结合稀疏表示与图像压缩融合的目标检测

针对单光谱图像用于目标检测时信息量不足的缺点,提出了一种可见光图像与红外图像基于压缩域融合检测的方法。该方法首先使用合适的模型构造目标原子,得到超完备字典,再对待测图像在字典上分解所得稀疏系数进行融合,最后通过稀疏度指标对融合系数进行判定,得到目标所在位置。实验结果表明,与单帧图像检测方法相比,该方法使得待检测图像信息更加丰富,提高目标的检测率。     

基于稀疏表示模型的红外目标跟踪算法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等问题,提出了一种基于稀疏表示模型的红外目标跟踪算法。在粒子滤波的理论框架基础之上,采用目标在超完备字典中的稀疏表示作为观测模型,对红外目标进行描述,从而利用了图像的稀疏表示本身对噪声和遮挡不敏感的特性,可以有效地减弱背景杂波和噪声对跟踪算法的不利影响。此外,采用了一种在线学习的方法来完成对超完备字典中目标子空间的更新,使其不断地适应背景杂波、光照等各类因素引起的目标外观变化。实验结果表明所提出的算法是稳健和有效的。     

一种基于超完备字典学习的图像去噪方法

 基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文提出一种超完备字典学习算法并应用于图像去噪.将字典学习等价于一个二次规划问题,并提出适合于大规模运算的投影梯度算法.学习所得字典能有效描述图像特征.基于此超完备学习字典,获得图像的稀疏表示,并恢复原始图像.实验结果表明,与小波类去噪方法相比,本文的学习算法能更好地去除图像噪声,保留图像细节信息,获得更高的PSNR值.     

基于稀疏表示和道路辅助的单幅SAR图像运动目标检测方法

本文提出一种利用单幅SAR(Synthetic Aperture Radar)图像实现运动目标检测的方法.首先提出一种基于压缩感知的SAR图像道路检测算法:根据SAR图像中道路的特点,使用模糊C均值方法将图像进行模糊分类,获得大致的道路区域,然后利用Hough变换域的稀疏性,用压缩感知精确定位图像中的道路信息.其次利用图像稀疏表示的方法对运动目标进行检测:不同速度运动目标的散焦量和距离单元跨越不同,由此生成样本图像,继而构造超完备字典.将待测图像分块,并计算子图像在字典下的稀疏系数,检测并匹配出运动目标的速度参数.最后,结合已检测出的道路辅助信息,消除多普勒模糊影响,剔除虚假的运动目标,并对运动目标速度参数进行校正.实验结果证明了所提方法的有效性.     

基于自适应子空间重建的杂波抑制

针对红外图像中背景杂波抑制困难的问题,提出了一种基于自适应子空间重建的杂波抑制方法.该方法首先根据稀疏编码理论,学习得到描述红外小目标的超完备字典,接着依次提取测试图像中的图像子块,并计算其在超完备字典中的表示系数,根据背景子块和红外小目标在稀疏域中表示系数的差异性,自适应地选择字典中的原子构成子空间对图像子块进行重构,从而得到原图与重构图像之间的残差图像.实验结果表明,该方法得到的残差图像,能够有效抑制杂波,提高红外图像的信噪比.     

基于稀疏和低秩表示的显著性目标检测

文中研究了无监督自下而上的显著性目标检测方法。基于显著性目标在自然图像中稀疏分布的这一先验性假设,提出了一种用低秩和稀疏表示进行显著性目标检测的方法。根据图像背景的先验分布,首先选取一个有效的背景字典来低秩表示图像的背景部分,进而更好地分离出显著性前景。由于人类视觉中心偏好可知,图像的边缘部分不易引起关注,故选取这些边缘部分作为背景先验来选取背景字典。与其他基于稀疏和低秩分解的显著性目标检测相比,文中选取的背景字典更简单有效,且能得到更好的显著性图。实验结果显示,该方法比主流的显著性检测方法得到的显著性图更令人满意。     

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.     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

一种改进的基于K-SVD字典学习的运动目标检测算法

提出了一种基于字典学习的运动目标检测方法.该方法首先使用多帧平均方法从训练样本中得到初始背景,再通过BP算法建立背景的初始稀疏表示模型;然后利用视频序列中当前时刻的近邻五帧图像,通过K-SVD方法自适应更新背景数据字典中的原子,使背景稀疏表示模型最优逼近近邻帧背景的观测值;最后将当前帧图像与背景模型进行差分,完成前景运动目标的检测.仿真和对比实验结果表明,对图像信号进行稀疏表示可以有效降低数据的冗余度,减小运行时间,同时在字典更新阶段利用近邻帧图像的相关性特性,能获得鲁棒性较好的背景字典,自动排除伪前景的干扰,从而提高视频序列中的运动目标检测的准确率.     

基于非完备字典的舰船特征提取和识别

提出了一种基于非完备特征字典的舰船特征提取和识别算法。借鉴稀疏表示理论的思想,根据红外图像中舰船的外形特征数据集构造特征字典,将目标信号进行分解,根据匹配字典中每个特征基原子得到特征响应,从而获得目标的特征表示,最后采用SVM一对一投票方法进行目标识别,得到最终的目标识别结果。仿真实验表明,与简单的标量区域描述方法和矩特征方法相比,本文方法得到的特征不仅具备更快的提取速度,而且可以更好地区分目标,提高目标识别的正确率。     

基于分块过完备稀疏表示的多聚焦图像融合

提出一种基于分块过完备稀疏表示的多聚焦图像融合算法。该方法将多聚焦源图像对应分块,采用稀疏模型进行分解,得到每个块的稀疏表示系数。考虑到稀疏系数向量的l1范数越大,带的信息量就越多,采用此因子对稀疏系数加权,求得融合系数,结合过完备字典重构融合图像。实验结果表明该图像融合方法取得较好的融合效果且优于传统小波分解融合方法。同时探讨了字典维数对所提出方法的影响。     

局部非负稀疏编码的高光谱目标检测方法研究

基于稀疏编码的高光谱图像处理算法能够挖掘高光谱高维数据空间中潜在的数据相关性,能自然地贴近光谱信号的本质特征。本文提出基于非负稀疏编码的高光谱目标检测算法。与经典稀疏编码模型相比,非负稀疏编码对编码系数进行非负约束,一方面使得线性编码具有明确的物理解释,另一方面增强了系数的可分性与稳健性。算法首先通过双窗口设计构造局部动态字典,然后利用目标和背景在动态字典上编码的稀疏性差异进行阈值分割最后通过统计判决实现目标检测。仿真数据以及真实数据实验结果证明了算法的有效性。      

一种快速的基于稀疏表示和非下采样轮廓波变换的图像融合算法

为了提高图像融合的效率和质量,该文提出一种基于快速非下采样轮廓波变换(NSCT)和4方向稀疏表示的图像融合算法。该方法首先对源图像进行快速NSCT分解,生成一系列低通和高通子带。对于低频子带,利用自适应生成的DCT过完备字典进行快速的4方向稀疏表示和系数融合;对于高频子带,则利用高斯加权区域能量最大的融合规则进行系数融合。快速NSCT将传统NSCT的树形滤波结构转变为多通道滤波结构,能成倍提高分解效率;快速的稀疏融合则抛弃了传统的滑动窗口方法,以水平、垂直、对角线4个方向进行稀疏表示和稀疏融合,进一步提高算法效率。实验结果表明,提出的快速算法能在不影响融合质量的条件下将算法效率提高近20倍。     

基于协作稀疏编码的红外小目标检测

为了实现复杂背景下的红外小目标检测, 提出了一种基于协作稀疏编码(CSC)的红外小目标检测算法。首先通过滑动窗口法提取待测 试图像的图像块,并将 其转化为列向量作为超完备字典;然后采用CSC模型计算每一个图像块在超完 备字典中的系数矩 阵以及误差矩阵,其中系数矩阵的L_2,1范数代表图像的背景信息,而误 差矩阵的L_1,2范数代表红外小目标信 息;进而利用ADMM(alternating directional method of multiplier)算法解 算,得到系数矩阵和误差矩阵;最后通 过误差矩阵重建,得到红外小目标的位置。仿真及公开数据实验结果,证实了本文方法的有 效性。     

基于过完备结构字典的跳频信号稀疏分解

过完备字典下的信号稀疏分解能够充分利用信号的结构特征,具有更好的稀疏分解性能。主要研究了跳频信号在过完备字典下的稀疏分解,提出了过完备结构字典下的跳频信号稀疏分解方法。利用跳频信号固有的结构特性,构造更加接近跳频信号结构特征的过完备字典,并采用FFT改进的匹配追踪算法对跳频信号进行稀疏分解。仿真结果表明该方法在分解效果和分解所需时间方面都有很大改善。     

可见光与红外图像组K-SVD融合方法

传统稀疏表示融合方法,以图像块进行字典训练和稀疏分解,由于没有考虑图像块之间的内在联系,易造成字典原子表征图像特征能力不足、稀疏系数不准确,导致图像融合效果不好。为此,本文提出可见光与红外图像组K-SVD（K-means singular value decomposition）融合方法,利用图像的非局部相似性,将相似图像块构造成图像结构组矩阵,通过组K-SVD进行字典训练和稀疏分解,可以有效提高字典原子的表征能力及稀疏系数的准确性。实验结果表明,该方法在主观和客观评价上都优于传统稀疏融合方法。     

基于稀疏分解的指静脉图像去噪

手指静脉识别技术因其独特的优势,受到广泛的关注。然而由硬件系统获取的手指静脉图像常常含有严重的噪声、阴影等问题,所以对低质量的静脉图像的去噪成为了整个识别过程的关键。本文提出了一种基于稀疏分解的指静脉图像去噪新方法。基于稀疏分解的图像去噪是将含有噪声的图像信息进行稀疏分解,分解成稀疏成分和其他成分。其中的稀疏部分是有用信息,其他部分被认为是噪声,再由图像的稀疏部分重建原始信号,达到恢复原始信号并去除噪声的效果。本文根据指静脉图像的静脉的特点,应用高斯函数构造了过完备库。用合成图像和真实指静脉图像分别对新算法进行实验验证。实验结果证明,与传统的去噪算法相比,峰值信噪比提高1-2dB。