一种基于MOD字典学习的图像超分辨率重建新算法

将低分辨率图像重建成高分辨率图像是图像处理领域中的一个重要课题。Yang提出一种基于联合字典学习的图像超分辨率重建算法,其算法样本选取与字典训练方法较为复杂。提出一种基于MOD字典学习的图像超分辨率重建新算法,首先采用少量的训练样本代替Yang的大量训练样本,然后使用MOD字典学习算法代替Yang的FFS字典学习算法,最后利用字典对图像进行稀疏表示与重建。实验结果表明,所提出的算法速度较快,并且重建图像的质量较高。     

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。     

运用稀疏表示法进行单幅图像超分辨的内点方法

稀疏表示法在单幅图像超分辨率重建问题中受到广泛的关注.本文介绍了一种使用稀疏表示进行超分辨率图像重建的方案.该方案首先由低分辨率的输入图像块求取稀疏表示系数,然后根据此系数生成对应的高分辨率图像块,最后由高分辨率块重建出整幅图像.在求取稀疏表示系数时,本文采用了一种借助预处理共轭梯度算法计算搜索方向的内点方法.仿真结果...     

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。     

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。     

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。     

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。     

基于可分离字典的稀疏和低秩表示图像去噪

目的 为了有效去除图像中的椒盐噪声，提高图像质量。方法 文中将可分离字典和低秩表示结合，提出基于可分离字典的稀疏和低秩表示算法(SLRR–SD)。首先，使用可分离字典代替传统的过完备字典可分离字典可以对二维图像直接表示。其次，使用Frobenius范数对分离字典进行约束以挖掘字典内部的低秩性。此外，为了挖掘图像内部的稀疏结构，对表示系数使用稀疏约束进一步提升表示的有效性。结果 提出的算法在噪声强度为5%、10%、20%和30%下，PSNR/FSIM的平均值分别为32.736/0.975、29.769/0.957、29.295/0.951和26.768/0.921。结论 文中算法保留了相邻列之间的相关性，并且可分离字典优化过程也降低了计算负担。实验结果表明，该算法在保留原图像信息的同时能更好地完成去噪任务。     

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。     

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.     

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。     

融合2D-PCA及稀疏表示的掌纹识别方法

提出一种基于稀疏表示的掌纹识别方法,该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度,生成掌纹特征图像.二维PCA不仅克服了一维PCA数据维数过大不易计算的缺点,而且保留了原始图像的数据结构,提取的特征能更好的代表原始图像.为了便于稀疏表达,对提取的掌纹特征图像利用一维主成分分析进行二次特征提取,得到训练样本.虽然此处使用了一维PCA,但是由于这是二次特征提取,提取的特征还是保留了原始图像的数据结构,相比单纯的一维PCA,提高了识别率.利用训练样本构造出冗余字典,并采用稀疏表示理论将测试样本表示为字典原子的线性组合,然后根据表示系数的稀疏性与稀疏集中度实现分类识别.由于该方法利用了表达系数的稀疏性,因此减小了算法的时间和空间复杂度.实验表明,针对香港理工大学的MSpalmprints Database,本文方法的识别率较传统方法有明显提高.     

增强稀疏编码的超分辨率重建

本文提出一种基于稀疏字典编码的超分辫率方法.该方法有效地建立高、低分辫率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辫率重建.较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效.字典训练过程中,本文选用高频信息作为高分辫率图像的特征,更有效地建立高、低分辫率图像决间的稀疏关联,所需的训练样...     

稀疏重建的兰姆波结构损伤定位

研究了基于稀疏重建算法的兰姆(Lamb)波损伤成像方法。利用损伤的稀疏性,对测量信号在字典中寻求其稀疏表示,通过稀疏重建方法得到定位缺陷的图像。由兰姆波信号传播模型理论,计算检测区域所有可能出现缺陷位置对应传感器接收到的散射信号波形,以此组成过完备字典;并通过梯度投影算法从字典中搜寻匹配的原子,匹配原子在字典中的位置对应于缺陷在检测区域中的位置。仿真实验采用多模态兰姆波进行损伤定位,结果表明稀疏重建方法在低噪声情况下可以实现对单个、两个缺陷的定位,和延迟求和成像方法对比,稀疏成像具有更少的噪声干扰及伪像。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

稀疏表示图像超分辨率重建的自适应方法

提出了一种参数自适应的图像超分辨率重建方法.在基于稀疏表示的图像超分辨率重建的经典算法模型框架下,正则化参数可以根据每个图像补丁本身情况自适应地确定,从而克服了人为选择参数且所有补丁参数需一致的缺点,因此使图像重建效果得到提升.实验结果表明,我们所提方法在不同尺寸扩大因子和噪声环境下都优于人工确定参数的情形,三种评价指标均表明所提方法是有效的.     

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。     

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。     

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%。     

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。