基于主成分分析的特征融合及其应用

论文摘要

图像中蕴涵着丰富的信息,如何获取这些信息并采用有效的手段进行融合是模式识别中的一项重要课题。而图像融合中的特征级融合在目标识别、医疗诊断以及生物特征识别等领域有着越来越重要的作用。本文对基于主成分分析的特征级图像融合及其在弱小目标匹配识别上的应用做了一定的研究和探索。首先,在介绍弱小目标成像特点的基础上,分析并提取了包括分形特征、多向多尺度梯度特征、能量特征、灰度均值特征、形态学特征以及聚类特征在内的多种特征,并提出了局域灰度概率特征,通过基于PCA的特征融合算法对其进行融合,对目标进行了匹配识别。其次,对特征融合的基本现状做了综述,介绍了主成分分析方法的研究现状,分别将主成分分析(PCA)、二维主成分分析(2DPCA)、双向二维主成分分析(2D~2DPCA)以及对角主成分分析(DiagPCA)引入特征融合中,通过弱小目标的匹配识别对这些算法进行了比较分析,指出基于DiagPCA的方法最好,而基于2D~2DPCA的方法时间较快。最后,对基于主成分分析的特征融合算法的运算效率进行了一定的研究,引入施密特正交化方法,结合2DPCA、DiagPCA方法提出了改进的快速二维主成分分析(2DFPCA)以及快速对角主成分分析(FDiagPCA),将其应用到弱小目标的匹配识别中,并分析了不同的压缩比对运算时间的影响。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 国内外的现状及发展趋势
• 1.2.1 特征级融合的现状
• 1.2.2 主成分分析及其在特征融合中的应用
• 1.3 本文主要内容及组织安排
• 第二章 PCA 的基本原理及特征融合的实现
• 2.1 PCA 的基本原理以及发展现状
• 2.2 弱小目标特征提取
• 2.2.1 分形特征
• 2.2.2 多向多尺度梯度特征
• 2.2.3 局域灰度概率特征
• 2.2.4 能量特征与灰度均值特征
• 2.3 特征归一化
• 2.4 基于PCA 的特征融合实现
• 2.5 实验结果及分析
• 2.6 本章小结
• 第三章 基于2DPCA 的特征融合及其应用
• 3.1 基于2DPCA 的特征融合实现
• 3.1.1 2DPCA 算法
• 3.1.2 主成分的选取
• 3.1.3 基于2DPCA 的特征融合算法
• 3.1.4 2DPCA 算法的优缺点
• 2DPCA 算法'>3.2 2D²DPCA 算法
• 3.2.1 列方向的2DPCA
• 2DPCA 投影矩阵'>3.2.2 2D²DPCA 投影矩阵
• 2DPCA 的特征融合实现'>3.2.3 基于2D²DPCA 的特征融合实现
• 2DPCA 算法的优缺点'>3.2.4 2D²DPCA 算法的优缺点
• 3.3 基于DIAGPCA 的特征融合算法
• 3.3.1 DiagPCA
• 3.3.2 基于DiagPCA 的特征融合算法
• 3.3.3 DiagPCA 算法的优缺点
• 3.4 各种特征融合算法的结果比较分析
• 3.5 本章小结
• 第四章 改进的快速特征融合算法
• 4.1 特征分解方法
• 4.2 基于施密特方法的快速迭代算法
• 4.3 快速二维主成分分析2DFPCA 及实现
• 4.4 快速对角主成分分析 FDiagPCA 及实现
• 4.5 压缩比对运算时间的影响
• 4.5.1 形态学特征
• 4.5.2 聚类特征
• 4.5.3 仿真结果比较
• 4.6 本章小结
• 第五章 全文总结与展望
• 5.1 本文的主要研究工作和创新点
• 5.2 需要进一步研究的问题和发展方向
• 参考文献
• 致谢
• 个人简历
• 在学期间撰写的论文
• 在学期间获得的奖励