基于◢l◣▼2▽-范数重构样本约束的稀疏表示人脸识别方法

稀疏表示分类方法在训练样本空间较大的情况下具有良好的分类效果,但是计算的时间成本较高。针对稀疏表示方法的此问题,考虑构造对重构样本的◢l◣▼2▽-范数进行约束,使得重构样本中各类别分量之间的竞争加强,以起到组稀疏的效果,最后提高分类正确率。由于该方法可以直接得到闭式解,使得求解的计算成本大大减小,并且得到的系数稀疏程度与传统方法类似。在公开的人脸和物体图像数据集上和同类型方法的对比实验结果表明,该方法在复杂的条件下具有优秀的图像识别效果。     

基于稀疏表示的惯性传感器信号实时滤波方法

针对惯性传感器信号处理的特点,提出了基于稀疏表示的信号滤波处理系统模型和方法。通过 K-SVD算法对信号学习训练获得字典,为了减少计算量,满足实时性,尽量降低字典的大小,仿真结果表明,在满足一定精度的条件下,字典的大小最小为3×10。在该字典下对信号进行稀疏表示和重构,改变信号的输入方式,可以实现信号的实时滤波。仿真结果表明提出的滤波方法能有效地消除噪声,改善输出信号精度,可以提高信噪比最大为4．5 dB。该滤波方法与传统的滤波方法相比有较大的优势,为惯性传感器信号处理提供了一种新的方法。     

窄带干扰环境下的BOC信号捕获

针对信道干扰会影响二进制偏移载波(Binary Offset Carrier,BOC)信号传输的正确性以及BOC信号自相关函数多峰值导致捕获模糊性的问题,提出了一种基于频域FFT重叠变换干扰抑制方法和相关重构方法相结合的BOC捕获算法。该算法首先通过对信号重叠加窗处理,降低信号的频谱泄露和减小信号的损失,然后通过频域陷波技术对干扰信号进行有效的抑制,最后将经过处理后的BOC信号利用相关重构方法进行捕获。仿真结果显示,该算法能够有效抑制窄带干扰信号,在信噪比为10 dB、信干比为-30 dB条件下误码率能够降为零,且该算法和其他算法相比捕获精度明显提高。     

基于稀疏表示的图像超分辨率重构算法

为提高单幅图像的分辨率,提出一种基于稀疏表示的图像超分辨率重构方法。该方法的核心是联合训练高分辨率和低分辨率字典,然后利用所得字典求解高、低分辨率下图像块共有的稀疏表示系数。与已有的基于稀疏表示的图像超分辨重构算法相比,该算法在求解稀疏表示系数时并未采用拉格朗日乘子将稀疏度和重构误差相结合,而是利用对偶模型求解原始的带约束优化问题。实验表明,与其他图像超分辨率重构方法相比,该方法所需手动调节参数较少,重构效果较好。     

基于稀疏表示的OFDM信号的DOA估计

针对正交频分复用（OFDM）, 宽带信号波达方向(DOA)估计问题, 提出一种基于宽带信号协方差矩阵稀疏表示的DOA估计方法。该方法是在协方差矩阵主对角线下对左下角三角形元素按各条对角线取平均值后形成一个新的向量, 然后将该向量写成冗余字典形式。在冗余字典下对信号进行稀疏性约束形成二阶锥约束优化问题, 再用工具箱SeDuMi来实现DOA估计。理论分析和仿真结果表明, 该方法在低信噪比和少快拍数下分辨率很高, 是一种有效的宽带信号DOA估计算法, 此方法优于基于高阶累积量算法和宽带聚焦算法的DOA估计方法。     

基于稀疏表示和近邻嵌入的图像超分辨率重构

提出基于稀疏表示和近邻嵌入的单帧图像超分辨率重构算法;为低分辨率和高分辨率图像块训练两个基于稀疏表示的过完备字典,在训练的低分辨率图像块和高分辨率图像块中分别选取与这两个字典原子最近的图像块近邻,通过图像块近邻来计算构图像块的权重;一旦得到权重矩阵,高分辨率重构图像块可以由低分辨率图像块与相应权重相乘来表示;与之前的算法相比,所提出的算法在计算字典原子与图像块距离的时候不是逐个图像块进行计算,而是先将图像块聚类,计算字典原子与类中心的距离,在距离最近的一类中选取图像块;计算权重矩阵的时间可以大大减少,提高计算效率;所得到的PSNR与其它算法相比,也有一定提高。     

基于群结构稀疏表示的图像修复

针对基于稀疏表示的图像修复方法存在稀疏系数先验知识表达不足等问题,考虑图像的纹理自相似性和原子系数的群结构稀疏性,提出了群结构约束的稀疏表示模型,通过选取合适的群结构约束稀疏系数,使字典中相邻基对应的稀疏系数之间建立联系,并统一对输入图像的有效数据图块与训练样本进行稀疏编码来进一步训练字典,使其具有相同的稀疏模式,从而建立联合稀疏关联,并将其作为先验知识指导图像修复。通过区域目标剔除、像素缺失修复等实验验证其性能,实验结果表明,该方法有较强的自适应性,修复效果较好。     

基于多任务联合判别稀疏表示的人脸识别

针对人脸识别中由于姿态、光照及噪声等影响造成的识别率不高的问题,提出一种基于多任务联合判别稀疏表示的人脸识别方法。首先提取人脸的局部二值特征,并基于多个特征建立一个联合分类误差与表示误差的过完备字典学习目标函数。然后,使用一种多任务联合判别字典学习方法,将多任务联合判别字典与最优线性分类器参数联合学习,得到具有良好表征和鉴别能力的字典及相应的分类器,进而提高人脸识别效果。实验结果表明,所提方法相比其他稀疏人脸识别方法具有更好的识别性能。     

基于稀疏表示的兰姆波模态分离方法研究

针对超声阵列检测过程中兰姆波的频散和多模态特性带来的信号分析困难问题,提出了一种基于稀疏表示的兰姆波模态分离方法,并将其应用于金属板结构兰姆波模态分离中。根据S;和A;模态兰姆波在时域上的波形差异,研究S;、A;单模态字典和复合字典的构造方法,将待测信号在复合字典上进行稀疏分解,采用带相干性准则的最小角回归算法求解稀疏系数,从多模态信号中提取S;、A;单模态信号。将所提出的方法应用到仿真和实验信号分析中,结果表明,该方法可以很好地实现检测信号中单模态兰姆波信号的提取。研究工作有助于解决金属板结构中多模态兰姆波的模态分离问题。     

基于多尺度稀疏表示的图像融合方法

针对目前基于稀疏表示的常用图像融合算法计算复杂度高以及忽略图像局部特征的问题,提出多尺度稀疏表示(multi-scale sparse representation,MSR)的图像融合方法.充分利用小波多尺度分析较好突出图像局部特征的特点,将其和过完备稀疏表示有效结合;待融合图像在小波解析域中进行小波多层分解,对每个尺度的特征运用K-SVD (kernel singular value decomposition)多尺度字典进行OMP (orthogonal matching pursuit)稀疏编码,并在小波域中各个尺度中进行融合.实验结果表明,与传统的小波变换、轮廓波变换、稀疏表示融合算法相比,该算法更能保证图像局部特征的完整性,实现更好的性能.     

基于稀疏表示的含噪图像超分辨重建方法

传统的含噪图像超分辨方法只能将图像去噪和图像超分辨分别进行处理,基于稀疏表示与字典训练的含噪声图像超分辨重建方法将两者融合在一起.提出一种基于图像块在训练字典下稀疏表示的协同处理方法,来解决含噪图像超分辨的问题.由于图像块可以由字典下的稀疏系数来表示,所以可训练一个分别适用于含噪低分辨率图像块和清晰高分辨率图像块的字典对,使得高低分辨率图像块在该字典对下具有相同的稀疏表示.当输入含噪低分辨率图像块时,先计算出其在低分辨率字典下的稀疏表示系数,然后利用此稀疏系数在高分辨率字典下进行重建,可得到清晰高分辨率图像块,最后通过整体优化完成清晰高分辨率图像,实现图像超分辨和图像去噪的目的.实验证明,采用局部自适应插值的方法放大低分辨率图像到中间分辨率再进行特征提取,比以往采用的双三线性插值的方法在重建图像质量上有提高,并通过研究字典λ参数的设置使得超分辨重建和去噪结果同时达到最佳,即在图像的视觉和质量上都具有较为明显的优势,具有很好的鲁棒性和有效性.     

基于稀疏表示的单幅图像超分辨率重建

针对单幅低分辨率灰度图像,提出一种基于稀疏表示和字典学习的超分辨率重建算法,通过选择合适的过完备字典,图像块可表示为字典元素的稀疏线性组合。对于输入的低分辨率图像,寻求每一图像块的稀疏表示,利用此表示系数产生高分辨率图像输出。为消除Elad方法重建图像中产生的黑色边缘并提高重建图像的质量,文中在稀疏表示方法的基础上利用反向投影法对其进行改进。仿真实验结果表明,改进算法不仅实现了上述目的,而且在图像信噪比和算法运行效率上都有所提高,从而达到了算法改进的目的。     

基于双字典和稀疏表示的医学图像超分辨率重建

在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高。     

融合邻域回归和稀疏表示的图像超分辨率重构

对于图像超分辨率重建而言,通常会将图像的整体信息作为研究对象.然而图像本身含有的大量结构信息并没有得到充分利用.为了提高超分辨率重建的效果,实现对不同特征信息的利用,提出了一种融合邻域回归和稀疏表示的图像超分辨率重构算法.依据图像所具有的低秩性对高分辨率图像进行分解,获得高分辨率图像的低秩部分和稀疏部分;将对应的低分辨...     

基于稀疏表示的阵列声波测井仪数据无损压缩传输方法

交叉多极子阵列声波测井仪在井下信号采集的同时,采用无损压缩提升单位时间内上传数据量,是目前主流的仪器上传带宽增加方式。针对传统压缩方法压缩率较低,导致仪器在单位深度地层工作时长过长的问题,从信号稀疏表示的角度出发,对采集的多路声波波列采用预先构建的稀疏变换矩阵进行稀疏变换,将求解的稀疏表示系数和其重构信号与原始信号的误差进行压缩编码上传;地面系统通过相同的稀疏变换矩阵进行信号重构,实现解码;其中,稀疏变换矩阵采用K-SVD算法进行预训练,提升稀疏变换系数的稀疏度与重构信号精度,进一步降低上传的压缩编码长度。在HB油田3口井实际测井资料的实验中,本方法与目前主流的测井数据压缩方法相比,压缩率平均提升约17.3%;在4口井的阵列声波实际测井作业的应用测试中,作业效率平均提升约20.2%。结果表明,数据压缩传输算法极大地提升了阵列声波测井时效,在保证数据采集质量的同时,实现了阵列声波仪器的高速测量。     

基于混合基稀疏图像表示的压缩传感图像重构

单一基函数不能对同时包含边缘和纹理信息的自然图像进行最优压缩传感图像重构. 本文根据Meyer的卡通--纹理图像模型和生物视觉原理, 用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘成分, 并构造了窄带轮廓波变换实现纹理成分的稀疏表示. 三种稀疏变换的基函数分别与视觉皮层中的侧膝体、简单细胞及栅格细胞的感受野类似. 结合三种图像稀疏表示方法和凸集交替投影算法提出了基于混合基稀疏表示的压缩传感图像重构算法. 实验结果表明,与基于块匹配三维变换迭代收缩的图像重构算法比较, 本文算法能获得更高的图像重构质量.     

基于压缩感知的信号时频表示重构

传统的时频分析方法受限于Nyquist采样定理,信息量的增加提高了对采样速率、传输速度和存储空间的要求;同时,双线性魏格纳-维尔分布处理多分量信号时会产生交叉项,常用的核函数法在抑制交叉项时降低了信号的时频聚集性.该文将压缩感知与时频分析方法相结合,在时频分析中突破采样定理的限制,抑制交叉项的同时获得较高的时频聚集性.针对单分量信号、多分量信号、蝙蝠声音信号,利用不同的窗函数如矩形窗或高斯窗,得出仿真结果,验证了基于压缩感知的信号时频表示重构优于传统的基于傅里叶变换进行重构的方法.并利用最小均方误差MSE和时频聚集度CM作为衡量参数,分析了不同样本空间与所重构信号时频表示性能之间的关系.     

基于分类稀疏表示的人脸表情识别

为挖掘不同人脸表情图像的统计特性差异,提出一种基于分类稀疏表示的表情识别算法。首先通过对不同类别表情图像的字典学习,构建满足各类表情图像统计特性的基函数子集,进而采用Lasso算法获得表情图像在由基函数集所张成特征子空间中的稀疏表示,最后通过比较表情图像在各基函数子集上的重构误差实现不同表情的分类识别。基于JAFFE人脸表情数据库的实验结果表明,该算法可以有效克服人脸身份对表情识别的影响,具有较高的表情识别率和鲁棒性。