特征融合之基于稀疏表示理论的特征融合算法

最新推荐文章于 2024-04-27 23:40:53 发布
最新推荐文章于 2024-04-27 23:40:53 发布
阅读量5.1k 收藏 52
点赞数 5
分类专栏： 数据融合 文章标签： 特征融合 稀疏表示 基于联合稀疏表示的特征融合算法 鲁棒的基于联合稀疏表示的特征融合算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36512295/article/details/88896535
版权

本篇博客用到了范数。

一、稀疏表示

二、基于联合稀疏表示的特征融合算法

思想：基于稀疏表示理论的特征融合算法是对样本提取特征后建立特征联合稀疏表示矩阵，这个稀疏表示矩阵就是多特征的融合结果。

1.训练样本

2.测试样本

3.算法

三、鲁棒的基于联合稀疏表示的特征融合算法

参考文献：

[1]刘渭滨, 邹智元, 邢薇薇. 模式分类中的特征融合方法[J]. 北京邮电大学学报, 2017(04):5-12.

[2]Shekhar S , Patel V M , Nasrabadi N M , et al. Joint Sparse Representation for Robust Multimodal Biometrics Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(1):113-126.

痴迷、淡然~
关注
  • 5
    点赞
  • 踩
  • 52
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
基于稀疏表示的人脸识别（适配文章的matlab代码）
01-15
对应文章：Learning Low-Rank Class-Specific Dictionary and Sparse Intra-Class Variant Dictionary for Face Recognition
有关特征融合的算法汇总
qq_59815419的博客
04-20 2388
YOLO系算法的思想都是，首先通过特征提取网络对输入图像提取特征，得到一定大小的特征图（比如13*13），然后将输入图像划分网格成13*13个单元格，接着如果Ground Truth中某个目标的中心坐标落在哪个单元格中，那么就由该单元格来预测该目标，每个单元格都会预测固定数量的边界框（v1中是2个，v2中是5个，v3中是3个），这几个边界框中只有和Ground Truth的IOU最大的边界框才会被选定用来预测该目标。（先融合多层的特征，然后在融合后的特征上训练预测器，只有在完全融合之后，才进行检测。
【图像融合】基于卷积稀疏表示实现图像融合附Matlab代码
最新发布
m0_57702748的博客
04-27 889
图像融合是计算机视觉领域的重要研究方向，其目标是将多幅图像信息融合成一幅更清晰、更完整、更具信息量的图像。近年来，随着深度学习技术的快速发展，基于卷积稀疏表示的图像融合方法取得了显著的成果。卷积稀疏表示是一种将图像分解为稀疏系数和字典的表示方法。在图像融合中，可以将多幅图像分解为稀疏系数和字典，然后将稀疏系数进行融合，最后通过字典重建融合后的图像。这种方法可以有效地保留图像的细节信息，并抑制噪声和伪影。目前，基于卷积稀疏表示的图像融合方法主要分为两类：基于深度学习的字典学习方法和基于稀疏表示的融合方法。
基于联合稀疏表示的图像特征提取与融合
03-10
本文提出了一种新的基于联合稀疏表示的图像融合方法。 由于传感器观察到相关现象，因此源图像有望具有共同的和创新的特征。 我们使用稀疏系数作为图像特征。 通过联合稀疏表示，用公共稀疏系数和创新稀疏系数表示源图像。 因此，稀疏系数由创新系数的平均绝对值加权。 此外，由于稀疏表示在图像去噪算法的开发中已经取得了很大的成功，因此我们的方法可以同时执行图像去噪和融合，而图像会受到加性噪声的破坏。 实验结果表明，该方法在多个指标以及视觉质量上均优于其他方法。
稀疏表示
zseqsc_asd的博客
09-10 6835
  1. 引言 稀疏表示具有完善的理论基础和使用价值并且广泛应用于图像处理，模式识别和机器视觉等领域。本文主要介绍稀疏表示算法理论基础和其在图像处理中的应用。理论基础全面介绍了稀疏表示的理论框架和不同lp-范数正则化项下优化算法。应用上结合无监督字典学习方法和有监督字典学习方法介绍了稀疏表示在图像处理和目标识别领域的应用。着重介绍在图像去噪，图像超分辨率，人脸识别以及目标识别等领域的应用算法，...
稀疏表示算法
11-01
适合做人脸识别的朋友，其中有特征提取，创建字典，分类识别，是完整的一套SRC算法，和SRC那篇论文相匹配。
【IHS+稀疏表示】基于IHS小波变换和稀疏表示相结合的遥感图像融合算法matlab仿真
FPGA/MATLAB学习教程/源码/项目合作开发
06-02 1727
matlab2013b 小波变换具有多尺度特性，其时域和频域均 具有表征信号局部特性的能力和多分辨率分析的 特点。在低频时具有高的频谱分辨率，在高频 时具有低的频谱分辨率，因而能有效地从信号中 提取信息。通过小波变换可将图像分解为一个低 频分量和一系列的高频分量，其中低频分量为近 似图像，高频分量为图像的细节信息，如边缘、亮 线、区域边界等。 Hu 等人［4］提出基于稀疏表示和 IHS 变换的遥 感图像融合，基本思路是对多光谱图像进行 IHS 变 换后对 I 分量和全色图像进行稀疏表示，之后用绝
论文研究-融合LBP和局部稀疏表示的人脸表情识别.pdf
09-13
为更好获取人脸局部表情特征，提出了一种融合局部二值模式（Local Binary Pattern，LBP）和局部稀疏表示的人脸表情特征与识别方法。为深入分析表情对人脸子区域的影响，根据五官特征对人脸进行非均匀分区，并提取局部LBP特征；为精细刻画人脸局部纹理，整合人脸局部特征，设计了人脸局部稀疏重构表示方法，并根据表情对各局部子区域的影响因子，加权融合局部重构残差进行人脸表情识别。在JAFFE2表情人脸库上的对比实验，验证了该方法的可行性和鲁棒性。
基于稀疏表示的多模态生物特征识别算法
02-06
传统的生物特征识别系统依靠单一来源的生物特征信息完成对象鉴别，但是光照变化、噪声和遮挡等因素对生物特征信息的污染会使其识别性能降低。...实验结果表明，该算法的识别性能优于基于信息融合的对比方法。
基于稀疏表示的遥感图像融合方法
02-12
为了提高融合后多光谱(MS)图像的质量，提出一种基于稀疏表示的遥感图像融合方法。建立MS图像与其亮度分量之间的线性回归模型；利用训练的高、低分辨率字典分别对全色图像和MS图像进行稀疏表示，并根据线性回归模型...
Image fusion.zip_KSVD_图像融合_基于稀疏表示_稀疏_稀疏表示
07-15
基于稀疏表示的图像融合算法 KSVD OMP
稀疏表示工具箱
02-28
MATLAB代码，稀疏表示工具箱，此代码可以实现基于稀疏表示的目标检测与识别，代码说明注解详细，望对大家有帮助
通过联合稀疏表示对多个图像副本进行去噪
03-10
本文讨论了从多张受噪声破坏的副本中恢复原始图像的问题，这些副本可以在某些字典中稀疏地表示。 稀疏表示已被证明具有很强的去噪能力。 但是，当某些字典中的噪声较少时，它的性能将达到次优状态。 提出了一种基于联合稀疏表示的图像去噪方法。 可以从多个嘈杂的副本中很好地恢复图像。 所有副本都共享一个共同的成分-图像，而每个单独的测量都包含一个创新成分-噪音。 我们的方法可以分离公共成分和创新成分，并用稀疏系数和字典重建图像。 实验结果表明，该方法在度量和视觉质量上均优于其他方法。
基于稀疏表示的人脸人耳融合识别算法.pdf
05-09
基于稀疏表示的人脸人耳融合识别算法.pdf 基于稀疏表示的人脸人耳融合识别算法.pdf是一篇关于无人车行为规划的论文，论文的主要内容是提出了一种基于神经网络的无人车行为规划系统。该系统首先将道路图像降维编码，...
融合深度学习和稀疏表示的人脸表情识别方法研究.pdf
05-09
融合深度学习和稀疏表示的人脸表情识别方法研究 随着人机交互和机器学习技术的迅速发展，人脸表情的识别技术受到越来越多研究者的关注。人脸表情识别是计算机视觉和人机交互领域中的一个重要研究方向，它可以应用于...
稀疏表示（Sparse representation）原理理解
qq_32790593的博客
06-15 7030
正文 稀疏表示（Sparse Representation）也叫作稀疏编码（Sparse Coding）,就是用字典中元素的线性组合去表示测试样本。 我们现在考虑图片分类问题，如下： 现在给定一个任务，在字典中找出10张图片，用这10张图片的一个线性组合去尽可能的表示测试样本，如果是你的话，你会怎么选，你会选10张桌子图片去表示 一张狗的图片吗？不会的，你会选10张狗的图片竟可能的描述测试样本。这也就是稀疏表示的过程。表示，就是用字典中的元素（就是字典中的样本）的线性组合尽可能的描述（还原）测试样本。稀疏
结构稀疏模型
SKY_yiyi_9的博客
08-09 1068
结构稀疏模型 。单个信号的先验：单个信号的块稀疏结构，高斯统计分布 。多个信号的先验：MMV模型，联合稀疏模型 自相似 。基于分类 。基于协同 融合方法 。像素级 。特征级 。决策级 。线性加权图像融合 。基于金字塔变换的图像融合 。基于 PCA 的图像融合 。基于小波变换的图像融合 。同步匹配追踪SOMP融合方法 稀疏表示是指，一个信号在过完备字典中，可以由少数个原子线性表达， 贪婪算法的核心是每次从字典的原子中选择一个最优原子来表示原始的信号。...
联合稀疏SOMP代码
peng_peng123的博客
02-28 4772
原理网上有好多，在此就不写啦，这个是我自己在OMP基础上稍微改进的，作为一个函数可以调用，大家转载时要注明出处哟~~ function A=SOMP1(D,X,L)  % 输入参数:  %       D - 过完备字典，注意：必须字典的各列必须经过了规范化 %       X - 信号 %       L - 系数中非零元个数的最大值（可选，默认为D的列数，速度可能慢） % 输出参数
基于稀疏表示的分类方法 Sparse Representation based Classification Method
热门推荐
Jingyang.Zhang的博客
09-02 1万+
文章来源 Jia K, Chan T H, Ma Y. Robust and practical face recognition via structured sparsity[J]. Computer Vision–ECCV 2012, 2012: 331-344.Highlight 作为一种 sparse representation based classification method（S
基于稀疏表示的特征融合
07-12
基于稀疏表示的特征融合是一种将不同类型的特征信息融合到一个稀疏表示中的方法。稀疏表示是指使用尽可能少的非零系数来表示信号或数据。在特征融合中，我们可以将不同类型的特征向量表示为稀疏系数，然后通过对这些系数进行融合来得到一个整体的稀疏表示。 在MATLAB中，可以使用稀疏表示算法（如OMP、BP、LASSO等）来实现特征融合。以下是一种基于稀疏表示的特征融合的步骤： 1. 收集不同类型的特征数据，例如时域特征、频域特征、小波特征等。 2. 对每种特征进行稀疏表示，使用相应的稀疏表示算法得到稀疏系数。 3. 将每种特征的稀疏系数进行融合，可以使用加权平均、最大值、最小值等方法。 4. 根据融合后的稀疏系数重构信号或数据。 通过这种基于稀疏表示的特征融合方法，可以将不同类型的特征信息有效地融合在一起，提取出更具有代表性和区分性的特征，从而在信号处理、模式识别等领域中具有广泛的应用。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值