谭璐 作品数:12 被引量:89 H指数:5 供职机构: 国防科学技术大学理学院数学与系统科学系 更多>> 发文基金: 国家自然科学基金 国家高技术研究发展计划 国家教育部博士点基金 更多>> 相关领域: 自动化与计算机技术 理学 电子电信 更多>>
基于MSD的图像感兴趣区域自动提取方法研究 被引量:1 2006年 将单幅图像数据进行分割,获得高维化后的数据集合,再依据图像数据的最优分解来提取不同图像块之间的数字关联,利用多维尺度分析(MDS)方法来获取单幅图像数据不同块之间的低维表示。通过对此低维表示的自动分析,便可获得图像感兴趣区域的精确位置。的实例验证了方法的可行性、有效性。 刘红霞 谭璐 吴翊关键词:图像感兴趣区域 多维尺度分析 基于非线性降维的图像识别 被引量:6 2005年 通过单幅图像数据的高维化,将单幅图像转化为高维空间中的数据集合,对其进行非线性降维,寻求其高维数据流形本征结构的低维表示向量,将其作为图像数据的特征表达向量。从而将高维图像识别问题转化为特征表达向量的识别问题。大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差。通过指纹图像的实例说明,将非线性降维方法应用于图像数据识别问题,在实际中是可行的,在计算上是简单的,可大大改善常用识别方法的效能。 谭璐 易东云 吴翊 袁伟关键词:图像数据 非线性降维 基于非线性降维方法的图像识别 通过指纹图像的实例说明,将非线性降维方法(如Laplacian Eigenmap方法)应用于图像数据识别问题,在实际中是可行的,在计算上是简单的,可大大改善常用方法(如K-近邻方法)的效能,获得更好的识别效果.此外,该方... 谭璐 易东云 吴翊 袁伟关键词:非线性降维 图像数据 图像识别 指纹图像 文献传递 稳健局部线性嵌入方法 被引量:22 2004年 针对局部线性嵌入方法对于噪声的敏感性,从分析噪声对数据集局部特性的影响入手,提出了稳健局部线性嵌入方法。通过与局部线性嵌入方法的理论分析和实例对比,表明稳健局部线性嵌入方法不仅对噪声影响不敏感,而且对邻域的选择有较好的适应性,可更好地挖掘数据集的本征特性,具有更强的数据可视化能力。 谭璐 吴翊 易东云关键词:局部线性嵌入 高维数据 降维 基于最优一维分解的图像超分辨方法 被引量:2 2004年 提出了一种用分离变量的一维函数乘积形式逼近二维图像数据的方法 ,通过在一维空间的超分辨处理 ,很容易实现对图像的超分辨处理。从理论上证明了这种表达是最优的。实际结果显示了超分辨的效果好 ,计算量小。 谭璐 朱矩波 吴翊关键词:超分辨 图像数据 图像处理技术 保持拓扑结构的低维嵌入 2007年 引入了拓扑邻域、拓扑结构和规则拓扑结构的概念。对拓扑邻域进行了理论分析,说明其是自适应的,随着维数的不断升高,趋于平凡拓扑邻域。为了寻求具有规则拓扑结构的低维数据集,构造了数据结构规则性的度量,提出了保持数据集拓扑结构不变的降维方法。该方法是节省参数的,降维结果是近似规则的。结果表明,它能更好的揭示数据集的结构。 刘红霞 谭璐 吴翊关键词:拓扑结构 LAPLACIAN 对Bootstrap方法的自助抽样的改进 被引量:35 2006年 Bootstrap方法是一种常用的统计推断方法,它的无先验性,以及计算过程中只需要实际的观测数据,使得其可方便的应用于实际的数据处理之中。对连续情形而言,Bootstrap本身的计算特性限制了自助样本的生成范围,即只能从原样本再采样,从而使得自助分布产生偏离,无法渐近于真实情形。鉴于此不足,本文提出了改进的Bootstrap方法,它通过对自助样本生成范围的拓展,克服了这一不足,获得了更加精确的参数估计。 刘建 吴翊 谭璐关键词:BOOTSTRAP方法 参数估计 局部规则嵌入 被引量:4 2005年 引入了拓扑结构和规则拓扑结构的概念,为了寻求具有规则拓扑结构的低维数据集,构 造了拓扑结构规则性的度量,提出了保持数据集拓扑结构的局部规则嵌入方法。与LocallyLinear Embedding,LaplacianEigenmap等核特征映射方法相比,低维嵌入结果是近似规则的,与数据分类有 着更加自然的联系。最后的实例表明,与LLE和LaplacianEigenmap方法相比,该方法能更好地保持 数据集的类特性,揭示数据集的本征结构。 谭璐 吴翊关键词:拓扑结构 LAPLACIAN 基于LLE方法的本征维数估计 被引量:11 2006年 基于局部线性嵌入(LLE)方法所确定的数据集的拓扑结构和高维数据空间的距离特性,提出了自逼近度和可分离度的概念.然后利用二者构建了一种新的本征维数估计方法.这种估计方法揭示了 LLE 降维过程中涉及的数据维数与邻域大小的选取之间的内在关联.最后,通过与主成分分析(PCA)进行实例对比,说明这种方法更加合理,更能反映数据集的本征特性. 谭璐 吴翊 易东云关键词:本征维数 拓扑结构 高维数据空间 高维图像数据的最优表达 被引量:2 2003年 对于M×N维图像数据,提出了一种用M维和N维向量表达的方式,这种方式使得图像处理可以在较低维数的空间中进行,便于计算。同时在一定意义下,这种表达是最优的。证明了在图像采样点数趋于无穷时,就相当于文献的结果。给出了这一方法的应用实例。 谭璐 吴翊 刘卓关键词:N维