高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)。该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息。通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集。该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在OA、MA和Kappa系数3个指标上都优于其他算法。
以雪地为背景,根据不同的伪装样本,开展了基于偏振图像的检测研究。使用光电耦合器件(Complementary metal oxide semiconductor,CMOS)获取物体表面反射光的偏振信息,通过分析和计算,获得反映物体表面状态的偏振度图像和偏振角图像。利用偏振角图像、偏振度图像的灰度平均值和灰度标准差值,论证了雪地与样本#1~#5之间在可见光图像、偏振角图像与偏振度图像的区别。根据巴氏距离求得雪地与样本#1~#5间的相似度,得到相似度最高的材质、相似度最低的材质。研究表明,此结果对雪地伪装装备的设计和研制具有一定的参考价值,为识别融入雪地的伪装材料提供有效的解决办法。
针对微表情运动的局限性和识别效果不理想的问题,提出了一种结合双注意力模块和ShuffleNet模型的微表情识别方法。该方法将提取的峰值帧的水平和垂直光流图,以通道叠加的方式连接送进所设计的网络进行训练。利用高效且轻量化的ShuffleNet模型堆叠的卷积神经网络(Convolutional neural network,CNN),极大地降低了训练的参数量,在ShuffleNet网络中加入可自适应特征细化的双注意力模块,使得网络在通道和空间维度寻找微表情运动的有用特征信息。在通道注意力模块中,使用一维卷积融合全局池化后的一维通道特征来保持相邻通道的相关性;在空间注意力模块中,采用较小的3×3和5×5卷积核提取不同的空间信息并融合。实验结果表明,在微表情识别方面,相比于基准方法的三个正交平面的局部二值模式(Local binary patterns from three orthogonal planes,LBP-TOP),未加权F1值(Unweighted F1-score,UF1)和未加权平均召回率(Unweighted average recall,UAR)分别提高了0.1445和0.1556,识别性能有很大的提升。
