重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
高光谱影像中波段数过多易导致“维数灾难”，而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题，提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点，对所有像素进行加权均值滤波，消除同类光谱差异性较大的像素影响，并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征，实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明：相比于其它相关方法，该方法能获得更高的分类准确度，在分别随机选取5%和1%的训练样本情况下，其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时，有效融入了影像中的空间信息，改善了分类性能.
高光谱影像分类 加权均值滤波 流形学习 维数约简 空间近邻 Hyperspectral image classification Weighted mean filter Manifold learning Dimensionality reduction Spatial neighbors 光子学报
2016, 45(10): 1030001
重庆大学光电技术及系统教育部重点实验室，重庆 400044
鉴于人为选取近邻大小和权重矩阵对局部保持投影 (LPP)算法的高维人脸图像特征提取有较大影响，结合稀疏表示原理提出了一种稀疏相似保持 (SSP)算法。 SSP算法利用稀疏表示，在全局结构中自适应地选取数据间的相似关系，构建非负稀疏关系图，在低维空间中保持高维原始数据的内在稀疏特性不变，能有效地提取出低维鉴别特征。在 Extend Yale B、CMU PIE人脸数据库上进行实验，其识别率分别达到了 87.35%、90.09%，验证了算法的有效性。
人脸识别 局部保持投影 稀疏图 稀疏相似保持 face recognition locality preserving projection sparse graph sparse similarity preserving
重庆大学 光电技术及系统教育部重点实验室，重庆 400044
提出了一种半监督稀疏多流形嵌入方法，并应用于高光谱影像分类.该方法充分利用少量标记和大量无标记样本，采用稀疏表示方法得到样本的稀疏系数，并选取来自同一流形的点作为近邻点，然后构建相似图来表征多流形结构，得到样本在每个流形上低维鉴别特征，增加来自同一流形的数据点聚集性，进而提升分类性能.本文方法在PaviaU和Salinas两个高光谱数据集上的总体分类准确度分别达到84.91%和89.74%，相较于其他方法明显提高了地物分类性能.
高光谱影像分类 维数约简 多流形 稀疏表示 半监督学习 Hyperspectral image classification Dimensionality reduction Multiple manifolds Sparse representation Semi-supervised learning
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
稀疏流形聚类和嵌入算法通过仿射空间中的稀疏表示获得稀疏系数, 并能由稀疏系数自适应地选取来自同一流形的数据点.但稀疏流形聚类和嵌入算法没有直接的投影矩阵, 且为非监督学习方法.针对稀疏流形聚类和嵌入算法算法的不足, 提出一种新的监督稀疏流形嵌入算法.该方法首先在仿射空间中采用稀疏优化法得到稀疏系数, 然后根据稀疏系数构建相似权值, 并在权值中嵌入样本类别信息, 增加同类数据间的聚集性, 并在低维嵌入空间中保持这种相似性不变, 提取鉴别特征来提升分类性能.实验结果表明: 该文方法不仅能保持数据的稀疏特性, 而且通过利用样本数据的类别信息使同类数据在低维空间尽可能聚集, 提取鉴别特征, 进而改善高光谱影像的地物分类效果.
高光谱影像 地物分类 维数约简 图嵌入 稀疏流形学习 Hyperspectral image Land cover classfication Dimensionality reduction Graph embedding Sparse manifold learning 光子学报
2015, 44(12): 1228001
重庆大学光电技术与系统教育部重点实验室, 重庆 400044
针对局部保持投影 (LPP)在构造邻接图时, 基于欧氏距离的近邻选取方式往往不能很好地反映数据间的几何结构关系问题, 提出一种融合相关系数的 LPP人耳识别算法。该算法通过融合图像相关系数和欧氏距离来构建邻接图, 能更好地揭示出数据间的几何结构关系。同时, 在设定权值时, 融入了图像间的相关系数, 能更好地体现高维数据间的相似关系, 提取出更有效的鉴别特征。在 USTB3和西班牙人耳库上的实验结果表明, 本文算法比传统 LPP算法识别率提高了 10%以上, 验证了本文算法的有效性。
人耳识别 相关系数 邻接图 ear recognition Locality Preserving Projections (LPP) LPP correlation coefficient neighbor graph
重庆大学 光电技术与系统教育部重点实验室，重庆 400030
针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响，提出了一种双层LLE(DLLE)的人耳图像识别方法，并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离，再把欧氏距离最小的K类所有样本作为LLE的近邻，提取出鉴别特征，最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明，本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响，结合Gabor小波后进一步改善了算法的识别率。
人耳识别 Gabor小波 最近邻分类器 ear recognition LLE LLE Gabor wavelets nearest neighbor classifier
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能反映数据间的真实空间分布, 导致近邻选取不稳定。针对此问题, 本文提出了相关近邻(CN)LLE(CN-LLE)和相关最近邻分类(CNN)算法。提出的算法首先利用相关系数度量数据间的近邻, 实现更准确的局部重构, 提取鉴别特征; 然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明: 本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%, Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率, 便于更有效地提取同类数据的鉴别特征, 且有更好的稳定性, 故能更有效地实现高光谱遥感数据的地物分类。
高光谱影像分类 流形学习 局部线性嵌入 相关近邻 相关最近邻分类器 hyperspectral image classification manifold learning Locally Linear Embedding (LLE) Correlation Neighbor(CN) Correlation Nearest Neighbor(CNN) classifier
重庆大学光电技术与系统教育部重点实验室, 重庆 400030
局部线性嵌入 (LLE)等流形学习算法中需要通过欧氏距离来度量数据点之间的近邻关系, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能真实反映出图像数据点之间的空间分布情况。针对此问题, 本文提出了融合数据间夹角和欧氏距离度量 LLE近邻和分类的方法。该方法通过融合图像数据间的夹角和欧氏距离来度量图像数据点之间的近邻关系, 寻找 k个近邻点, 实现更有效的局部重构, 提取鉴别特征, 然后用融合了数据间夹角的最近邻分类器对数据进行分类。在 KSC和 Indian Pine高光谱遥感影像数据集上的实验结果表明: 在总体分类精度上, 本文算法比 LLE提升了 1.54%~6.91%。
高光谱影像 流形学习 局部线性嵌入 (LLE) 近邻点 hyperspectral images manifold learning locally linear embedding (LLE) neighbor points
重庆大学光电技术与系统教育部重点实验室，重庆 400030
通过分析现有人耳识别方法的不足，将局部线性嵌入 (LLE)算法应用于人耳识别。但 LLE算法对近邻点个数 K的依赖性很强，通常 K较大时才能获得良好的降维效果，而计算量也随之增加。为了减弱 LLE算法对 K的依赖，本文对 LLE算法的距离进行了改进，使样本集分布更均匀。在 K值比较小时，改进 LLE就能得到良好的降维效果，在一定程度上扩大了 K的取值范围。改进 LLE算法和原始 LLE算法的人耳识别实验结果表明，改进 LLE能获得更高的识别率，从而验证了该算法的有效性。
生物特征识别技术 人耳识别 改进 LLE biometrics technique ear recognition LLE LLE improved LLE
