基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

基于判别低秩矩阵恢复和稀疏表示的车标识别

针对现有的车标识别方法无法较好地处理阴影、遮挡、污损等情况下识别率低的问题,提出了基于判别低秩矩阵恢复和稀疏表示的车标识别方法。文中采用判别低秩矩阵恢复来纠正效果较差的训练样本,并通过学习一个低秩投影矩阵,将待测样本特征矩阵投影到相应低秩子空间来恢复干净的测试样本。并采用稀疏表示方式进行分类识别。同时,在Medialab LPR Database数据集上进行了对比实验,实验结果表明,该识别方法的性能要优于当前其他识别方法     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于低秩稀疏约束的穿墙雷达成像算法

针对穿墙雷达(TWR)成像过程中墙杂波与成像空间分别具有低秩性和稀疏性的特点,提出了一种基于低秩稀疏约束的穿墙雷达成像算法.所提成像算法通过奇异值软阈值法和l1范数最小化技术进行迭代求解低秩稀疏约束优化问题,实现在墙体强反射波存在的探测环境中基于压缩感知框架对墙后隐蔽目标的准确成像重建.仿真和实验数据的处理结果验证了所提成像算法的有效性和准确性.     

逆合成孔径成像激光雷达低信噪比稀疏多孔径成像方法研究

受目标非合作特性的影响,逆合成孔径成像激光雷达(ISAIL)回波存在缺失;同时受大气衰减和自然背景光等因素的影响,ISAIL回波信号信噪比较低,因此,常规的稀疏多孔径成像方法不再适用。针对上述问题,该文提出了一种结合压缩感知(CS)和权矩阵的稀疏多孔径成像方法。首先,通过基于CS的稀疏多孔径成像方法对原始数据处理,得到目标像的支撑域;然后,据此建立权矩阵,优化采用CS重构时的代价函数,对稀疏多孔径ISAIL原始数据进行成像处理,利用不完整的回波信号获得高分辨目标像。此算法具有较好的抗噪能力。采用室内ISAIL系统实测数据验证了算法的有效性。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法.为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理.首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然后,对低秩和稀疏成分分别设计不同的融合规则,得到融合低秩成分和融合稀疏成分,最终得到融合图像.最后,为了验证所提方法的融合效果,将所提方法与其他方法进行对比实验.实验结果表明,所提方法在视觉效果和客观评价指标方面均取得良好的效果.     

基于低秩结构提取的高光谱图像压缩表示

为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement, SSIM)对矩阵恢复过程提出了信噪分离约束,有助于选择更优的模型参数,增强表示的准确性。实验证明,相比现有相关方法,该文算法能够有效去除高光谱图像中的噪声,表示结果更为鲁棒;在仅使用低维特征时,仍能达到较高的分类精度。     

动态背景下基于低秩及稀疏分解的动目标检测方法

针对背景运动引起动目标检测精度显著下降的问题,该文提出一种基于低秩及稀疏分解的动目标检测方法。所提方法首先引入伽马范数($\gamma {\rm{ - norm}}$)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值从而导致所得最小化问题无法获得最优解进而降低检测性能的问题,而后利用${L_{{1 / 2}}}$范数抽取稀疏前景目标以增强对噪声的稳健性,同时基于虚警像素所具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素,进而构建目标检测模型。最后利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法对所得优化问题求解。实验结果表明,与现有主流算法对比,所提方法可显著改善动态背景情况下动目标检测精度。     

基于非均匀测量矩阵的超分辨率全向图像重建

为解决折反射全向成像空间分辨率低和分布不均匀 的问题,将压缩感知(CS)理论引入折反射全向成像系统。基于单 位球面模型分析了折反射全向成像系统的空间分辨率分布规律,根据重构信号的均方误差(MSE)与稀疏度、测量次数的关系,设计了 基于全向图像分辨率的非均匀测量矩阵;通过设计的测量矩阵,将较多的传感资源分配给全 向图像内环,而将较少的传感资源 分配给外环,从而对经过镜面反射的场景进行采集,得到观测场景的非均匀压缩采样;最后 通过线性Bregman迭代算法重构出 分辨率均匀的高分辨率图像。实验结果表明,本文方法得到的图像空间分辨率更高且分布更 为均匀,有效改善了全向成像的分辨率问题。     

基于压缩感知的稀疏孔径认知ISAR成像方法

针对运用压缩感知理论对ISAR目标成像时不同目标所需观测维数和积累时间不同的问题,提出了一种基于压缩感知的稀疏孔径认知ISAR高分辨成像方法。在对目标稀疏特性认知的基础上,构建了基于目标横向稀疏度和观测积累时间的随机观测矩阵,并给出了成像质量评估标准,实现了对有限雷达资源条件下ISAR目标的高分辨认知成像。仿真结果表明,利用该方法成像,不仅可以减少雷达成像发射脉冲数,而且可以有效减少目标成像的时间,同时还能获得高质量的目标ISAR像。     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

基于压缩感知的超分辨率图像重建

针对传统的超分辨率(SR)图像重建方法需要多幅亚 像素图像配准带来的配准误差以及高成本问题,本文将目前迅速发展的压缩感知(CS)理论 引入SR成像,利用大多数自然图像普遍具有的稀疏性,提出一种基于CS的单幅图像SR重建方 法, 不需要其它任何额外的信息采集,可以在单次拍摄条件下捕获的充分数据实现图像 的SR重建。模拟实验表明,本文提出的方法在重建效果和重建时间方面显著优于耦合字典学 习(CDT)方法,在主观视觉质量及其客观信噪比(SNR)度量 方面都具有优势,且实现方法较为简单,具有重要的应用前景。     

一种基于全变差模型的欠采样图像重构方法

基于全变差范数最小化模型,构造了一种新的图像重构算法;利用欠采样域内的融合信息,结合构造的图像重构算法,提出了一种基于压缩感知理论的图像融合模型.数值实验表明,构造的重构算法与传统算法相比,在一定程度上减少了所需的采样数量;提出的融合模型对多类图像具有较优的融合效果.     

基于低秩稀疏分解的湍流退化图像序列的盲去卷积算法

针对湍流退化图像序列存在像偏移、像抖动和像 模糊的问题,提出一种基于低秩稀疏分解和多帧去 卷积的图像复原算法。首先分析大气湍流下图像序列的退化特征,然后在低秩稀疏分解的思 想下,采用非增广拉格朗日乘子(IALM)法优化由低秩 矩阵的核范数和稀疏 矩阵的Frobenius范数之和构成的目标函数,将湍流退化序列分解为低秩稳像和稀疏湍流两 部分;最后利用 多帧去卷积算法复原对齐的稳像。实验结果表明,本文算法能够有效校 正湍流像素偏移,在提高复原质量和速度方面取得了明显的效果。     

基于残差重构的分布式视频压缩感知

为了改进分布式视频压缩感知方案的性能,提出了一种基于残差重构的分布式视频压缩感知方案。该方案在编码端逐帧独立进行测量,在解码端依靠视频信号的时域相关性提升重构信号质量。首先,对关键帧独立进行重构;其次,利用已重构关键帧做运动估计/运动补偿以生成非关键帧的边信息;接下来,对边信息采用与编码端相同的测量矩阵进行测量并计算测量残差值;最后,采用全变分最小化重构残差信号值并将其与边信息相加生成最终的重构图像。实验结果表明,在相同采样率下,与已有的分布式视频压缩感知方案相比,提出的方案可获得2.8 dB以上的峰值信噪比增益。     

基于压缩感知的图像处理与重构方法

针对图像修复和插值等图像处理问题进行研究,通过将图像修复和插值模型在压缩感知(CS)理论的框架下进行转换,建立了新的图像修复和插值模型,该模型与CS理论中的重构模型相对应。对此转化得到的重构问题,基于图像在复数小波变换上的稀疏性,利用迭代硬阈值方法求解重构模型,进而获得重构图像。仿真和实测数据处理结果验证本文方法的有效性。     

Compressive near-field millimeter wave imaging algorithm based on Gini index and total variation mixed regularization

A compressive near-field millimeter wave (MMW) imaging algorithm is proposed. From the compressed sensing (CS) theory, the compressive near-field MMW imaging process can be considered to reconstruct an image from the under-sampled sparse data. The Gini index (GI) has been founded that it is the only sparsity measure that has all sparsity attributes that are called Robin Hood, Scaling, Rising Tide, Cloning, Bill Gates, and Babies. By combining the total variation (TV) operator, the GI-TV mixed regularization introduced compressive near-field MMW imaging model is proposed. In addition, the corresponding algorithm based on a primal-dual framework is also proposed. Experimental results demonstrate that the proposed GI-TV mixed regularization algorithm has superior convergence and stability performance compared with the widely used l₁-TV mixed regularization algorithm.     

基于二进小波变换的磁共振图像增强算法应用研究

在结合磁共振图像特点的基础上对二进小波变换的图像增强方法进行研究和改进,并应用到磁共振图像的对比度增强实验中。实验结果表明,改进后的算法比原算法有更好的增强效果,在增强对比度和抑制噪声两方面都取得了较好的效果。