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。     

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。     

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。     

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

联合稀疏特性和邻域相似度量的高光谱图像分类

传统的稀疏表示分类方法仅利用图像数据的稀疏特性分类,未利用高光谱图像的邻域信息,为此提出了一种联合稀疏特性和邻域相似度量的分类方法.该方法首先利用稀疏表示揭示出数据的稀疏特性,然后计算在各类样本中的稀疏相似性,并结合邻域特性,构建数据在各类样本中的稀疏-邻域联合相似关系,最后根据联合相似性大小判断数据类别.在利用数据的稀疏特性的同时结合像元的邻域信息,增强各种地物类别间的区分性,提升分类效果.在Indian Pines和Pavia U高光谱数据集上的实验表明:本文算法的分类精度高于其他方法,总体分类精度分别达到了81.69%和86.59%,能得到具有更多同质区域的分类结果图,拥有更好的总体分类精度、平均分类精度和Kappa系数.     

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.     

压缩感知光谱重构中的字典原子选取优化方法

针对常用的迭代追踪类算法难以保证低采样下光谱重构的成功率与精度的问题,提出了一种在低采样下光谱重构中字典原子选取的优化方法。利用AVIRIS和ROSIS高光谱数据构建光谱稀疏字典并进行压缩感知光谱重构实验,分别从光谱重构精度、稀疏成分提取能力、光谱重构的成功率和光谱识别的准确率等不同角度进行了分析。实验结果表明,本文方法不仅优于传统的匹配追踪算法,同时也优于公认的精度较高的FOCUSS、MSBL等其他类型的算法。     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

相关向量机在污水硝氮检测中的应用

针对地表水质的复杂性以及紫外光谱数据维数高、谱带重叠严重的特点,提出将相关向量机算法应用于硝氮的连续紫外光谱分析,实现了对实际污水硝氮的快速准确无污染检测。首先介绍了相关向量机算法原理,然后在分析制药污水紫外吸收光谱的基础上选取230～245 nm紫外吸光度数据用于建模,应用多元线性回归、偏最小二乘方法、经典支持向量机方法(SVM)和相关向量机方法分别建立硝氮回归模型并比较分析模型性能。实验结果表明：相关向量机模型预测更准确,模型更稀疏,预测速度快,检测结果的相对满量程误差控制在4.5%以内,适用于对复杂组成成分的实际污水硝氮的有效快速检测。     

基于颜色模型和稀疏表示的图像型火焰探测

常用的图像型火焰探测算法是提取火焰在图像上表现出的单个特征信息或其有效组合作为识别的依据,需要大量的训练样本进行学习与参量优化,且识别率对特征选择的要求也很高.本文从火焰的整体特征考虑,提出了基于颜色模型和稀疏表示模型相结合的图像型火灾探测方法.首先在HIS空间建立颜色模型对火灾图像进行预处理提取出疑似区域,建立稀疏表示模型,并利用主成分分析方法构造火焰和疑似火焰物体的特征字典,最后利用l1-minimization计算测试样本与训练样本的最小逼近残差实现火焰和干扰物体的分类识别.实验结果表明,该方法提高了火灾图像的分类准确度和识别速度,同时具有较高的准确率.     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉,提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型,采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果,对光谱数据进行光调制和归一化等预处理并截取有效波段,根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典),通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差,将最小投影误差对应的类作为测试样本的所属类别,并应用留一法进行交叉检验,比较了稀疏表示法与支持向量机的识别结果。实验结果表明,利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上,获得了较好的分类效果,优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取,适用于高维、小样本量数据的处理,计算成本低,将其用于注水肉的光谱数据识别具有一定的创新性,并取得了较满意的结果,为原料肉和注水肉的无损识别提供了一种有效方法。     

A sparse representation method based on kernel and virtual samples for face recognition

To improve the classification accuracy of face recognition, a sparse representation method based on kernel and virtual samples is proposed in this paper. The proposed method has the following basic idea: first, it extends the training samples by copying the left side of the original training samples to the right side to form virtual training samples. Then the virtual training samples and the original training samples make up a new training set and we use a kernel-induced distance to determine M nearest neighbors of the test sample from the new training set. Second, it expresses the test sample as a linear combination of the selected M nearest training samples and finally exploits the determined linear combination to perform classification of the test sample. A large number of face recognition experiments on different face databases illustrate that the error ratios obtained by our method are always lower more or less than face recognition methods including the method mentioned in Xu and Zhu [21], the method proposed in Xu and Zhu [39], sparse representation method based on virtual samples (SRMVS), collaborative representation based classification with regularized least square (CRC_RLS), two-phase test sample sparse representation (TPTSSR), and the feature space-based representation method.     

汽车自动变速箱油的近红外光谱识别研究

利用自编码网络(autoencoder network, AN)流形学习和稀疏表示(sparse representation, SR)方法对汽车变速箱油进行近红外光谱品种识别研究。以壳牌、美孚、嘉实多、上海大众和上海通用五种变速箱油为对象,利用AN方法对600～1800 nm近红外光谱数据进行非线性降维,获取10个特征变量。每种变速箱油选取30个样本(共150个样本)作为训练样本,每种30个样本(共150个样本)作为测试样本。所有训练样本的特征变量组成了稀疏表示方法的整体训练样本矩阵,将变速箱油品种分类识别问题转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示问题,通过求解L-1范数意义下的最优化问题来实现。经过主成分分析(principal component analysis,PCA)和AN降维后,分别利用线性判断分析法(linear discriminant analysis,LDA)、偏最小二乘支持向量机法(least squares-support vector machine,LS-SVM)和本文提出的稀疏表示分类算法进行分类比较。结果表明,结合自编码网络和稀疏表示方法对五种汽车变速箱油品种的平均识别准确率达97.33%,为汽车变速箱油品种近红外光谱快速准确识别提供了有效的新途径。     

联合因子分析和稀疏表示在稳健性说话人确认中的应用

在说话人确认的任务中,为了解决信道失配问题,提高系统性能,引入了联合因子分析和稀疏表示算法。首先利用联合因子分析算法去除信道干扰,得到与信道无关的说话人因子,然后在稀疏表示算法中利用说话人因子构建过完备字典,求解稀疏最优化问题计算说话人得分。由于此方法有机结合了联合因子分析算法的信道鲁棒性和稀疏表示的鉴别性,使用此算法构建的系统在NIST SRE 2008电话训练、电话测试数据集上性能表现良好,相对于联合因子分析-支持向量机系统在性能上有竞争性,在原理上有互异性,系统融合更带来了最小检测代价指标上4.91%的性能提升。实验表明使用联合因子分析与稀疏表示进行说话人确认是可行的。      

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。      

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。      

Convex relaxation based sparse algorithm for hyperspectral target detection

Target detection in hyperspectral images is an important task. In this paper, we propose a sparsity based algorithm for target detection in hyperspectral images. In sparsity model, each hyperspectral pixel is represented by a linear combination of a few samples from an overcomplete dictionary, and the weighted vector for such reconstruction is sparse. This model has been applied in hyperspectral target detection and solved with several greedy algorithms. As conventional greedy algorithms may be trapped into a local optimum, we consider an alternative way to regularize the model and find a more accurate solution to the model. The proposed method is based on convex relaxation technique. The original sparse representation problem is regularized with a properly designed weighted ?₁ minimization and effectively solved with existing solver. The experiments on synthetic and real hyperspectral data suggest that the proposed algorithm outperforms the classical sparsity-based detection algorithms, such as Simultaneous Orthogonal Matching Pursuit (SOMP) and Simultaneous Subspace Pursuit (SSP) and conventional ?₁ minimization.