基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构

该文基于多通道脑电信号时空特性构建非正交变换过完备字典,准确稀疏表示蕴含时空相关性信息的多通道脑电信号,提高基于时空稀疏贝叶斯学习模型的多通道脑电信号压缩感知联合重构算法性能。实验选用eegmmidb脑电数据库的多通道脑电信号验证所提算法有效性。结果表明,基于过完备字典稀疏表示的多通道脑电信号,能够为多通道脑电信号压缩感知重构算法提供更多的时空相关性信息,比传统多通道脑电信号压缩感知重构算法所得的信噪比值提高近12 dB,重构时间减少0.75 s,显著提高多通道脑电信号联合重构性能。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选...     

基于二次空间处理的联合稀疏表示高光谱图像分类

针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个常用数据集上进行仿真实验,证明了本文所提算法可有效提升分类精度。      

基于稀疏表示的目标跟踪中字典更新算法

传统基于稀疏表示的目标跟踪方法,在目标背景复杂和严重遮挡等一系列场景中的跟踪效果较差,针对这一问题,提出一种基于稀疏表示的、可实时进行更新的字典模板,既保存了目标的原始外观,又可以体现出目标当下的形态,提高目标跟踪算法的性能。通过与不同的主流算法进行测试对比,证明该算法具有更高的准确性。     

基于自适应字典稀疏表示的超分辨率算法

基于学习的超分辨率算法通过一组训练样例来学习一个字典,并从该字典中合成低分辨率图像中丢失的高频信息,最终得到相应的高分辨率图像。介绍了几种常用的基于学习的超分辨率算法,并提出了一种新的算法:基于自适应字典稀疏表示的超分辨率算法。实验结果表明,该方法在主观与客观上均具有较好的重建效果。     

基于样本-扩展差分模板的联合双稀疏表示人脸识别

在人脸识别中,每类数据分别位于由字典形成的高维空间中的多个低维线性子空间,考虑到这一结构信息对识别起到一定支持作用,利用块结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下的人脸变化这个问题,提出基于样本-扩展差分模板的联合双稀疏表示识别算法。它通过构造样本-扩展差分模板来表示训练样本与测试样本之间可能存在的差异,这些类内差异信息可被不同的类别所共享,即任何一类人脸图像的类内差异可表示为其他类别类内差异图像的原子稀疏线性组合。这样识别问题被转换为在训练样本空间和扩展差分模板空间寻找测试样本的块稀疏与原子稀疏的联合双稀疏表示。在AR和Extended Yale B数据库上的实验结果表明,在具有光照、表情变化和遮挡的情况下,本文提出的识别算法具有更好的有效性和鲁棒性。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

原子稀疏结合块结构稀疏的联合表示图像识别算法

针对结构稀疏表示识别算法中稀疏准则的选择以及字典内块的划分两个重要问题,提出两种改进的结构稀疏表示识别算法。首先,针对结构稀疏准则会出现较多系数不为零的情况,提出将结构稀疏准则与原子稀疏准则相结合的思路,包括并行和串行两种结合方式。并行结合是将两者以加权求和的方式同时作为稀疏表示的判别准则进行分类,串行结合则是在结构稀疏表示后,通过重组字典,再对测试样本进行原子稀疏表示实现分类。然后,针对字典中类内样本的块划分问题,提出基于MLP的结构稀疏表示识别算法,先将类内样本经过MLP的划分,保证各个分块分别位于低维的线性子空间中,再进行结构稀疏表示的分类。实验结果证明两种改进的结构稀疏表示识别算法的有效性。      

采用双字典协作稀疏表示的光照及表情顽健人脸识别

提出一种采用小波变换(WT)及双字典协作稀疏表示分类(CSRC)的人脸识别方法-WT-CSRC.WT-CSRC首先利用PCA(主成分分析)将小波分解后的人脸高频细节子图融合成高频细节图像;然后用PCA分别对人脸低频图像和高频细节图像进行特征提取,构造低频和高频特征空间,并用训练样本在两种特征空间上的投影集构造低频字典和高频字典;最后将测试样本在两种字典上进行稀疏表示,并引入互相关系数以增强人脸识别的可靠性,实现了人脸的协作分类.实验结果表明,提出的方法提高了人脸识别率,对光照变化及表情变化具有较强的顽健性,并且具有较高的时间效率.     

图像稀疏表示及其在图像处理中的应用

作为图像的一种高效表示方法,近年来,图像稀疏表示技术得到了广泛深入研究,目前已被广泛应用于图像处理领域。在分析图像稀疏表示模型的基础上,针对稀疏表示模型的两个核心问题稀疏分解与字典构造进行了详细讨论,综述了目前典型的稀疏分解方法与字典构造方法。在此基础上,对稀疏表示在图像去噪、图像修复、人脸识别及压缩感知等图像处理领域中的应用进行了总结。最后,讨论了目前图像稀疏表示研究中存在的问题,并指出了进一步的研究方向。     

多极化SAR图像联合稀疏去噪

给出了一种基于联合稀疏表示的多极化合成孔径雷达(SAR)图像滤波算法。首先,利用三个极化通道(HH、HV、VV)的部分SAR图像数据进行字典联合训练;然后,对极化SAR的三个通道图像构建联合稀疏描述模型;最后,采用正交匹配追踪算法求解联合稀疏系数,重构每个通道的图像。文中采用美国AIRSAR实测半月湾数据进行实验,并与每个通道图像单独稀疏去噪再合成的功率图像结果进行比较,结果表明:该算法不仅对图像的斑点噪声抑制效果明显,而且边缘特性和强散射点目标幅值特征保持效果良好。     

基于自适应过完备稀疏表示的红外图像滤波方法

针对传统滤波算法在滤除红外图像噪声时会损失部分有用信息的问题,提出一种基于自适应过完备稀疏表示的红外图像滤波方法。该方法采用K-SVD算法以待滤波的红外图像为样本训练出自适应过完备原子库;采用正交匹配跟踪算法将红外图像信号在该过完备原子库上稀疏分解为稀疏成分和其他成分,稀疏成分对应红外图像中的有用信息,其他成分对应红外图像中的噪声,由稀疏成分重建图像,从而达到消除噪声的目的。实验结果表明:该方法相比传统方法具有更好的滤波效果,重建图像质量较高。     

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。     

图像过完备稀疏表示理论及应用综述

超完备字典稀疏表示作为一种有效表示模型,广泛应用于各种信号和图像处理任务中。介绍了稀疏表示的理论框架以及主要研究方向,分别从稀疏表示的可重构性和区分性两方面对其在图像处理及图像分析领域的应用进行综述。     

基于稀疏表示的脑电棘波检测算法研究

 提出了一种基于稀疏表示的脑电棘波检测算法,首先以高斯函数及其一、二阶导数为原子的生成函数构建了一个冗余多成份字典,再应用匹配追踪算法获取脑电信号在此字典下的M项稀疏逼近,由该逼近的导数信息与原子的结构参数可准确度量瞬时波形的形态结构特征,进而提出基于形态结构匹配的棘波检测算法,克服了Gabor字典不能识别周期化棘波序列的缺点,同时能够有效去除背景节律与伪迹的影响,检测结果表明该算法针对临床EEG信号的检测率高达93.9%,正确率高达88.0%.     

宽带协方差矩阵的多字典联合稀疏表示DOA估计

为了直接处理相干宽带信号和提高其波达方向估计的分辨率,提出一种基于宽带协方差矩阵的多字典联合稀疏分解估计方法。首先,利用多个频率点处的过完备基对其协方差矩阵进行稀疏表示,然后形成多个字典的多测量矢量稀疏表示模型,最后通过多字典稀疏表示系数的联合稀疏约束以求解稀疏反问题的形式实现宽带信号的波达方向估计。对于均匀线阵结构,多字典协方差矩阵稀疏表示系数的联合稀疏性使其不再受空域采样条件的限制,既可通过增大阵元间距提高分辨率,而又无空域混叠现象。通过对噪声功率的预估计抑制噪声,提高了波达方向估计的稳健性。另外,该方法与信号协方差矩阵的秩无关,对相干信号和不相干信号都适用。仿真实验验证了该方法的有效性。      

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

基于信号稀疏表示的形态成分分析:进展和展望

 有效的信号和图像分解(分离)技术在信号和图像的分析、增强、压缩、复原等领域起着重要的作用.虽然目前研究者提出了很多方法来解决这个问题,然而处理效果并不完美.形态成分分析(Morphological Component Analysis,MCA)是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法.该方法的主要思想是利用信号组成成分的形态差异性(可以由不同的字典稀疏表示)进行分离.本文详细描述了形态成分分析方法的理论思想,并介绍了形态成分分析的最新研究进展及其存在的问题,最后指出了进一步发展的方向.     

稀疏表示下的非监督显著对象提取

针对现有显著对象提取算法时间复杂度高和未考虑显著对象的完整性等问题,提出了一种能适应资源有限环境的显著对象提取算法.首先建立了稀疏表示的数学模型,归纳出了显著对象与稀疏表示的对应关系、区域间的边能近似模式和邻接区域间的渐变模式.然后依据对应关系确定候选区域,依据渐变模式和边能近似模式实现显著对象的局部提取.对比实验证实:本文算法高速、精确地捕捉到了显著对象,并能在一定条件下保持显著对象的完整性.