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。     

局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法

针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题,提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。在低秩表示模型中增加超图拉普拉斯正则项,保持数据间多元几何流形结构;并对低秩模型系数矩阵增加稀疏和非负约束条件,进一步提高模型对影像局部信息的保持能力,使得模型不仅能够恢复具有低秩性质的影像信号分量,而且可以很好地保持影像的多元几何流形结构。在AVIRIS影像和ProSpecTIR-VS影像上的对比实验表明,所提方法更好地保持了影像的空间和光谱信息,有效地改善了高光谱影像去噪效果。     

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.     

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。      

基于可见光谱图的大豆外观品质判别方法

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。     

基于3D卷积自编解码器和低秩表示的高光谱异常检测

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。     

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。     

基于局部保持的遥感场景零样本分类算法

目标域遥感图像特征分布的变化,导致遥感场景零样本分类性能下降,针对该问题,提出一种基于局部保持的遥感场景零样本分类算法。首先,为减少冗余信息,采用解析字典学习方法,将源域中的场景图像特征和类别语义词向量嵌入到同一稀疏编码空间,并实现两者稀疏系数的强制对齐,以建立图像特征与词向量之间的关系;然后,通过保留图像特征空间中场景图像间的局部近邻关系,增强场景图像对应稀疏系数的鉴别性,以有助于对稀疏系数进行聚类分析;最后,为适应目标域图像特征分布变化,采用k-means算法对目标域场景图像的稀疏系数进行聚类,并以初始中心的类别标签作为对应的聚类簇中场景的类别标签。实验分别采用GoogLeNet和VGGNet图像特征,以数据集UCM作为源域遥感场景集,对目标域场景集RSSCN7进行零样本分类,获得了最高50.67%和53.29%的总体分类准确度,比现有算法各提升了8.06%和9.70%。实验结果表明:该算法能够适应目标域遥感场景图像特征分布的变化,显著提升遥感场景零样本分类效果,具有一定的优越性。     

基于图像特征融合的遥感场景零样本分类算法

利用不同图像特征之间的互补性,可提升遥感场景零样本分类性能。将图像特征的融合与零样本分类结合,提出一种基于图像特征融合的遥感场景零样本分类算法。采用解析字典学习方法,计算各图像特征的稀疏系数,并串接起来作为融合后图像特征,以减少冗余信息且保留各图像特征自身特点;引入监督信息,提高融合特征的鉴别性;将融合特征与场景类别词向量进行结构对齐,提升对新类别场景的迁移识别效果。在UC-Merced和航拍图像数据集两种遥感场景集上,对相同层次及不同层次的场景图像特征分别进行融合实验。实验结果表明:对于总体分类准确度和运算耗时,所提算法均优于其他零样本分类算法及通用的特征融合算法,证明了方法的有效性。     

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。     

基于稀疏表示的核素能谱特征提取及核素识别

提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于:在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在241Am, 133Ba, 60Co, 137Cs, 131I和152Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。     

稀疏低秩噪声模型下无监督实时单通道语音增强算法

针对现有基于字典学习的增强算法需要先验信息、不易实时处理的问题,提出一种便于实时处理的无监督的单通道语音增强算法。首先,该算法将无监督条件下背景噪声的建模问题转化为带噪语音幅度谱的稀疏低秩噪声分解;然后,采用增量非负子空间方法对背景噪声进行在线字典学习,获得能够体现背景噪声时变特性的自适应噪声字典;最后,利用所得的噪声字典,采用易于实时处理的逐帧迭代方式,对带噪语音进行处理。实验结果表明:相较于多带谱减法和基于低秩稀疏矩阵分解的增强算法,所提算法在噪声抑制方面的性能尤为显著,在多项性能评价指标上,均表现出更好的结果。     

稀疏低秩噪声模型下无监督实时单通道语音增强算法

针对现有基于字典学习的增强算法需要先验信息、不易实时处理的问题,提出一种便于实时处理的无监督的单通道语音增强算法。首先,该算法将无监督条件下背景噪声的建模问题转化为带噪语音幅度谱的稀疏低秩噪声分解;然后,采用增量非负子空间方法对背景噪声进行在线字典学习,获得能够体现背景噪声时变特性的自适应噪声字典;最后,利用所得的噪声字典,采用易于实时处理的逐帧迭代方式,对带噪语音进行处理。实验结果表明:相较于多带谱减法和基于低秩稀疏矩阵分解的增强算法,所提算法在噪声抑制方面的性能尤为显著,在多项性能评价指标上,均表现出更好的结果。      

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。     

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。     

基于稀疏特征提取的单幅图像去雾

为解决暗通道先验去雾算法在天空区域和大片白色区域色彩失真的问题,提出了一种基于稀疏表示模型和特征提取的单幅图像去雾算法。通过稀疏字典的训练过程,学习雾天图像的稀疏特征,初步优化粗略介质传输图的稀疏系数。根据雾天灰度图像的稀疏特征,进一步精细化介质传输图。逆向求解雾天退化模型,得到去雾图像。实验结果表明,所提算法在天空区域的处理上优势明显,同时恢复出更多的图像细节和边缘信息。     

低秩稀疏分解与显著性度量的医学图像融合

提出一种低秩稀疏成分分解和显著性相结合的医学图像融合方法。所提方法假设待融合源图像由低秩成分和稀疏成分构成,设计了低秩与稀疏成分分解模型,通过不同的字典对不同成分进行了稀疏表达。在融合过程中采用一种"绝对值"取大的策略对低秩成分融合,以保留源图像的亮度信息;对于稀疏成分,提出一种基于视觉显著性度量的方法来保留显著性特征。实验结果表明,本文方法无论从主观视觉还是客观评价指标上都优于最新的方法。