CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解（CEEMD）方法与K奇异值分解（KSVD）学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数（IMF）；按频率由高到低依次排列IMF各分量，并做自相关分析，去除噪声主导的IMF分量；将累加的过渡IMF分量叠加重构并做CEEMD二次分解，通过自相关分析再次去除噪声主导的IMF分量；分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量，得到两个新的含噪信号，并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号，即由稀疏系数重构去噪后地震信号，进而重构最终去噪结果。实验结果证明：该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。     

基于集成深度学习的玻璃缺陷识别方法

针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合。该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器。并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度。在稀疏编码阶段用L<sub>1</sub>-L<sub>2</sub>范数代替L<sub>0</sub>范数,并在KSVD上添加了判别分类能力使其更好的进行分类运算,以此提高识别准确率。实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。     

自适应字典改进Canny算子CT图像分割

算法的基本思路是: 首先寻找合适医学图像的自适应字典并利用稀疏矩阵理论进行图像降噪: 其次根据边缘的特点, 将降噪后的医学图像利用改进的Canny算子对图像进行边缘检测并利用差值把边缘点连接起来; 再次使用区域的连通性将相关区域合并起来; 最后我们将感兴趣区域提取出来. 本文通过介绍基于自适应学习的超完备字典训练算法, 并以此展开研究探索, 深入研究了基于KSVD算法的图像降噪方法, 通过MATLAB平台仿真, 验证了此方法的有效性.     

基于耦合特征空间下改进字典学习的图像超分辨率重建

针对目前基于字典学习的图像超分辨率重建效果欠佳或字典训练时间过长的问题,本文提出了一种耦合特征空间下改进字典学习的图像超分辨率重建算法.该算法首先利用高斯混合模型聚类算法对训练图像块进行聚类,然后使用更改字典更新方式的改进KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵.重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建.最后利用图像非局部相似性,将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果.实验结果表明了本文方法的有效性.     

一种基于稀疏表达和神经网络的人脸识别算法

传统的基于神经网络的人脸识别算法直接从灰度空间获取人脸图像数据,其中含有大量的噪声和冗余信息,降低了识别率且延长了识别时间。提出一种基于稀疏表达和神经网络的人脸识别算法:首先通过KSVD算法将样本变换至稀疏空间,然后运用LDA算法将稀疏编码变换至子空间,最后输至RBF神经网络进行分类。在ORL和Yale人脸库上的实验结果表明,该算法比其他算法具有更高的识别率和更快的识别速度,且具有较强的鲁棒性和泛化能力。     

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

改进标签一致KSVD字典学习的人脸识别算法

针对噪声污染、光照变化等复杂环境下人脸图像识别问题,提出一种改进标签一致KSVD字典学习的人脸识别算法。该算法通过改变标签一致KSVD算法的字典更新方式,用主成分分析算法分解误差项,用最大特征值对应的特征向量修改字典原子。通过字典学习过程得到原子与类别标签对应的判别性字典。目标函数综合了重建误差、稀疏编码误差和分类误差。最后,在分类阶段利用学习到的字典和分类器参数对测试样本进行分类。在有光照变化的Extend Yale B人脸库、表情变化以及遮挡影响的AR人脸库上分别取得了99.01%和97.94%的平均识别率。同时,在有噪声存在的情况下,该算法具有较好的鲁棒性。     

基于残差的图像超分辨率重建

提出一种基于图像残差的超分辨率重建算法.以原高分辨率图像与插值放大后图像之间的图像残差与低分辨率图像样本特征作为样本对,对其进行K均值分类,并对每类样本对采用KSVD(K-singular value decomposition)方法进行训练获得高、低分辨率字典对,然后根据测试样本与类中心的欧氏距离选择字典对,以与测试样本相近的多个类别所重建的结果加权获得图像残差,并结合低分辨率图像的插值结果获得高分辨率图像.实验结果表明,提出的方法具有更高的重建质量,且采用训练样本分类和相近类别的重建结果的加权和有利于提高图像重建质量.     

基于超声相控阵的聚乙烯管道缺陷信号重构方法研究

在对聚乙烯管道缺陷进行超声检测的过程中,由于聚乙烯材料中传播的声速小,散射噪声强,信噪比极低,并且仪器设备本身会受到电信号干扰,从而影响缺陷成像的结果。因此针对A扫信号进行数据处理以提高检测图像的质量尤为重要。另一方面,采用阵元数较多的超声相控阵探头进行不同类型的聚乙烯管道缺陷的数据采集时,将会得到大量的缺陷数据,对存储、传输和处理带来各种困难。而针对传统方法进行压缩感知时,如果信号的信噪比较低而重构均方误差较大,则很难保留信号中重要信息,在低码率下更容易产生细节丢失的问题。所以本文提出一种基于K-SVD超完备字典学习的稀疏表示缺陷信号压缩重构方法,借助该学习算法训练过完备字典,并选择高斯随机矩阵为观测矩阵和正交匹配追踪算法(OMP)为重构算法对聚乙烯管道缺陷回波信号进行压缩感知,同时分析字典元素个数与迭代次数等参数变化对重构信号与成像效果的影响。