基于WNMF和聚焦点定位分析的多聚焦图像融合方法

在非负矩阵分解(NMF)图像融合方法的基础上,提出一种基于加权非负矩阵分解(WNMF)和聚焦点定位分析的多聚焦图像融合方法。该方法利用光学系统成像原理及点扩散函数在光学成像过程中的作用,判定多聚焦图像中的聚焦点的近似位置,并以此为基础构建一个权值矩阵,然后将加权非负矩阵算法应用于图像融合中,最后得到一幅各部分都聚焦清晰的图像。实验结果表明,通过本文提出的方法得到的融合图像效果优于普通的非负矩阵分解方法、小波变换法方法及拉普拉斯塔式方法。     

基于矩阵变换的快速非负矩阵分解

在采用交替非负最小平方方法进行非负矩阵分解的过程中,每次的迭代更新通常很难直接计算出唯一的最优非负分解矩阵. 但是,若采用矩阵变换方法,则对于变换后的代价函数,就有可能获得唯一的最优非负分解矩阵. 对基于矩阵变换的非负矩阵分解进行了理论分析,提出了2种基于矩阵变换的非负矩阵分解算法. 该算法具有与已有算法相似的计算复杂度,却可有效减少非负矩阵分解的更新次数.     

基于特征再分解的数据稀疏表示

针对因非负矩阵分解模型目标函数非凸而出现局部次优基特征平滑的现象,提出基于特征再分解的数据稀疏表示方法,在多种先验正则信息约束下初步挖掘原始数据的潜在特征,再秉承非负加性线性表示方式的"局部构成整体"的认知优势,利用非负矩阵分解对特征突显的信息再次凝练,获取数据潜在本征信息,实现非负数据稀疏表示.算法在合成的Swimmer和人脸图像数据的实验结果表明,与传统非负矩阵分解方法相比,该方法的基特征稀疏性得到增强,且判别能力也获得显著提高.     

非负矩阵分解及其在图像压缩中的应用

矩阵分解是实现大规模数据处理与分析的一种有效工具。非负矩阵分解(non-negative matrix factorization,NMF)算法是在矩阵中所有元素均为非负的条件下对其实现的非负分解,这为矩阵分解提供了一种新的思路。非负矩阵分解为分析局部特征和整体特征之间的关系提供了一种思路,即整体特征是局部特征的非负线性组合,局部特征在构成整体特征时不会产生正负抵消的情况。本文介绍非负矩阵分解的基本思想,结合研究工作讨论在概率模型的框架下实现非负矩阵分解的目标函数和相应的算法,以及非负矩阵分解在图像压缩中的实际应用。     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题,根据非负矩阵分解（NMF：Non—negativeMatrixFactorization）结果非负的特点,提出了基于NMF的阴影检测方法,并以此为基础将进一步引入的分块非负矩阵分解（BNMF：BlockNon—negativeMatrixFactorization）应用于阴影检测。通过NMF／BNMF提取训练样本中阴影的亮度特征,再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比,该算法的阴影检测细节更清晰,具有更好的效果。     

基于近邻保留PNMF特征提取的高光谱图像分类

通过对投影非负矩阵分解(PNMF)增加近邻保留假设,提出了一种新的高光谱图像线性特征提取方法———近邻保留投影非负矩阵分解(NPPNMF)。NPPNMF保留了高光谱数据在低维特征空间中的局部几何结构,克服了PNMF基于Euclidean的缺点。根据在构造k近邻图时是否使用训练样本的类标签信息决定了NPPNMF既可以是无监督的特征提取方法,也可以是有监督的特征提取方法,从而提高了PNMF算法的鉴别力。理论证明和高光谱图像数据的分类结果表明了该方法的有效性及应用潜力。     

利用稀疏非负矩阵分解的大转角SAR成像方法

提出了一种采用稀疏非负矩阵分解(NMF)的大转角成像方法．首先将全孔径划分为若干相互重叠的子孔径,然后分别使用极坐标格式算法获得不同视角下的子图像,最终采用加入稀疏增强正则项的NMF算法在图像域对子图像进行迭代融合,获得目标增强和信噪比更高的全孔径综合图像．仿真实验结果验证了该方法的有效性．     

基于稀疏非负TT分解的图像分类算法

针对高阶的图像分类问题，提出一种基于稀疏非负张量链(Tensor Train, TT)分解的模型。采用交替非负最小二乘法求解相应优化问题，并给出该算法的收敛性分析。数值实验表明，与非负矩阵分解相比，稀疏非负TT分解的图像识别率的平均值提升了6.46%。     

体积约束的稀疏NMF高光谱解混

为了解决单纯非负矩阵分解计算繁复,收敛速度慢的问题,本文提出了一种基于自然梯度下降的体积最小及丰度稀疏约束的非负矩阵分解方法。该方法在目标函数中加入体积最小和丰度稀疏约束,可以对混合图像进行较好地分解;采用自然梯度下降的方法进行迭代,加快了算法收敛速度。实验结果表明:该方法能有效克服最小体积约束非负矩阵分解法速度慢且不稀疏的缺陷,相对于解混效果(SAD)相近的方法提速100倍,相对于解混时间相近的算法,此方法的解混精度提高0. 02°;此方法尤其适用于像元较多的高光谱图像。     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

Fusion of multispectral image and panchromatic image based on NSCT and NMF

A novel fusion method of multispectral image and panchromatic image based on nonsubsampled contourlet transform(NSCT) and non-negative matrix factorization(NMF) is presented,the aim of which is to preserve both spectral and spatial information simultaneously in fused image.NMF is a matrix factorization method,which can extract the local feature by choosing suitable dimension of the feature subspace.Firstly the multispectral image was represented in intensity hue saturation(IHS) system.Then the I component and panchromatic image were decomposed by NSCT.Next we used NMF to learn the feature of both multispectral and panchromatic images’ low-frequency subbands,and the selection principle of the other coefficients was absolute maximum criterion.Finally the new coefficients were reconstructed to get the fused image.Experiments are carried out and the results are compared with some other methods,which show that the new method performs better in improving the spatial resolution and preserving the feature information than the other existing relative methods.     

Remote sensing image fusion based on sparse non-negative matrix factorization

In order to reduce the spectral and spatial distortions, a novel method based on sparse non-negative matrix factorization (SNMF) is proposed for multispectral and panchromatic images fusion. Firstly, the high spatial resolution and low spatial resolution dictionaries are learned from panchromatic. Then we construct a sparse non-negative matrix factorization model of the multispectral image. Thus, the coefficients matrix with spectral information can be obtained. The high spatial resolution multispectral image is produced by the multiplication high spatial resolution dictionary and the coefficients matrix. By introducing the sparse regularization, the instability of the standard non-negative matrix factorization is conquered and the fused image can preserve the high spectral and spatial information. Some experiments are made on QuickBird and Geoeye satellite datasets, and experimental results show that our proposed method can reduce distortions in both the spectral and spatial domains, and outperform some related pan-sharpening approaches in visual results and numerical guidelines.     

非负矩阵分解的一个约束稀疏算法

针对非负矩阵分解中系数矩阵不够稀疏的问题,提出一个新的约束非负矩阵分解算法。在经典非负矩阵分解的优化函数中施加稀疏性约束,并对分解系数矩阵施加最小相关约束,与此同时对基矩阵施加2-范数约束,在保证非负约束和分解精度的基础上,使分解后得到的矩阵尽可能稀疏,这样可以更加节省存储空间,分解结果更优。对比实验表明,提出的算法具有更好的稀疏性,且实验误差更小。     

非负矩阵分解在入侵检测中的应用

针对当前入侵检测系统存在的检测效果差,对训练数据集要求高的问题,提出了一种使用非负矩阵分解算法的异常入侵检测模型.在预处理阶段综合考虑系统调用数据的时序和频率特征,将进程的入侵检测问题转换为向量空间的异常点检测问题,利用非负矩阵分解在提取特征和数据降维方面的优点,将高维空间降维映射到低维空间,最终在低维向量空间实现入侵检测.实验证实本方法检测效果良好.     

融合权重和结构的加权非负矩阵分解的链路预测

链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性。大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降。为此,文章提出一个加权非负矩阵分解（WNMF）的链路预测模型。该模型同时保持自然权重和加权网络局部结构。首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居（WCN）、加权Adamic-Adar（WAA）和加权资源分配（WRA）作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架（WNMF框架）的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA。此外,采用拉格朗日乘法规则学习所提3个模型参数。在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8%和23.5%。     

正交非负CP分解的图像表示和识别

提出了一种正交非负CP分解算法.将图像库视为三阶张量,进行非负分解,并对非负因子增加了正交约束,保证了图像低维表示的非负性.实验结果表明,较之其他非负分解算法,正交非负CP算法通过增加基图像的正交约束,减少了基图像的冗余性,进一步提高了基图像的稀疏性,同时保证了低维特征的非负性;将其用于人脸表情识别,该算法具有较高的识...     

求解对称半正定矩阵低秩逼近的乘性迭代算法

为求解对称半正定矩阵低秩逼近问题,基于矩阵的满秩分解和非负矩阵分解算法,构造了一种新的乘性迭代算法,并给出了新算法的收敛性定理。数值实验表明,与Cadzow算法相比,新算法更可行高效。