競爭模型，設想基于兩類螞蟻相互競爭的顯著圖像分割。算法首先采用SLIC(simple
計算機技術與發(fā)展 2021年1期2021-01-19
- 基于OTSU改進的布匹檢測算法研究
經(jīng)。1 改進最大類間方差法OTSU全稱最大類間方差法，該方法將待檢測樣本的前景和背景分離開來。本文將素色布匹的正常底紋看作背景，把待檢測素色布匹的瑕疵區(qū)域看作前景。通過OTSU閾值分割算法把素色布匹瑕疵區(qū)域和標準紋理背景信息進行解耦[3]，得出的最佳閾值將布匹瑕疵與紋理背景分割開來，實現(xiàn)瑕疵檢測。最大類間方差算法具有檢測周期短和運算速度快等優(yōu)點[4]，可以滿足工業(yè)現(xiàn)場的實時檢測要求。傳統(tǒng)最大類間方差算法原理：假定待檢測的素色布匹圖像共有L個灰度級，nq是灰
無線互聯(lián)科技 2020年22期2021-01-11
- 監(jiān)督機制多粒度決策粗糙集模型及應用
，引入類內(nèi)閾值和類間閾值的概念，結(jié)合多粒度數(shù)據(jù)分析的優(yōu)勢，構(gòu)建新的多粒度決策粗糙模型，提出了基于監(jiān)督機制的多粒度決策粗糙集，驗證了模型的相關性質(zhì)，并討論了模型之間的關系。該模型是傳統(tǒng)多粒度決策粗糙集的推廣形式，通過理論分析和實例證明，該模型可以通過變更類內(nèi)閾值和類間閾值來提升多粒度決策粗糙集刻畫不確定性知識的能力，幫助優(yōu)化決策，具有更好的實用性。2 基本概念2.1 決策粗糙集設信息系統(tǒng)S=＜U,A=C?D,V,f ＞，A=C?D，其中U={x1,x2,…,
計算機工程與應用 2020年18期2020-09-15
- 基于類內(nèi)和類間距離的主成分分析算法
算法，通過最大化類間最大距離，最小化類內(nèi)最小距離，從而提升了數(shù)據(jù)低維表示的判別能力，但其對于高維數(shù)據(jù)的降維效果不太理想。因此，如何在保證降維效果的前提下，同時提高數(shù)據(jù)低維表示的判別能力是值得進一步研究的。針對以上問題，本文將類內(nèi)和類間距離的思想引入E-PCA算法中，提出了一種基于類內(nèi)和類間距離的主成分分析算法—IOPCA。1 相關工作1.1 主成分分析主成分分析(PCA)算法是一種常用的數(shù)據(jù)降維方法[7]。該方法的基本思想是將n維特征映射到k維。這k維特征
計算機工程與設計 2020年8期2020-09-04
- 基于貝葉斯估計的多類間方差目標提取*
方法有:雙峰法、類間方差閾值分割法、模糊閾值分割法等。類間方差法僅對類間方差為單峰的圖像產(chǎn)生較好的分割效果,當圖像呈現(xiàn)雙峰或多峰時效果不好,同時,該方法受獲取圖像的自然環(huán)境影響最大,分割的準確率較低[1]。有不少學者對其進行過改進。吳駿等將拉普拉斯能量應用于PCNN鏈接強度的自適應設置[2],該方法受噪聲影響較大;石爽等通過加入背景大小估值和迭代來約束類間方差分割[3],當目標灰度高于背景時效果較好,但目標灰度值處于背景中間時效果較差;李擎等通過全局最大類
彈箭與制導學報 2020年2期2020-09-01
- 不均勻光照條件下二值化圖像處理的研究
2 OTSU最大類間方差二值化最大類間方差法是由日本學者大津提出的一種自適應閾值確定的方法，又稱大津法，簡稱OTSU。最大類間方差法首先要計算圖像的直方圖，直方圖體現(xiàn)的是圖像灰度的整體分布情況，橫坐標是灰度值mk，縱坐標是該灰度值的概率Pk。根據(jù)直方圖的統(tǒng)計信息，求出像素類的概率P以及像素類的平均灰度m。遍歷0-255之間的每個像素值，尋找能得到最大類間方差的像素值，由此得到的像素值就認為是合適的閾值。根據(jù)該閾值對圖像進行二值化分割，得到二值化圖像。最大類
電子元器件與信息技術 2020年2期2020-05-14
- 卷煙包灰及燃燒性能間的關系
Wm）等7種測算類間距離或相似性的方法；兩兩組合共可形成42種不同的層次聚類法。考慮到不同聚類方法得到的結(jié)果可能不一樣，分別從類間樣品數(shù)的均衡性和類間各項指標的差異性兩方面對不同方法得到的聚類結(jié)果進行比較，從而選擇適合的聚類方法。1）不同聚類方法對類間樣品數(shù)均衡性的影響，表3所示是采用不同方法聚類時，所得到的三個類中最小樣品數(shù)與最大樣品數(shù)的統(tǒng)計結(jié)果。可以看出聚類方法對類間樣品數(shù)均衡性的影響很大，如采用相似性系數(shù)（Co） 測算樣品間相似性、組間平均距離法（B
云南化工 2020年3期2020-04-17
- 基于類間區(qū)分度的屬性約簡方法*
，本文提出了一種類間區(qū)分度的概念，用于衡量不同類簇對象間的區(qū)分關系，在其值的計算過程中需要考慮不同類簇對象間的關系及分布情況。相較于等價類和上下近似集而言，類間區(qū)分度考慮到了上述所忽略的不存在不可分辨關系的各類簇對象的區(qū)分關系情況，且其值的變化能夠反映隨著屬性集的變化不同類簇間區(qū)分情況的變化。本文基于類間區(qū)分度，定義了一種屬性約簡，并提出了相應的屬性約簡算法。在該方法中，將類間區(qū)分度的概念引入到屬性約簡中，在約簡過程中充分考慮到該區(qū)分度值的變化情況，并給出
計算機與生活 2019年8期2019-08-12
- 基于類間方差驗證的Tsallis熵閾值分割
，綜合類內(nèi)方差和類間方差的基礎上改進了Otsu法。針對Tsallis熵實現(xiàn)閾值分割時參數(shù)q選取存在的不足，本文提出一種新的基于最大化類間方差驗證的Tsallis熵閾值分割方法。具體實現(xiàn)時，考慮到Otsu法基于最大類間方差，通過目標和背景類之間的差異最大化選取分割閾值；Tsallis熵法通過非廣延性參數(shù)q建立目標和背景類間的相關性選取分割閾值，因此先根據(jù)經(jīng)驗選取一系列可能的q值，然后計算相應的Tsallis熵對應的分割閾值再計算對應的類間方差，通過選取最大類
安徽建筑大學學報 2019年3期2019-07-26
- “類內(nèi)-類間”綜合干旱指數(shù)在遼寧省干旱評價中的應用
提出基于“類內(nèi)-類間”綜合干旱指數(shù)法，對遼寧地區(qū)的干旱進行綜合評價。1 研究方法“類內(nèi)-類間”綜合指數(shù)法與加權平均法類似，是基于各干旱指標對應等級量化值進行的綜合干旱分析，但不同的是先對上一節(jié)所述的同一類干旱分析指標進行“類內(nèi)”綜合，得到各大類的旱情指數(shù)，然后對各大類指數(shù)再進行“類間”綜合，考慮干旱指數(shù)在對應等級區(qū)間的偏向性，進行更細微的綜合干旱分析。1.1 “類內(nèi)”綜合指數(shù)類內(nèi)綜合干旱指數(shù)的計算分為兩步：(1)計算復合權重系數(shù)ai(1)(2)(2)計算類
水利規(guī)劃與設計 2019年6期2019-06-25
- 基于一種改進的最大類間方差的恒虛警算法*
布距離,基于最大類間方差方法得到的分割閾值對分布距離進行分類,據(jù)此,檢測背景被分為均勻區(qū)域和非均勻區(qū)域。由于該算法依據(jù)數(shù)據(jù)先驗分布信息分別計算各個參考單元之間的KL散度,并且傳統(tǒng)最大類間方差方法(OTSU)對分布距離集合中的邊緣值存在錯分的情況,導致檢測性能難以達到理想狀態(tài)。針對上述傳統(tǒng)最大類間方差方法的缺點,同時,為了充分利用均勻雜波單元信息估計背景噪聲功率,進一步提高多目標環(huán)境下CFAR檢測器的檢測性能,文中基于傳統(tǒng)最大類間方差方法,引入一階差分(FO
彈箭與制導學報 2019年6期2019-06-08
- 基于粒子群優(yōu)化的馬氏距離模糊聚類算法
結(jié)合類內(nèi)緊致性和類間分離度的適應度函數(shù)改進PSO算法，提出改進的模糊聚類算法(Importance for fuzzy clustering algorithm based on particle swarm optimization，IFPSOFCM)。文獻[4]提出了2種將PSO算法與FCM算法混合的優(yōu)化算法來解決FCM算法的缺陷。文獻[5]提出了基于粒子群優(yōu)化的自適應神經(jīng)模糊推理系統(tǒng)的信道均衡器。文獻[6]設計了一種利用局部空間信息和偏差校正的目標函
重慶郵電大學學報(自然科學版) 2019年2期2019-04-23
- 基于自適應遺傳算法的激光圖像處理*
檢測分割法和最大類間方差分割法[5-7]等.而最大類間方差分割法由于其出色的性能，成為了一種經(jīng)典的圖像分割方法.傳統(tǒng)的最大類間方差法利用圖像類間方差最大時所對應的灰度值來對圖像進行分割.閾值的計算是通過遍歷搜索的方式實現(xiàn)，當圖像較大時，存在運算量大、計算效率低的缺陷.而自適應遺傳算法[8-11]由于具有并行運算、適應能力強和搜索能力強等特點，可以從全局角度出發(fā)，并行計算找出最優(yōu)閾值.此外自適應性可以動態(tài)調(diào)整算法執(zhí)行過程中的變異概率和交叉概率，使算法在快速全
沈陽工業(yè)大學學報 2019年2期2019-03-22
- 一種改進的K-means算法
大類內(nèi)距離與最小類間距離作為樣本劃分或合并的標準.具有相關性縮放因子的距離定義如下：圖1 同聚類中心數(shù)k時的聚類結(jié)果其中，d（xi，xj）表示 xi和 xj的歐式距離，cor（xi，xj）表示 xi與 xj的皮爾遜相關系數(shù)，Max_cor，Min_cor分別表示樣本對象間皮爾遜相關系數(shù)的最大與最小值，g（xi，xj）表示歸一化后的相關系數(shù)，0.001 為了防止 g（xi，xj）為 1 時樣本間距離為 0.最小類間距離：最大類內(nèi)距離：其中，xi是以cj為聚類
江西理工大學學報 2018年5期2018-11-08
- 關于圖像分割中的適應度函數(shù)修正和遺傳算法實現(xiàn)
的相近，其中最大類間方差法［3-4］是有代表性的方法，該方法的思想是通過尋找灰度圖像的合適閾值，從而使得圖像分割后各類之間的灰度平均值方差達到最大.為了求解最大類間方差法中的最優(yōu)化問題，遺傳算法［5］是處理該類數(shù)學問題的有效方法.遺傳算法由Holland提出，模擬自然界生物進化機制，即遵循適者生存、優(yōu)勝劣汰法則，在優(yōu)化問題求解中能克服常見數(shù)值優(yōu)化算法局部收斂的困難［6-7］，保證較為穩(wěn)定的迭代尋優(yōu)過程.筆者利用遺傳算法在最優(yōu)化問題求解中的優(yōu)勢，通過運用最優(yōu)
韶關學院學報 2018年9期2018-10-31
- 基于類間功率譜差的FRFT-TDCS門限判決算法
征出發(fā)，利用 “類間方差最大既是錯分概率最小”的思想[8],根據(jù)類間方差算法僅以均值為特征的缺陷，提出類間功率譜差算法，無需對噪聲有先驗知識。仿真結(jié)果表明，該算法能較大地改善系統(tǒng)的抗干擾能力。1 LFM干擾分數(shù)域頻譜特征1.1 分數(shù)階傅里葉變換定義信號x(t)的α角度的FRFT定義為(1)1.2 線性調(diào)頻干擾定義LFM干擾是一種典型的非平穩(wěn)干擾信號，其瞬時頻率隨時間呈線性變化，多分量LFM干擾可表示為(2)(2)式中，ki，fi，Ai分別代表第i個分量LF
重慶郵電大學學報(自然科學版) 2018年5期2018-10-19
- 多光譜影像混合像元解混的加權變異系數(shù)分析法
bility)和類間差異(Inter-class variability)[11]。各類算法通過在一定程度上縮小類內(nèi)差異、擴大類間差異來達到提高解混精度的目的。SOMERS等[12]將現(xiàn)有的解決端元差異的算法分成5大類：迭代混合分析、光譜特征選擇、光譜波段加權、光譜轉(zhuǎn)換和光譜建模。(1)迭代混合分析類算法首先需要定義由所有可能端元組合組成的端元組合候選庫。然后針對每個混合像元，通過循環(huán)迭代的方法從候選的端元組合庫中選出適合該像元的最優(yōu)端元組合作為該像元的解
農(nóng)業(yè)機械學報 2018年9期2018-09-17
- 基于三種分割算法的高分辨率影像分割比較
行實驗，并與最大類間方差法進行比較，結(jié)果表明通過對初始全局閾值T0進行調(diào)整和對程序算法進行優(yōu)化后的迭代閾值算法在分割結(jié)果及處理時間上都優(yōu)于最大類間方差法。李珀任等[3]提出了一種融合了光譜和紋理特征的綜合梯度的標記分水嶺算法，并以北京某區(qū)空間分辨率為0.6 m的快鳥數(shù)據(jù)為數(shù)據(jù)源進行分割實驗，實驗表明該方法能夠充分利用高分率遙感影像的特性信息，并能有效制止分水嶺過分割現(xiàn)象。丁曉峰等[4]提出了一種基于最大類間方差的改進圖像分割算法，與傳統(tǒng)的方法相比，該方法計
中南林業(yè)調(diào)查規(guī)劃 2018年1期2018-06-07
- 最大類間方差法改進的ECT正則化圖像重建算法
旺，閆曉丹?最大類間方差法改進的ECT正則化圖像重建算法孫啟國，羅光旺，閆曉丹（北方工業(yè)大學 機械與材料工程學院，北京 100144）電容層析成像作為油氣潤滑氣液兩相流參數(shù)檢測的主流方法之一，其成像系統(tǒng)具有高度不適定性。研究旨在優(yōu)化能滿足油氣潤滑系統(tǒng)精確度和實時性要求的電容層析成像圖像重建算法，以擅長處理不適定問題的Tikhonov標準正則化算法作為電容層析成像圖像重建系統(tǒng)的基礎算法，并采用最大類間方差法自適應獲得的最優(yōu)閾值對Tikhonov標準正則化重建
機械 2018年5期2018-06-05
- 基于遺傳算法的二維最大類間方差法的優(yōu)化
值分割法中，最大類間方差法因計算簡單、運算效率高、速度快且得到的閾值較為準確，得到了廣泛應用[1]。但最大類間差法的缺點也顯而易見，對于目標和背景相差不大的圖像，灰度直方圖呈現(xiàn)雙峰或多峰的情況，使用此方法很容易導致圖像的信息丟失，處理時也只是考慮到了圖像的灰度信息而沒有考慮其空間信息，因此分割后圖像上目標的輪廓在細節(jié)上會比較模糊。所以對分割后圖像質(zhì)量要求較高的情況，一維最大類間方差法顯然是不能滿足要求的[2]。針對一維閾值法的不足，二維最大類間差法引入了鄰
機械與電子 2018年4期2018-05-07
- 基于類間相似方向數(shù)的二叉樹支持向量機
基礎上提出了一種類間相似方向數(shù)來作為生成偏二叉樹支持向量機的準則。采用圖示法和數(shù)值實驗表明本文的方法具有一定的優(yōu)越性。1 基于類間相似方向數(shù)的二叉樹多類分類算法1.1 相關定義定義1：中心向量[11]。一個類別的中心即為該類別所有訓練樣本向量的平均值，中心向量為：為了研究三分類問題的分類順序影響分類精度的問題，在文獻[11]提出的類間相似方向的基礎上，本文改進了類內(nèi)和類間相似方向，再考慮到類間的距離，提出了類間相似方向數(shù)的相關定義如下：令類i的類內(nèi)相似方向
統(tǒng)計與決策 2018年4期2018-03-21
- 一種基于類內(nèi)聚集度和類間離散度的特征集提取方法
一種類內(nèi)聚集度和類間離散度的定義，并提出一種基于類內(nèi)聚集度和類間離散度的特征集評價準則?；谠摐蕜t，采用特征排序選擇的搜索策略，可以從雷達輻射源信號原始特征集中挑選出品質(zhì)優(yōu)良的特征子集，從而實現(xiàn)對雷達輻射源信號的準確識別。1 雷達輻射源信號多模特征分類1.1 物理分類方式物理意義上，可把雷達輻射源信號多模特征分為以下五個類別。脈沖序列統(tǒng)計特征：載頻、重頻、脈寬等；脈沖序列衍生特征：載頻、重頻、脈寬的相關性及組合變化特征等；單脈沖脈內(nèi)調(diào)制特征：頻率、帶寬、調(diào)
航天電子對抗 2017年6期2018-01-22
- 改進的OTSU法在遙感水體信息提取中的應用*
標像元和背景像元類間方差、類內(nèi)方差兩個指標，并結(jié)合粒子群算法，對研究區(qū)水體信息進行提取。實驗結(jié)果表明，提出的算法能更快地確定閾值，有效地提取水體信息。MNDWI；大津法；粒子群算法；遙感水體信息提取0 引言衛(wèi)星遙感數(shù)據(jù)具有監(jiān)測范圍廣、更新速度快、不受地域限制等優(yōu)勢，近年來已成為我國農(nóng)業(yè)、工業(yè)、軍事監(jiān)測的重要數(shù)據(jù)來源。多光譜遙感影像是眾多遙感影像中的一種，可被用于地表水體信息的快速提取，為洪澇災害監(jiān)測以及湖泊、水庫監(jiān)測提供了極大便利。指數(shù)法是利用多光譜遙感數(shù)
網(wǎng)絡安全與數(shù)據(jù)管理 2017年20期2017-11-02
- 改進的混合高斯模型運動目標檢測算法
造成的干擾。針對類間最大對稱交叉熵自適應選取算法準確度和精確度，在特征類間的頻率和頻率分布在類間方面需要進行改進。通過增加小的元素值和信息熵改進類間的頻率，以及通過加權方式改進頻率分布在類間方面的需要。結(jié)果表明，改進的對稱交叉熵特征選擇方法在背景分類中具有更優(yōu)異的效果?；旌细咚鼓Ｐ?閾值T;對稱交叉熵;特征選擇;類間運動目標檢測方法主要有光流法、幀間差分法、背景減除法3大類[1-2]。3種方法中背景減除法應用最為廣泛，目前主流的有高斯均值法、時間中值濾波法
電子科技 2017年7期2017-07-19
- 基于模擬退火算法的圖像分割
擬退火算法的最大類間方差閾值圖像分割閾值分割方法的原理如下：設原始灰度圖像為 f(x,y)，以一定的準則在f(x,y) 中找出一個灰度值 t作為閾值，將圖像分割為兩部分，則分割后的二值圖像 g(x,y)為：閾值分割方法的結(jié)果在很大程度上依賴于閾值的選擇，因此該方法的關鍵是如何選取合適的閾值。（4）內(nèi)循環(huán)與外循環(huán)終止準則均用固定步長與固定終止溫度的閾值進行。（5）增加記憶功能。2.2 實驗結(jié)果與分析本文選用2幅灰度圖像分別是256×256的Lena圖像和51
數(shù)碼世界 2017年6期2017-07-18
- 應用耦合對象相似度的閾值分割方法研究
法及其改進算法將類間方差設定成最優(yōu)閾值，從而使得針對直方圖分布區(qū)別的圖像分割效果產(chǎn)生較大區(qū)別，論文提出應用耦合對象相似度來進行閾值分割的改進方法來解決。首先，構(gòu)建模型描述耦合對象相似度，模型能夠綜合考慮各種對象屬性及屬性之間關聯(lián)，以高準確度和低復雜度來描述耦合對象關系；其次，應用耦合對象相似度來替代傳統(tǒng)Otsu算法的類間方差作為新條件，將所選閾值劃分成每個類看成是耦合對象相似度模型中的對象，每個類都有概率和灰度均值兩種屬性，通過計算類間相似度并在類間相似度
計算機與數(shù)字工程 2017年6期2017-06-26
- 一種鑒別稀疏局部保持投影的人臉識別算法
SNPE)算法中類間離散度構(gòu)造復雜的問題,提出了一個新的維數(shù)約簡算法即鑒別稀疏局部保持投影的人臉識別算法(DSLPP)。首先利用樣本集中各類樣本的平均向量構(gòu)造字典,通過保持各類樣本平均向量的稀疏重構(gòu)關系,提出一個新的無參數(shù)類間離散度;再通過同時最大化類間離散度和同時最小化類內(nèi)緊湊度的準則來尋找最優(yōu)投影方向;最后采用最近鄰分類器進行人臉分類識別。由于所采用的類間離散度最大限度地擴大了不同類別中樣本之間的差異,因此DSLPP算法具有更強的類間判別力,其識別率得
西安交通大學學報 2016年6期2016-12-23
- 微間隙焊縫磁光成像傳感自適應識別方法
改進的多閾值最大類間方差算法。根據(jù)傳統(tǒng)最大類間方差法的基本思想進行多閾值推廣，并使用松弛余量的方法優(yōu)化算法的搜索過程。根據(jù)焊縫磁光圖像的特征，運用算法自適應確定圖像的兩個分割閾值，獲得焊縫的準確位置。焊縫位置識別試驗結(jié)果表明，改進的多閾值最大類間方差識別算法是一種有效的焊縫位置自適應識別方法，適用于基于磁光成像檢測的焊縫路徑實時跟蹤。磁光成像；微間隙焊縫；圖像分割；最大類間方差0 前言激光焊接技術已廣泛應用于制造業(yè)，激光焊接自動化是當前焊接技術發(fā)展的重要趨
電焊機 2016年4期2016-12-06
- 基于譜系聚類的公路運輸駕駛行為研究
成一個小類；通過類間距離的計算進行類間相似度的評估，把小類聚合成較大的類，最后將所有樣品聚合成一個大類，形成一個各類相似度不斷減小，類間距離不斷增大的譜系圖[4]。公路運輸中的大部分交通事故都與不規(guī)范的駕駛行為有關，比如加塞、變道超車、超速、遇障礙急剎車等駕駛行為[5]。不規(guī)范的駕駛行為是造成公路運輸中交通事故的重要原因，通過不規(guī)范駕駛行為對以往交通事故引發(fā)因素的數(shù)據(jù)進行聚類分析，找出與外部影響因素的關系，對改善交通安全狀況，提高公路運輸效率有著極其重要的
軍事交通學院學報 2016年10期2016-11-16
- 基于改進核模糊C均值類間極大化聚類算法
素的關系而忽略了類間的關系，對邊界模糊或邊界存在噪聲點的數(shù)據(jù)集進行聚類分析時，會造成邊界點的誤分問題。為解決上述問題，在核模糊C均值（KFCM）聚類算法的基礎上提出了一種基于改進核模糊C均值類間極大化聚類（MKFCM）算法。該算法考慮了類內(nèi)元素和類間元素的聯(lián)系，引入了高維特征空間的類間極大懲罰項和調(diào)控因子，拉大類中心間的距離，使得邊界處的樣本得到了較好的劃分。在各模擬數(shù)據(jù)集的實驗中，該算法在類中心的偏移距離相對其他算法均有明顯降低。在人造高斯數(shù)據(jù)集的實驗中
計算機應用 2016年7期2016-07-19
- 基于圖像傳感器的鐵軌表面缺陷視覺檢測算法*
法［11］和最大類間方差法［12］等自動閾值法，但這些方法對直方圖為單峰分布的圖像處理并不理想，而增強后的鐵軌缺陷圖像直方圖是接近單峰分布的，因此，這些方法不適用于鐵軌缺陷圖像分割。針對無規(guī)律鐵軌表面缺陷檢測的難點，本文主要研究了局部對比度測量法和改進的最大類間方差法來對鐵軌圖像進行增強和分割，實現(xiàn)了鐵軌表面缺陷檢測率的提高。1 鐵軌圖像對比度增強圖像對比度反映了圖像目標與背景之間的亮度差異，廣泛應用的對比度主要有兩種:Weber對比度和Michelson
傳感器與微系統(tǒng) 2015年9期2015-12-07
- 基于灰度空間相關性最大類間方差的圖像分割
度空間相關性最大類間方差的圖像分割賀建峰，符 增，相 艷，易三莉，崔 銳（昆明理工大學信息工程與自動化學院，昆明650500）一維最大類間方差1D-Otsu和二維最大類間方差2D-Otsu在目標和背景比較模糊時，圖像分割效果較差。針對該問題，提出一種基于灰度空間相關性（GLSC）最大類間方差的圖像分割算法。該算法使用各像素的灰度值與其鄰域內(nèi)相似像素的數(shù)目構(gòu)建直方圖，通過計算GLSC直方圖的最大類間方差得到分割閾值，應用積分圖的思想將運算復雜度由O（（N2×
計算機工程 2015年11期2015-12-06
- 一種魯棒的多態(tài)人臉識別算法
視了同類中多態(tài)子類間的同屬關系，而且也沒有恰當?shù)靥幚懋?span id="j5i0abt0b" class="hl">類間的區(qū)別信息。該文提出一種魯棒的圖嵌入人臉識別算法，該算法可以恰當?shù)啬M同類中的多態(tài)間關系，而且能在局部流形結(jié)構(gòu)與全局區(qū)別信息間實現(xiàn)平衡。基于多個公開數(shù)據(jù)庫的人臉識別實驗證明了該方法的有效性。人臉識別; 圖嵌入; 流形學習; 多態(tài)信息與大多數(shù)圖像識別任務一樣，人臉識別也經(jīng)常面臨“維數(shù)災難”[1]問題，這時最常見的處理辦法是使用降維技術。特征選擇和子空間學習是兩種經(jīng)常使用的降維技術。主成分分析(prin
電子科技大學學報 2015年2期2015-10-14
- 基于過分割的多目標閾值圖像分割算法
域和分割邊界，將類間方差函數(shù)和熵函數(shù)作為優(yōu)化目標函數(shù)，采用多目標閾值算法對區(qū)域的代表點及分割邊界上的像素進行劃分，再將區(qū)域代表點的劃分結(jié)果擴展到各區(qū)域中，以獲得整幅圖像的分割結(jié)果。在多幅Berkeley圖像上進行分割測試，并以分割準確率作為算法性能的評價指標，結(jié)果顯示，新方法在大多數(shù)情況下能夠獲得高于最大類間方差法和最大熵法的分割準確率，此外，由于圖像區(qū)域信息的使用，使得圖像目標能夠較為完整地從背景中分離出來。多目標優(yōu)化；閾值分割；類間方差；熵；過分割在圖
西安郵電大學學報 2015年3期2015-06-23
- 一種結(jié)合遺傳算法和最大類間方差法的圖像分割新方法
合遺傳算法和最大類間方差法的圖像分割新方法韓海峰(忻州師范學院 數(shù)學系，忻州 034000)傳統(tǒng)的一維圖像Otsu方法，只能對圖像的灰度信息進行處理，對空間信息、像素等部分不能得到處理，因此在圖像受到噪聲或其他干擾時灰度直方圖中的波峰、波谷會呈現(xiàn)不明顯的分布，造成分割失誤.本文結(jié)合遺傳算法和最大類間方差法的圖像分割新方法,是以遺傳算法確定閥值空間中的最優(yōu)閥值，最大類間方差法確定圖像背景和目標圖像之間的灰度方差面的最大值，避免受到噪聲等因素的干擾.通過仿真實
湖南工程學院學報（自然科學版） 2015年2期2015-03-06
- 基于目標匹配的道路網(wǎng)增量信息的識別和提取
面積迭置率和最大類間方差法實現(xiàn)，這里的重點是面積迭置率閾值的確定。通過語義匹配和目標匹配二者結(jié)合實現(xiàn)導航道路網(wǎng)增量信息識別和提取。由于數(shù)據(jù)屬性信息并不完全一致，語義匹配只能完成一部分道路的匹配，還有很大一部分道路還需要進行增量信息提取。對于這部分數(shù)據(jù)通過面積迭置率和最大類間方差法相結(jié)合來處理。此處面積迭置率定義為2個道路緩沖區(qū)的相互重疊部分的面積占各自總面積的比值[2]，是通過對2條道路線要素根據(jù)試驗情況建立一定寬度的緩沖區(qū)，對兩者的緩沖區(qū)進行計算。首先定
山西交通科技 2015年1期2015-01-11
- 圖像預處理對人臉識別系統(tǒng)性能影響研究
可以獲得盡量大的類間散度和盡量小的類內(nèi)散度。這兩種識別算法是目前較為主流的基于子空間的人臉識別算法[4]?，F(xiàn)今，多數(shù)可以實現(xiàn)工程化的人臉識別系統(tǒng)仍是基于子空間算法的，想要得到一個具有非常高識別率的系統(tǒng)，已經(jīng)不能單純的只改進算法的原理，從獲取到的人臉圖像的源頭進行預處理，才是提高一個識別系統(tǒng)識別率非常重要的環(huán)節(jié)。根據(jù)山世光教授[5]提到的人臉識別系統(tǒng)中存在的若干問題，一個強壯的人臉識別系統(tǒng)對于人臉庫和輸入到系統(tǒng)的待識別圖像會有不同的要求，例如一個龐大的人臉庫
成都信息工程大學學報 2015年1期2015-01-05
- Class-Integration Testing Sequence Research Based on Dynamic Dependency*
向?qū)ο蟮某绦蛑校?span id="j5i0abt0b" class="hl">類間的聯(lián)系通過消息傳遞，一條消息引起連鎖反應形成一條方法調(diào)用鏈，稱為依賴關系［1］。由于面向?qū)ο蟮某绦蛟O計的特性，使得多個類構(gòu)成的類簇中的依賴關系形成網(wǎng)狀結(jié)構(gòu)圖，因此從哪里開始測試以及如何安排類間測試順序成為關鍵問題之一。測試樁數(shù)量是衡量測試代價的主要方法，因此，改進類間測試順序以減少測試樁的開發(fā)，對降低測試成本，縮短測試周期，提高測試效率是一個很有效的途徑。對于不存在環(huán)路的對象關系圖ORD(Object Related Diagram)［
傳感技術學報 2014年1期2014-09-06
- 一種由MatLab實現(xiàn)的圖像分割改進算法
像分割技術的最大類間方差法及其改進算法進行了詳細說明，最終，通過例子驗證了改進后的最大類間方差法的優(yōu)勢。圖像分割；圖像處理；MatLab工具；最大類間方差法1 引 言所謂圖像分割是按照一定的規(guī)則將一幅圖像或景物分成若干部分或子集的過程。在圖像研究和應用過程中，人們往往僅對各幅圖像中的某些部分感興趣，這些部分常稱為目標或前景，它們一般對應圖像中特定的具有獨特性質(zhì)的區(qū)域。為了辨別和分析目標，需要將這些區(qū)域分離提取出來，在此基礎上才有可能對目標進一步利用。圖像分
微處理機 2014年5期2014-08-07
- 改進OTSU算法和邊緣檢測的圖像分割算法研究
出了一種基于最大類間方差法也即OTSU算法和邊緣檢測相結(jié)合的圖像分割方法。該算法能夠很好地保留圖像的邊緣信息，避免過度分割，分割效果比較理想。1 最大類間方差法1.1 最大類間方差法原理最大類間方差法是由日本學者大津于1979年提出的，是一種自適應的閾值確定的方法，又叫大津法，簡稱OTSU。它是在判決分析最小二乘法原理的基礎上推導得到的，這種方法的依據(jù)是圖像中屬于同一目標內(nèi)的像素之間的方差應該較小，而不同區(qū)域之間的方差應該達到最大。用最大類間方差法確定閾值
山西電子技術 2014年2期2014-05-12
- 自適應通用學習框架改進FLDA的人臉識別
訓練樣本的類內(nèi)、類間散布矩陣，巧妙地解決了單訓練樣本類內(nèi)散布矩陣為零的問題;最后，利用Fisher線性判別分析進行特征提取，同時借助于最近鄰分類器完成人臉的識別。在Yale及FERET兩大通用人臉數(shù)據(jù)庫上的實驗驗證了所提算法的有效性及可靠性，實驗結(jié)果表明，相比其他幾種較為先進的單樣本人臉識別算法，所提算法取得了更好的識別效果。人臉識別;單訓練樣本;通用學習框架;Fisher線性判別分析;最近鄰分類器目前，已經(jīng)存在許多人臉識別算法，如主成分分析(PCA)［1
電視技術 2014年7期2014-01-27
- 基于自適應近鄰圖嵌入的局部鑒別投影算法
同類別間的數(shù)據(jù)在類間離差度量時占據(jù)較大比重，以致在處理某些數(shù)據(jù)時得不到正確的最優(yōu)投影方向[11]；(2)為描述數(shù)據(jù)的局部信息，LFDA需要尋找數(shù)據(jù)的近鄰點，同其他基于流形的降維算法一樣，近鄰點個數(shù)的選擇對于最優(yōu)的投影方向影響較大[12]。為了解決LFDA存在的不足，本文提出了一種新的局部鑒別分析方法：基于自適應近鄰圖嵌入的局部鑒別投影(neighborhood graph embedding based Local Adaptive Discriminan
電子與信息學報 2013年3期2013-07-25
- 基于改進型最大類間方差法的瞳孔定位方法
3基于改進型最大類間方差法的瞳孔定位方法黃麗麗1，楊 帆2，王東強2，唐云建21.重慶郵電大學 計算機科學與技術學院，重慶 4000652.重慶市科學技術研究院 信息與自動化技術研究中心，重慶 4011231 引言近年來，視線跟蹤[1-2]在人機交互中的應用已經(jīng)成為一個熱門的研究趨勢，該方式使人機對話變得簡單，因此備受關注。瞳孔定位作為視線跟蹤中的一個重要研究課題，其準確性和有效性直接影響整個視線跟蹤系統(tǒng)的優(yōu)劣。目前，對瞳孔定位的研究方法很多，大多數(shù)方法是
計算機工程與應用 2013年23期2013-07-22
- 自適應的最大散度差圖像閾值分割法
大相關性法及最大類間方差法（即Otsu法）[1-3]等方法。其中基于直方圖的最大類間方差法因簡單實時性好而被廣泛應用，但在圖像背景和目標面積相差較大，或圖像的信噪比較低時，最大類間方差法的分割效果不理想甚至不能有效地分割。文獻[2]提出了一種二維Otsu圖像分割算法，該方法同時包含了像素的灰度信息和鄰域空間信息，比一維Otsu算法具有更強的抗噪能力。然而，其算法涉及多次平方運算，計算復雜程度較高，且閾值選擇標準僅考慮到類間方差的最大性，未考慮到目標和背景二
計算機工程與應用 2013年15期2013-07-19
- 基于灰度迭代閾值的高分辨率影像分割研究
度期望值法、最大類間方差法和迭代閾值法等［2－19］.遙感圖像分割和遙感圖像分類結(jié)果的優(yōu)劣，直接關系到能否對影像上目標地物和背景有效地分離.本文中選取經(jīng)過幾何精校正的2010年3月湖北省襄陽市快鳥影像作為數(shù)據(jù)源，進行灰度迭代閾值法和最大類間方差法的圖像分割比較研究，試圖提出新的方法改善高分辨率影像的分割效果.提出了新的閾值改進策略：選擇調(diào)整初始全局閾值T中的常數(shù)，調(diào)整其大小來進行圖像分割，運用數(shù)學形態(tài)學的閉運算來對影像進行一定程度的降噪處理，使得圖像在降噪
湖北大學學報(自然科學版) 2013年2期2013-06-23
- 一種基于圖的線性判別分析方法
類內(nèi)距離和最大的類間距離，從圖構(gòu)造的角度分析，LDA可理解為:首先構(gòu)造類內(nèi)樣本圖，使得類內(nèi)所有樣本點向該類中心靠攏;然后構(gòu)造類間圖，使得各類中心與總樣本中心遠離。然而LDA方法作為全局性降維方法，在處理類間樣本分類時，只考慮總體樣本中心點與各類樣本點的分離的全局特性，忽略了樣本間的邊緣點的局部特性，從而可能導致類間邊緣樣本點的誤分。本文從圖構(gòu)造的角度重新構(gòu)造類間圖，針對該問題提出了一種新的降維方法——K－邊緣判別分析方法(KMDA)。從可視化分析和降維后分
電視技術 2012年21期2012-06-07
- 基于改進的監(jiān)督LLE人臉識別算法
主要目的是找到將類間結(jié)構(gòu)和類內(nèi)結(jié)構(gòu)分開的映射，其方法是在Xi和Xj(屬于不同類)加上一個距離參數(shù)，修改K個近鄰點的計算方法，從而增加了樣本點的類別信息。而步驟2)和步驟3)同LLE。SLLE在計算點與點之間的距離采用如下公式［9］式中:Δ是沒有考慮類別信息的歐式距離，Δ'是結(jié)合了類別信息的距離，Λij取值為0或1，當兩點屬于同類時，取為0，否則取1;α 是控制點集之間的距離參數(shù)，α∈［0，1］，α是一個經(jīng)驗參數(shù)。當取為0時，此時的SLLE和LLE算法相同。
電視技術 2011年19期2011-06-07
- 類內(nèi)子流形局部間隔對齊的人臉圖像判別方法
新方法，沿對齊的類間局部間隔法向擴展類內(nèi)子圖，獲得一系列線性投影，并正交化線性投影得到一組子空間的正交基向量。使用局部相鄰關系增大類間差異，并將類內(nèi)結(jié)構(gòu)保存到與類間間隔區(qū)域?qū)R的子空間中，能有效降低因人臉圖像拍攝角度、姿態(tài)、光照、眼鏡和性別等因素導致的數(shù)據(jù)多模態(tài)或低維流形的高曲率對識別性能的影響。在Yale Face Database B和UMIST face database上進行的實驗證明，較之LPP和FDA等方法，該方法能更加可靠地保留類內(nèi)和類間的子
電子科技大學學報 2010年6期2010-02-08