为了解决实际高光谱解混(HU)中噪声对解混精度的影响和光谱、空间信息利用不足的问题,提出了一种改进的基于光谱距离聚类的群稀疏非负矩阵分解的解混算法。首先,引入了基于最小误差的高光谱信号辨识算法(Hysime),通过计算特征值的方式估计信号矩阵和噪声矩阵;然后,提出了一种简单的基于光谱距离的聚类算法,对多个波段生成的光谱反射率距离值小于某一值的相邻像元进行合并聚类生成空间群结构;最后,在生成的群结构基础上进行稀疏化非负矩阵分解。实验分析表明,对于模拟数据和实际数据而言,该算法都比传统算法产生更小的均方根误差(RMSE)和光谱角距离(SAD),能够产生优于同类算法的解混效果。
针对人脸图像不完备的问题和人脸图像在不同视角、光照和噪声下所造成训练样本污损的问题,提出了一种快速的人脸识别算法——RPCA_CRC。首先,将人脸训练样本对应的矩阵D0分解为类间低秩矩阵D和稀疏误差矩阵E;其次,以低秩矩阵D为基础,得到测试样本的协同表征;最后,通过重构误差进行分类。相对于基于稀疏表征的分类(SRC)方法,所提算法运行速度平均提高25倍;且在训练样本数不完备的情况下,识别率平均提升30%。实验证明该算法快速有效,识别率高。
针对目前人脸表情识别(FER)中Gabor特征维数高、计算量大并且存在特征冗余的问题,提出一种基于Gabor参数矩阵与改进Adaboost的人脸表情识别算法。首先,结合图像像素信息与Gabor小波核的参数定义Gabor参数矩阵;其次,在Adaboost中引入遗传算法(GA)的思想改进其搜索性能,并利用改进的Adaboost选择与Gabor参数矩阵元素对应的最优特征来构建强分类器,从而通过特征选择的方法降低Gabor特征的维数和冗余,减少计算量;最后,在构建多个强分类器的基础上,提出多表情分类算法实现面部表情的分类识别。基于Matlab的实验结果表明,该算法的平均表情识别率为89.67%,且最优特征的选取效率得到明显提高。