为降低泊松噪声对X射线图像质量的影响, 本研究提出一种采用非线性主分量分析(NLPCA)对X射线图像序列进行盲源分离的降噪方法。该降噪方法首先采样一序列X射线图像, 并通过Anscombe变换将图像中泊松噪声转化为高斯噪声; 然后将每张含噪声图像视为噪声分量和信号分量的组合, 进而采用NLPCA将信号分量和噪声分量分离达到降噪目的; 最后通过Anscombe逆变换获取最终降噪图像。研究结果表明: 当序列中含噪声图像张数从2增加到50时, 提出的降噪方法可以将Shepp-Logan头模型含噪声图像的PSNR值由28.289 4 dB提高到37.267 8 dB、SSIM值由0.700 7提高到0.963 8。相比较常用的降噪算法, 提出的降噪方法在有效消除X射线图像中泊松噪声的同时, 使图像中细节轮廓保留更完整。

在雷达目标识别中, 利用核主分量分析(KPCA)方法来进行目标特征提取, 忽略了高分辨率距离像(HRRP)的本身特性。提取一种平移不变特征-中心矩作为特征向量, 采用KPCA进行特征降维; 由于BP神经网络易陷入局部极小, 采用遗传算法(GA)对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明: 平移不变的KPCA特征提取方法实现了平移不变和降维的结合, 同时, 利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷, 提高了雷达目标识别的性能。

脱机手写数字识别其本质是数字的图像特征匹配问题,所以需要进行手写数字的特征提取,为了准确识别,往往使用较高的特征维数,这就导致识别效率较低。为了提高识别效率,同时为了保持较高的识别率,提出了一种基于图像特征提取的脱机手写数字识别方法。首先利用主分量分析法抽取数字字符图像的统计特征,来降低数字的特征维数,通过对主分量重建模型的误差分析进行数字识别;然后,结合手写数字的笔画结构不稳定的特点,设计并提取数字的宽高比结构特征,进一步比对识别;最后,利用自制训练样本及测试样本库进行仿真实验,数字识别率为96%,识别准确率较高。

美国斯隆数字巡天望远镜已经发布了第9期数据。 这些海量的天文光谱数据除了可以用来进行大样本的研究, 如探寻银河系的结构和进行多波段证认外, 还蕴藏着稀少和特殊的天体, 其中就包括矮新星。 矮新星是激变变星中所占比例最高的一个亚型, 发现更多的矮新星样本对于研究密近双星的演化和参数有积极的意义。 目前针对激变变星这类稀少天体的发现主要使用测光粗筛选结合后期观测证认的方法, 不但准确率低, 而且需要耗费较多的人工处理时间, 无法满足在海量光谱数据中快速发现矮新星候选体的需要。 本文提出一种适用于在海量光谱中自动、 快速发现矮新星的方法。 该方法针对SDSS的DR9数据, 先使用支持向量机约束主分量分析进行降维, 确定特征空间的维数, 然后再使用训练后得到的最优分类器对海量光谱进行自动识别, 寻找矮新星候选体。 实验共发现了276个矮新星, 其中6个是未被收录的新的源, 表明了该方法的有效性, 为在海量光谱中快速发现稀少和特殊天体提供了有效途径。 实验中发现的新结果补充了现有的矮新星模板光谱库, 可以构造更准确的特征空间。 本方法也可用于在其他的巡天望远镜如郭守敬望远镜的海量光谱中进行特殊天体的自动搜索。

贴片电阻生产过程中的缺陷主要依靠人工在显微镜下检测, 速度慢、长期成本高、误检率高.针对贴片电阻单元具有排列整齐、结构简单、图像灰度级少的特点, 在贴片电阻图像二值化、边缘提取、直线检测基础上, 以相邻电阻单元的相关系数作为电阻缺陷判别依据, 提出基于子图投影匹配的快速缺陷检测方法.采用主分量分析法压缩图像数据量, 提取缺陷特征, 以基于支持向量机对贴片电阻缺陷进行分类并建立实验系统.缺陷检测及识别实验表明, 缺陷检测正确率为92.5%, 算法的快速性和识别准确度满足系统快速高精的要求.

提出一套适用于海量光谱自动快速筛选激变变星的方法。 利用已证认的激变变星光谱作为模板, 使用主分量分析提取主特征后构造光谱特征矩阵, 将海量光谱利用光谱特征矩阵映射到特征空间后, 使用支持向量机排除大部分非候选体, 最后对较少数量的候选体进行模板匹配并证认, 结果作为反馈进一步丰富模板库。 实验发现了58个新的激变变星候选体, 表明了该方法的可行性, 为在LAMOST海量光谱中快速搜索激变变星等稀少天体提供了有效途径。

研究了多维时序的特征选择问题在目标距离像识别中的应用,提出了一种基于核函数分类算法的主分量分析方法。讨论了主分量分析的原理,提出了一种基于核函数的分类算法用于多维时序的特征选择,最后利用该方法对目标距离像多维时序进行了仿真实验,实验结果表明了所应用方法的可行性和有效性。

提出了一种基于核主分量分析(PCA)正则化的机器人实时定位算法。此算法以半监督学习完成离线训练,首先,以机器人在其预置运动路径上采集到的畸变图像中的稀疏目标面积为观察数据,将部分标定数据的坐标作为其标签,然后以核PCA所揭示的低维视觉流形为正则化约束条件,运用最小二乘方法估计无标签数据坐标。在线定位阶段,利用调和函数估计在线采集到的数据坐标,从而实现基于无标定单目视觉传感器的机器人在线定位。实验结果表明,和其他常规的定位方法相比较,提出的实时定位算法的计算复杂性小、定位精度高、实时性强,能够满足工业机器人和医疗服务机器人等方面的实时定位要求。

传统的Mean Shift跟踪算法在目标发生形变时会因跟踪窗不能动态改变尺寸而导致目标跟偏甚至跟丢，因此本文提出了一种新的跟踪窗口大小和方向自适应的改进算法。首先，采用跟踪窗口内协方差矩阵主分量分析法来计算跟踪目标的方向和尺寸大小；然后，联合相似性度量和卡尔曼滤波器来更新跟踪窗口的大小和方向倾角，使之适应目标的变化。实验显示，本算法可对不断旋转和缩放的运动目标进行准确实时跟踪，当目标尺寸在35 pixel×17 pixel到176 pixel×80 pixel之间变化时,平均处理时间为17.45 ms/frame,表明改进的算法能够满足非刚体目标跟踪系统的要求。

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效。借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法。首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较。结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间。