有效学习丰富的表征信息在RGB-D目标识别任务中至关重要, 是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题, 提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构, 包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM), 该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征, 然后在共享层合并两种模型特征, 输入到自编码极限学习机中以得到高层次的特征, 最终的特征使用极限学习机(ELM)进行分类, 以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试, 其实验结果表明, 相比较深度学习和其他的ELM方法, 文中的混合卷积自编码极限学习机模型取得了良好的测试准确率, 并且有效地缩减了训练时间。

针对多重分形分析很难估计有限长离散数据的多重分形谱这一问题,提出了一种基于奇异性分析的多重分形图像去噪算法.通过定义基于小波系数矩的配分函数,给出了一种有限长离散数据序列多重分形谱估计方法.图像去噪算法中图像的性质由多重分形谱决定,对噪声的类型没有提出任何假设条件,而是通过定义一个基于二维微局域(2-micro-local)分析的变换算子对每一点的Hausdorff指数进行处理,使处理后的图像中大多数点位于平滑区域的同时,谱的相对强度没有变化,从而取得最佳效果.实验结果表明,该方法在去除噪声的同时可很好地保留原始图像的纹理信息.

提出了一种新的基于容度的多重分形图象分析方法.在特征提取方面利用了基于Choquet容度的不同度量标准.从不同的角度提取信息,最大限度地利用了图像中的纹理信息,能将不同类型的纹理有效地区分开.同时结合模糊神经网络提出了一种基于自适应模糊聚类方法的图像纹理分类新算法,不仅克服了经典算法的不足,而且能自动确定网络结构.通过对实际图像的分割试验,证实了该方法的有效性.