基于稀疏表示和自适应字典学习的“高分一号”遥感图像去噪

对高分辨率遥感图像进行去噪是遥感研究中的一个重要难题。本文提出了一种新的基于稀疏表示的高分辨率遥感图像去噪算法,该算法根据加噪高分辨率遥感图像的特点利用 K-SVD 算法自适应的学习得到能高效描述遥感图像内容的字典,利用稀疏表示实现去噪,并且保留原图像的有用信息。通过对“高分一号”获取的遥感图像进行实验表明,该算法能较好地滤除遥感图像的噪声,提高了图像的峰值信噪比,该方法比其他字典学习算法及其他去噪算法具有更好的性能。     

Blind separation for permuted alias images based on sparse decomposition

针对一类存在形态差异的置换混叠图像,提出了一种基于稀疏分解的置换混叠图像盲分离新算法.该算法为了利用置换混叠图像中被置换区域和置换区域在不同的字典上稀疏表示存在的稀疏差异,分别选择Contourlet变换基字典和局部离散余弦交换基字典作为分离的特征域,通过置换混叠图像在两个特征域上的稀疏形态分解,把纹理图像从置换混叠图像中分离出来.实验结果表明,对于一类包含分片光滑和纹理成分的置换混叠图像,该算法能够有效地把纹理图像从置换混叠图像中分离出来,同时,对纹理图像的大小、位置、个数和类型具有鲁棒性.     

基于稀疏表示的车牌图像超分辨率算法研究

介绍一种应用于车牌图像的稀疏表示超分辨率算法,依据稀疏表示理论,自然图像在合适的过完备字典下总存在稀疏的表示,为输入的低分辨率图像寻找一个稀疏表示,用稀疏系数来生成高分辨率输出图像。通过对低分辨率和高分辨率图像补丁的联合训练生成字典,该字典提供低分辨率图像补丁的稀疏表示,用来生成高分辨率图像补丁。     

基于自相似性与稀疏表示的超分辨率算法

目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。     

Gabor特征结合Metaface学习的扩展稀疏表示人脸识别

为了克服人脸识别中存在的遮挡等闭塞问题,本文提出了Gabor特征结合Metaface学习的扩展稀疏表示人脸识别算法(GMFL)。考虑到Gabor局部特征对光照、表情和姿态等变化的鲁棒性,该算法首先提取图像的Gabor特征集;然后对Gabor特征集进行Metaface字典学习得到具有更强稀疏表示能力的新字典,同时引入Gabor闭塞字典来编码表示图像中的闭塞部分,并与新字典联合构造一组过完备字典基;最后利用过完备字典基求解稀疏系数重构样本,根据样本与重构样本之间的残差最小原则对人脸图像进行分类识别。在AR人脸库和FERET数据库上的实验结果验证了本文算法的可行性和有效性。     

基于耦合过完备字典的红外云图超分辨率方法

针对红外云图分辨率低的问题,提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上,建立了采用稀疏表示理论的超分辨率重构框架,首先随机抽取大量高、低分辨率云图的图像块,组成训练样本,经过字典学习获取针对高、低分辨率云图块的两个字典Dh和Dl,为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示,提出一种耦合字典学习算法,该算法改变了字典对的更新策略,通过在每一步迭代中交替优化Dh和Dl,得到耦合的过完备字典对;最后对输入的低分辨率红外云图,采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm,OOMP),得到满足重构约束的高分辨率云图。实验结果表明,本文方法与其他方法相比,红外云图重构质量有较为明显的改善,而且比同类方法具有更高的计算效率。     

基于贝塔过程联合字典学习的图像超分辨重建

为了提高图像超分辨效果,针对以往稀疏字典超分辨算法仅适用于单特征空间的问题,提出基于贝塔过程联合字典学习(BPJDL)的图像超分辨重建(SRR)方法。首先,根据图像退化模型生成训练样本图像,分别对高、低分辨率图像进行7×7分块,并利用吉布斯采样对图像块进行采样,生成字典训练样本。然后,依据贝塔过程先验模型,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,通过训练和更新字典,得到同时适用于两个特征空间的字典映射矩阵。最后,进行图像超分辨稀疏重构。实验结果表明:本文方法能以更小尺寸的稀疏字典重建超分辨图像,与当前最先进的稀疏表示超分辨算法相比,结果图像主观视觉上纹理细节信息更丰富,客观评价参数峰值信噪比(PSNR)提高约1.5 dB,结构相似性(SSIM)提高约0.02,超分辨重建时间降低约50 s。     

采用均匀局部二元模式及稀疏表示的掌纹识别

针对传统掌纹识别方法易受噪声干扰,且旋转鲁棒性差的问题,提出一种采用均匀局部二元模式(Uniform Local Binary Patterns,ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征,且具有良好旋转不变性和抗干扰性的ULBP提取掌纹图像特征;同时考虑到直接对整幅图像进行ULBP处理会丢失局部纹理,采用先对各图像进行分块,再对各块分别进行ULBP处理的特征提取方案。在分类算法的设计上,本文利用掌纹图像库中训练样本的ULBP特征构造过完备字典,通过求解l1范数意义下的最优化问题实现测试样本的稀疏分解,并提出一种基于统计残差平均的稀疏表示分类方法,实现了测试掌纹图像的分类识别。实验结果表明,本文方法不仅具有良好的旋转及噪声鲁棒性,而且总体识别率明显优于基于PCA及2DPCA的传统稀疏表示分类方法,对于包含5 000031 0人的掌纹数据库,识别率分别提高了8.8%和6.8%。     

Shearlet变换和稀疏表示相结合的甲状腺图像融合

针对甲状腺肿瘤超声图像对比度低和SPECT图像边界模糊的特点,结合多尺度几何分析和单尺度稀疏表示的思想,提出了一种 Shearlet 变换与稀疏表示相结合的图像融合算法。首先,用该变换对已经精确配准的源图像进行分解,得到图像的高低频子带系数。对稀疏性较差的低频子带系数进行字典训练并求解其稀疏表示系数,并采用能量值取大的规则进行融合。高频子带系数采用区域拉普拉斯能量和的规则。最后,用 Shearlet 逆变换得到融合图像。实验结果表明,此算法在主观视觉效果和客观评价指标上优于多尺度融合方法和单尺度下基于稀疏表示的图像融合方法。     

正则化恢复联合稀疏表示的图像超分辨率重构

为改善强降质图像的分辨率水平,提出了一种正则化恢复联合稀疏表示的单帧图像超分辨率重构框架。为同时放大图像并抑制模糊及噪声,首先根据退化估计正则化平衡极小问题的逼近项和先验项,然后基于初步的锐利清晰图像和预先建立的图像超完备稀疏表示字典实现边缘保持的图像分辨率放大。正则化恢复的输出改善了传统学习法图像超分辨中低频分量的双立方插值版本,同时对降质的有效抑制降低了字典原子对退化信息的依赖性。实验结果表明,本方法可对模糊含噪的低分辨率图像实现有效的超分辨率重构。     

改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。     

非负矩阵分解耦合视觉词典的图像检索算法

目的解决当前图像检索技术中,图像特征稀疏编码收敛速度慢,以及局部特征空间信息不足易导致检索误差较大等问题,提出一种基于l0稀疏约束非负矩阵分解耦合视觉词典优化的图像检索算法。方法首先,在非负矩阵分解(Non-negative Matrix Factorization,NMF)的基础上,对系数矩阵设置l0个约束来限制其稀疏性,从而定义一种l0稀疏约束的NMF方法。再通过一种自适应序列词典初始化方案,从训练样本获得词典的初始估计。然后,利用l0稀疏约束的NMF来增强视觉词典,对图像局部描述符进行稀疏编码,并利用最大池化操作来生成聚合特征向量,从而保留局部描述符的关键属性。最后根据得到的特征向量,引入Minkowski距离来衡量查询图像与数据库的相似性,输出检索图像。结果实验结果表明,与当前图像检索方案相比,所提算法具有更高的查准-查全率和收敛速度。结论所提算法返回的图像与查询图像相似度高,在包装商标检索等领域具有一定的参考价值。     

Denoising Medical Images Using Deep Learning in IoT Environment

Medical Resonance Imaging (MRI) is a noninvasive, nonradioactive, and meticulous diagnostic modality capability in the field of medical imaging. However, the efficiency of MR image reconstruction is affected by its bulky image sets and slow process implementation. Therefore, to obtain a high-quality reconstructed image we presented a sparse aware noise removal technique that uses convolution neural network (SANR_CNN) for eliminating noise and improving the MR image reconstruction quality. The proposed noise removal or denoising technique adopts a fast CNN architecture that aids in training larger datasets with improved quality, and SARN algorithm is used for building a dictionary learning technique for denoising large image datasets. The proposed SANR_CNN model also preserves the details and edges in the image during reconstruction. An experiment was conducted to analyze the performance of SANR_CNN in a few existing models in regard with peak signal-to-noise ratio (PSNR), structural similarity index (SSIM), and mean squared error (MSE). The proposed SANR_CNN model achieved higher PSNR, SSIM, and MSE efficiency than the other noise removal techniques. The proposed architecture also provides transmission of these denoised medical images through secured IoT architecture.     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

A novel multimodal medical image fusion using sparse representation and modified spatial frequency

Fusion of multimodal imaging data supports medical experts with ample information for better disease diagnosis and further clinical investigations. Recently, sparse representation (SR)‐based fusion algorithms has been gaining importance for their high performance. Building a compact, discriminative dictionary with reduced computational effort is a major challenge to these algorithms. Addressing this key issue, we propose an adaptive dictionary learning approach for fusion of multimodal medical images. The proposed approach consists of three steps. First, zero informative patches of source images are discarded by variance computation. Second, the structural information of remaining image patches is evaluated using modified spatial frequency (MSF). Finally, a selection rule is employed to separate the useful informative patches of source images for dictionary learning. At the fusion step, batch‐OMP algorithm is utilized to estimate the sparse coefficients. A novel fusion rule which measures the activity level in both spatial domain and transform domain is adopted to reconstruct the fused image with the sparse vectors and trained dictionary. Experimental results of various medical image pairs and clinical data sets reveal that the proposed fusion algorithm gives better visual quality and competes with existing methodologies both visually and quantitatively.     

基于EEMD和低秩稀疏分解的超声缺陷回波检测方法

针对应用超声对金属材料微小缺陷检测时缺陷回波容易被噪声干扰的问题,提出了一种基于集合经验模态分解(EEMD)和低秩稀疏分解相结合的检测方法,以避免传统基于经验模态分解(EMD)的去噪方法难以消除结构噪声的问题.首先对缺陷检测信号进行EEMD得到一系列本征模态函数(IMF),采用基于概率密度函数的相似性测量方法选取相关模...     

基于字典学习的主动声呐目标分类方法

主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机（Support Vector Machine,SVM）、K-最近邻（K-Nearest Neighbor,KNN）和柔性最大值分类器（SoftMax）等分类方法,具有较好的分类性能。     

水声信号动态阈值正交匹配追踪降噪方法

为了对实时采集的水声信号进行数据压缩的同时实现信号降噪,提出了一种动态阈值正交匹配追踪方法(Dynamic Threshold Orthogonal Matching Pursuit,DTOMP)。该方法将稀疏分解原理应用于水声信号的预处理,通过在正交匹配追踪算法中引入阈值约束,并根据噪声分布特性将其分为两部分,用以控制预设置的参数。通过对加噪正弦信号、实测鲸鱼叫声和舰船辐射噪声信号的降噪实验,表明该方法能够在对原始水声信号进行压缩的同时提高信噪比,且在较宽的信噪比变化范围内比小波方法具有更好的降噪性能。