基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。     

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。     

Projected Transfer Sparse Coding for cross domain image representation

Sparse coding has been used for image representation successfully. However, when there is considerable variation between source and target domain, sparse coding cannot achieve satisfactory results. In this paper, we proposed a Projected Transfer Sparse Coding algorithm. In order to reduce their distribution difference, we project source and target data into a shared low dimensional space. Meanwhile, we learn a projection matrix and a shared dictionary and the sparse coding of source and target data in the low dimensional space. Unlike existing methods, the sparse representations are learnt using the projected data which are invariant to the distribution difference and the irrelevant samples. Thus, the sparse representations are robust and can improve the classification performance. We do not need to know any explicit correspondence across domains. We learn the projection matrix, the discriminative sparse representations, and the dictionary in a unified objective function. Our image representation method yields state-of-the-art results.     

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.     

基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。     

基于字典描述向量的实时图像配准

针对传统的特征向量计算方法复杂度高、耗时长、占用内存多等缺点,提出了一种基于字典描述向量的图像配准方法。该算法采用K-奇异值分解（K-SVD）方法生成字典,通过比较特征点临近区域图像与字典中基底图像的相似性得到特征描述向量,从而降低了描述向量的计算复杂度,提高了算法的实时性。实施该算法时,首先通过随机KD树算法对参考图像和待配准图像的特征点进行匹配,然后使用经典随机抽样一致性（RANSAC）算法剔除误匹配点对,最后应用最小二乘法对得到的匹配点对进行参数估计,从而得到两幅待配准图像的空间几何变换关系。实验表明结果,本文提出的描述向量计算方法降低了描述向量的存储空间,加快了特征匹配的速度,可在保证配准准确度的前提下实现配准过程。     

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.     

基于主成分分析的字典学习

在??奇异值字典学习方法的基础上,结合主成分分析方法提出了??主成分分析字典学习方法。该方法取代了??奇异值分解(KSVD)方法中对误差项直接进行SVD分解来更新原子,取而代之的是通过对误差项进行PCA分解,提取其主成分作为字典中原子的更新。仿真结果表明,与KSVD字典学习方法相比,所提出的方法字典学习效果更好,对训练样本的表达误差更小,学习字典更能表达训练样本的特征。     

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...