协作稀疏字典学习实现单幅图像超分辨率重建

字典的选择影响基于稀疏编码的图像超分辨率重建模型的重建质量。提出了一种基于协作稀疏表达的字典学习算法。在训练阶段,通过K-Means聚类算法将样本图像块划分为不同的聚类;构建基于同时稀疏约束条件的协作稀疏字典学习模型对每个聚类训练高、低分辨率字典;应用基于L_2范数的稀疏编码模型将图像超分辨率重建过程中输入图像块由低分辨率到高分辨率的映射转变为简单的线性映射,并针对不同聚类求得相应的线性映射矩阵。在重建阶段,输入图像块通过搜索与自身结构最相似的聚类来选择相应映射矩阵获得重建后的高分辨率图像。结果表明,本文算法通过改进字典学习过程实现了更好的图像超分辨率重建质量。     

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。     

基于局部约束群稀疏的红外图像超分辨率重建

针对红外图像分辨率低、视觉质量差等问题,提出基于局部约束群稀疏模型的红外图像超分辨率重建方法.考虑到红外图像的纹理自相似性和原子系数的群结构稀疏性,首先建立了基于局部约束的群稀疏表示模型.然后,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合局部约束群稀疏表示模型和K-SVD(K奇异值分解)方法,训练得到高低分辨率图像对应的群结构字典对.最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像.实验结果表明,本文方法具有更好的超分辨率效果,无论是在客观评价指标还是主观视觉效果方面都有明显的提高.     

基于聚类的自适应图像稀疏表示算法及其应用

提出了一种针对一类图像进行稀疏表示的字典训练方法,并证明了该算法的收敛性.该算法的几何解释是,以最少的超平面来逼近样本所在的一小块球冠.算法流程为聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,令字典能够更适应于样本的稀疏表示.该算法与传统的字典训练方法相比具有适应性强,对训练样本规模和字典规模要求低,收敛速度快,算法复杂度低等特点.利用该算法训练得到的字典用于压缩感知、图像去噪等实验表明,该字典具有很好的效果.     

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.     

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.     

基于聚类的自适应图像稀疏表示算法及其应用

提出了一种针对一类图像进行稀疏表示的字典训练方法,并证明了该算法的收敛性.该算法的几何解释是,以最少的超平面来逼近样本所在的一小块球冠.算法流程为聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,令字典能够更适应于样本的稀疏表示.该算法与传统的字典训练方法相比具有适应性强,对训练样本规模和字典规模要求低,收敛速度...     

基于残差矩阵估计的稀疏表示目标跟踪算法

基于稀疏表示的目标跟踪算法多数利用稀疏系数计算目标位置信息,而忽略了稀疏表示过程中的残差所包含的信息.因此,本文设计了一种基于残差矩阵估计的跟踪模型.该模型在粒子滤波的框架下利用L_1范数分别约束稀疏表示系数与残差矩阵,并且利用L_2范数建立残差矩阵与观测模型之间的联系.本文给出了相应求解模型的表示系数与残差矩阵的迭代算法,并利用残差矩阵更新模板字典.相比应用稀疏系数的跟踪算法,本文算法考虑了残差矩阵对跟踪结果的影响,使得算法对于候选目标的评估更加精确,同时在模板更新部分引入残差矩阵,使得字典能够更好地描述目标的变化.实验数据表明,本文算法优于现今主流算法.