基于稀疏表示模型和自回归模型的高光谱分类

针对高光谱分类中对光谱信息和空间信息利用不足的问题,提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型,设计联合字典:在光谱维上,利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合;在空间维上,利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典,在减少计算量的同时减小重构误差,最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题,以最小重构误差为准则实现高光谱数据的分类。仿真结果表明,该方法能够有效地提高高光谱数据的分类精度。     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

基于压缩感知的变步长自适应匹配追踪重建算法

压缩感知是针对稀疏或可压缩信号进行采样的同时即可对信号数据进行适当压缩的新理论,重建算法是其中关键的一部分,对采样过程中的准确性验证有着重要的意义。在研究和总结目前已有重建算法的基础上,提出了一种新的基于贪婪追踪的变步长自适应匹配追踪(VssAMP)算法。该算法通过可变步长及双重阈值控制重建精度,在信号稀疏度未知的前提下,即可对信号进行精确重建。实验结果表明,在相同条件下该算法的主客观重建效果均优于现有同类方法。     

基于匹配追踪的拉曼光谱信号重构算法

拉曼光谱技术是一种高灵敏度、无损伤、振动分子光谱技术,在医药、生物、分析化学等诸多领域有着重要的作用。然而,由于拉曼散射强度低,实际测得的拉曼信号容易被噪声所污染。特别是在较短的曝光时间,收集到的拉曼光谱的信噪比很低。因此,提出了一种基于匹配追踪算法的信号重构方法,用于提取低信噪比的拉曼信号。该方法首先通过阈值循环迭代的方法在平均谱上找出特征峰的位置、估计峰的区间。根据峰的位置区间等信息,用高斯密度函数生成字典。在噪声谱上,根据特征峰位置和区间,将其区分为有信号区间和无信号区间,在有信号区间上利用匹配追踪算法重构被噪声所掩盖的拉曼信号。该算法不仅能够很好的逼近掩盖在噪声中的拉曼信号,且在重构信号的过程中也会对基线进行扣除,无须作基线校正处理。在仿真和实验中对该算法与常规算法进行了比较,结果证明,该算法在低信噪比条件下能够较好的恢复拉曼信号。该算法不同于传统光谱去噪算法,能同时对拉曼光谱进行了基线扣除以及噪声的处理,且能取得较为理想的结果,不需要使用不同的算法对基线和噪声分别处理。其次,在算法上我们创造性地将匹配追踪算法用于拉曼光谱信号的稀疏逼近求解。     

水声信号稀疏重构高分辨角度-多普勒成像

针对傅氏空时二维谱估计分辨率低以及声呐空时采样数据样本数不足给角度-多普勒成像带来困难的问题,提出一种水声信号稀疏重构的高分辨角度-多普勒成像方法和抗混响空时滤波器的稀疏重构方法。该方法在声呐阵列单测量向量的极少观测样本条件下,建立阵列信号的空时稀疏表示模型,应用稀疏表示的匹配追踪算法和基追踪算法重构回波与混响的高分辨角度-多普勒像。并根据运动声呐回波与混响的空时分布规律及声呐待检测距离单元位置的先验信息,沿着混响空时分布脊线设计混响稀疏表示的专用空时导向向量字典,通过重构抗混响空时滤波器来抑制角度-多普勒平面的混响干扰。对运动声呐前视和侧视阵列的计算机仿真结果表明,在混响背景中,该方法采用声呐阵列单测量向量重构了低速运动目标多亮点回波的高分辨角度-多普勒像,频率分辨率突破傅里叶分辨率,角度分辨率突破阵列瑞利限,分辨率明显优于傅氏空时谱估计。      

近似零伪范数约束的水声信号压缩与重构

提出近似零伪范数约束的稀疏压缩与重构方法。该方法首先采用稀疏二进制矩阵作为测量矩阵,对信号进行压缩和传输;在接收端仅给定测量矩阵和压缩信号的条件下,采用小波滤波器设计字典,利用最陡梯度法寻优和投影方法求得信号的稀疏表达,最终结合稀疏表达值与字典用于水声数据重建,海试实验结合扫频以及单载频信号进行处理,采用NMSE、SNR以及算法运行时间作为算法的评估指标,以验证本文方法相对于传统算法在恢复精度上的提高。      

合成孔径压缩感知超声成像中的高效能稀疏字典设计

针对目前常见的稀疏字典缺乏针对性,在合成孔径医学超声成像中的应用效果不佳,难以在低压缩率下保证重构图像质量的问题,本文设计了一种高效能的稀疏字典。根据超声回波信号是由发射脉冲信号经过不同延时衰减后叠加的特点,利用发射脉冲作为基函数构造稀疏字典,回波信号在该稀疏字典确定的变换域中具备很好的稀疏性,理论上能使其稀疏表示系数的稀疏度等于超声阵元接收到的反射回波数。通过FieldⅡ对简单点目标和复杂目标的仿真结果表明:在相同的重构算法和压缩率下该稀疏字典重构的平均绝对误差明显小于常见的稀疏字典,其值仅为DWT的几分之一,DFT和DCT的几十分之一,能让回波信号以更低的压缩率实现相同的恢复效果。本文最后使用体模的实际采集数据对算法的实际效果进行检测,实验结果也与仿真结果基本一致。基于该稀疏字典的压缩感知算法可以进一步减少合成孔径成像所需存储的数据量、降低系统的复杂度。      

分段匹配追踪式Karhunen-Loeve非相干字典语音压缩感知

压缩感知(Compressed Sensing,CS)理论突破了经典采样定理的理论边界,为信号压缩提供了另一种途径。基于CS理论框架,做了两方面工作:为提高语音字典对信号的匹配性,设计了一种基于K-L展开的非相干语音字典;针对现有匹配追踪(MP,OMP)算法的不足,提出分段匹配追踪(Segment MP,SegMP)算法。首先对语音自相关函数进行建模并估计模型参数,构造语音自适应非相干字典,然后采用SegMP对语音稀疏向量分段观测,获得多个低维矢量,最后结合模型参数重建字典并重构信号,实现了语音压缩感知。语音测试结果表明:相比现有方案,本文方案对信号的稀疏表示更为精准,具有更好的重构质量,且降低了计算复杂度。      

基于压缩感知和改进自适应正交匹配的稀疏信号重构

针对传统香农-奈奎斯特采样定理指出在保证原始信号重构精度的前提下,采样频率必须为原始信号频率的2倍,提出了一种基于压缩感知理论和改进的自适应正交匹配追踪算法的稀疏信号重构方法;首先引入了压缩感知模型和信号重构目标函数,然后在对经典正交匹配追踪类算法进行分析和总结的基础上,为克服其不足,设计了一种二次筛选支配原子集的方法,即通过计算信号的QR分解并计算具有最大势能的原子从而得到能量候选原子集,通过计算余量与原子的相关性选出相关性最大的原子从而得到相关候选原子集,并将能量候选原子集和相关候选原子集的交集作为最终支配原子集;最后定义了具体的采用自适应正交匹配算法实现信号重构的算法;在Matlab仿真环境下试验,结果表明:文章方法能有效地进行稀疏信号重构,具有较小的重构误差,且与其它方法相比,具有收敛速度快和重构效果好的优点。     

改进的正交匹配追踪图像快速重建算法

传统采样需要的采样间隔小,当信号过长时会增加采样量,消耗过多的时间,占用更多的存储空间。提出了以Daubechies小波变换基作为稀疏变换基,用高斯随机矩阵作为观测矩阵,采用基于Dice匹配准则的正交匹配追踪算法作为恢复算法对图像进行重建。在分析了正交匹配追踪算法的特点后,提出了一种基于Dice匹配准则的改进的正交匹配追踪算法。该算法在原子匹配过程中将几何平均值用算术平均值替代,使重要成份在向量中的作用更加突出,能更准确地从字典中挑选出与残差向量最匹配的原子。仿真结果表明,该算法在相同的观测条件下,能减少重构误差,可将图像的重构质量提高2%左右,重构概率提高7%左右,有较高的应用价值。     

联合矩阵低秩逼近和稀疏表示的高分辨率遥感影像目标识别方法

针对高分辨率遥感影像地物信息复杂、目标识别率低等问题,提出了一种联合矩阵低秩逼近的稀疏表示遥感影像目标识别方法。对原始遥感影像进行Radon变换,将处理过后的遥感影像进行低秩和稀疏分解,得到具有低秩性和稀疏性的两部分信息;通过K-SVD算法分别对这两部分信息进行字典学习,构建稀疏表示的判别字典;通过稀疏表示求解算法求解出待分类的目标在判别字典上的稀疏系数,根据稀疏系数最大准则对目标进行分类识别。在Uc Merced数据集上选取具有代表性的线性和非线性子集分别进行实验,结果表明所提算法与传统的SRC、SVM、MLC和KNN等分类识别算法相比,在采样比例为1/16、稀疏度为5时,识别率在线性子集上能够提高10%、在非线性子集上能够提高5%,表明所提方法具有较好的识别效果。     

基于空谱字典的加权联合稀疏表示高光谱图像分类

稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题,提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离,选择相似度最高的K个字典原子,并将被选择字典原子的超像素邻域扩充到新的字典中,形成空谱字典。在联合稀疏模型中,对测试像元的超像素邻域像元使用不同的权重,在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。     

稀疏阈值的超分辨率图像重建

为了解决基于字典学习的超分辨重构算法耗时过长的问题,提出了基于稀疏阈值模型的图像超分辨率重建方法。首先,将联合字典理论与图像块稀疏阈值方法相结合,训练得到高、低分辨率过完备图像字典对。接着,通过稀疏阈值OMP算法对图像特征块进行稀疏表示。然后,通过高分辨率字典重构出初始的超分辨图像。最后,通过改进迭代反投影算法对初始的超分辨图像进行全局优化,从而进一步提高图像重构质量。实验结果表明,超分辨图像重构平均峰值信噪比(PSNR)为30.1 d B,平均结构自相似度(SSIM)为0.937 9,平均计算时间为10.2 s。有效提高了超分辨重构的速度,改善了重构高分辨图像的质量。     

基于稀疏表示的低比特率可伸缩图像编码算法研究

根据图像的几何结构特性,从人类视觉系统特性出发,建立了Gabor感知多成份字典,进而模拟人类视觉通路的层次处理机制,构建了稀疏编码网络,能够有效去除图像中的高阶冗余,形成更为稀疏的表示。对稀疏表示系数重组后进行比特平面量化,实现了低比特率的可伸缩编码。实验结果表明,在低比特率下,本文算法压缩后重构图像的感知质量要明显优于JPEG2000,峰值信噪比也与其相当,并且对于图像中的边缘和纹理等细节保持效果更佳。     

一种利用分布式传声器阵列的声源三维定位方法

为了提高噪声和混响条件下分布式传声器阵列进行声源定位的性能,提出一种利用空间稀疏性和压缩感知原理的声源三维定位方法。该方法首先通过两次离散余弦变换方式提取出声音信号特征,并用该特征来构建稀疏定位模型,以便能够综合利用语音信号的短时和长时特性,同时降低模型维数;然后利用在线字典学习技术动态调整字典,克服稀疏模型与实际信号之间的失配问题,增强稀疏定位模型的鲁棒性;进而提出一种改进的平滑l₀范数稀疏重构算法来进行声源位置解算,以提高低信噪比条件下的重构精度。仿真结果表明该方法不仅可以实现多目标定位,而且具有较强的抗噪声和抗混响能力.      

基于遗传算法选择多光源下的光谱反射率重构研究

为解决基于RGB三通道信息值重构光谱反射率精度不理想的问题,提出了一种优化的基于RGB三通道信息的光谱反射率重构算法。首先编码产生随机选择多个光源的个体,RGB三通道值通过多项式回归算法预测多个光源下的三刺激值,并采用伪逆法进行多光源下的光谱反射率重构,然后将样本的重构精度作为个体的适应度评估值,以优胜劣汰,适者生存为原则对个体进行选择、交叉、变异操作,最后得到适用于颜色样本光谱重构的多个光源与基于这些光源重构得到的光谱反射率。实验选用Munsell颜色集作为训练样本集,RC24色卡、SG140色卡作为检测样本集,8个标准光源和82个发光二极管光源作为实验光源,采用该算法从90个光源中选取最优的光源组合并重构得到样本的光谱数据,并与Zhang提出的基于穷举法选择的多光源下的光谱重构方法和A光源下的伪逆法进行了重构精度对比。实验结果显示该研究提出的方法随着光源个数的增加,光谱反射率重构精度提高,特别是光源个数增加到3时,光谱重构精度提高的幅度最大。在三种重构方法中,该方法重构RC24的平均色差和平均光谱均方根误差分别为0.332 4和0.002 9,而Zhang的方法与伪逆法的平均色差分别为0.429 3和3.266,平均光谱均方根误差分别为0.029 7和0.004 8;该文方法重构SG140的平均色差和平均光谱均方根误差分别为0.486 2和0.007 3,而Zhang的方法与伪逆法的平均色差分别为0.544 8和3.821 9,平均光谱均方根误差分别为0.035 6和0.013 3。结果表明基于多光源下的光谱反射率重构精度明显优于基于单个光源下的重构精度,而基于遗传算法的多光源选择方法又优于穷举法,它能够根据颜色样本自动寻找到最优光源组合,从而基于最优多光源下的三刺激值重构样本的光谱反射率,提高了光谱反射率重构的精度。     

基于结构信息建模和判别稀疏的红外小目标跟踪方法

为了提高背景杂波和成像噪声等干扰下红外小目标的跟踪精度,提出了一种基于结构信息建模和判别稀疏的红外小目标跟踪方法。小目标信号在广义高斯目标超完备字典上被稀疏分解,以便从受噪声干扰和杂波污染的红外图像中提取出小目标的空间结构信息;设计了转移受限粒子滤波跟踪算法,以提高粒子的采样概率;在转移受限粒子滤波框架下,基于判别稀疏表示和L_1范数最小化框架求解候选目标的稀疏系数,实现小目标的跟踪。基于各种红外序列对所提方法进行实验论证,实验结果表明,所提方法能够在杂波和噪声较大的干扰下稳定地跟踪小目标,其中心误差、重叠率和平均视频播放帧率分别为3pixel、0.7和40fps,均优于其他对比方法,且具有较强的鲁棒性。     

基于旋转主方向梯度直方图特征的判别稀疏图映射算法

非约束环境下采集的人脸图像复杂多变,将其直接作为字典原子用于稀疏表示分类(sparse representation based classification,SRC),识别效果不理想.针对该问题,本文提出一种基于旋转主方向梯度直方图特征的判别稀疏图映射(discriminative sparse graph embedding based on histogram of rotated principal orientation gradients,DSGE-HRPOG)算法,用于构建类内紧凑、类间分离的低维判别特征字典,提高稀疏表示分类准确性.首先,采用旋转主方向梯度直方图(histogram of rotated principal orientation gradients,HRPOG)特征算子提取非约束人脸图像的多尺度多方向梯度特征,有效去除外界干扰和像素间冗余信息,构建稳定、鉴别的HRPOG特征字典;其次,引入判别稀疏图映射(discriminative sparse graph embedding,DSGE)算法,以类内重构散度最小、类间重构散度最大为目标计算特征字典的最佳低维投影矩阵,进一步增强低维特征字典的判别性、紧致性;最后,提出投影矩阵和稀疏重构关系交替迭代优化算法,将维数约简过程伴随在稀疏图构建过程中,使分类效果更理想.在AR,Extended Yale B,LFW和Pub Fig这4个数据库上进行大量实验,验证了本文算法在实验环境数据库和真实环境数据库上的有效性.     

基于稀疏表示分类和近红外光谱的烟叶自动分级研究

以近红外光谱技术和深度学习算法为依托,提出了一种基于稀疏表示分类算法的烟叶分级方法。该方法首先将所有训练样本通过稀疏编码建立稀疏表示数据字典,并对所有测试样本在该字典下通过稀疏编码进行稀疏表示,然后计算每个测试样本在数据字典上的投影,将具有最小残差的等级作为测试样本的级别。本文算法与线性判别方法与粒子群支持向量机算法进行了比较和分析,实验结果表明本文所提出的稀疏表示分类算法不仅能够获得更高的分类正确率,同时具有更高的计算效率。本文所提出的方法能够对烟叶的不同等级进行准确识别,为烟叶收购中的质量等级评价提供了一种新技术。