基于DTCWT和稀疏表示的红外偏振与光强图像融合

针对红外偏振与光强图像彼此包含共同信息和特有信息的特点,提出了一种基于双树复小波变换和稀疏表示的图像融合方法.首先,利用双树复小波变换获取源图像的高频和低频成分,并用绝对值最大值法获得融合的高频成分;然后,用低频成分组成联合矩阵,并使用K-奇异值分解法训练该矩阵的冗余字典,根据该字典求出各个低频成分的稀疏系数,通过稀疏系数中非零值的位置信息判断共有信息和特有信息,并分别使用相应的规则进行融合;最后,将融合的高低频系数经过双树复小波反变换得到融合图像.实验结果表明,本文提出的融合算法不仅能较好地凸显源图像的共有信息,而且能很好地保留它们的特有信息,同时,融合图像具有较高的对比度和细节信息.     

探地雷达反问题的小波-同伦混合反演算法

构造一种求解探地雷达反问题的小波-同伦混合反演算法.利用小波将反问题分解到不同尺度上,在最大尺度上采用同伦反演方法,求得次级尺度的初始近似解,在其余尺度上进行多次迭代修正,以获得全局最小点.算法结合小波反演和同伦反演的优点,数值结果表明其具有较强的全局搜索能力.     

Holographic Subsurface Radar Technique for Nondestructive Testing of Dielectric Structures

Holographic subsurface radar method is compared with the conventional technology of impulse radars. Basic relationships needed for the reconstruction of complex microwave holograms are presented. Possible applications of the proposed technology are discussed. Diagnostics of polyurethane foam coatings of spacecrafts is used as an example of the efficiency of holographic subsurface radars. Results of reconstruction of complex and amplitude microwave holograms are compared. It is demonstrated that the image quality that results from reconstruction of complex microwave holograms is higher than the image quality obtained with the aid of amplitude holograms.     

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...     

基于稀疏表示的谱线自动提取方法

谱线提取在光谱分析中起着非常重要的作用,它对后续的光谱分类和参数测量有着直接的影响。文章提出了一种基于稀疏表示的谱线自动提取方法。首先,用基于稀疏表示的小波去噪方法去除噪声,该方法通过对光谱信号对应的小波系数进行稀疏化处理来达到去噪的目的,其优点是在处理小波系数时虽然将其作为整体进行考虑,但依然能保持小波系数的局部特性不变,所以在去噪的同时很好地保持了特征谱线的信息。其次,利用小波变换与样条拟合相结合的方法拟合出较为满意的伪连续谱,该方法在拟合过程中,先将强谱线扣除掉,从而使得拟合结果非常接近真实的连续谱。最后,通过对归一化后的谱线光谱设置自适应局部阈值来提取特征谱线。实验结果表明该方法切实有效。     

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...     

基于双字典和稀疏表示的医学图像超分辨率重建

在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高。     

The Multi-Focus-Image-Fusion Method Based on Convolutional Neural Network and Sparse Representation

Multi-focus-image-fusion is a crucial embranchment of image processing. Many methods have been developed from different perspectives to solve this problem. Among them, the sparse representation (SR)-based and convolutional neural network (CNN)-based fusion methods have been widely used. Fusing the source image patches, the SR-based model is essentially a local method with a nonlinear fusion rule. On the other hand, the direct mapping between the source images follows the decision map which is learned via CNN. The fusion is a global one with a linear fusion rule. Combining the advantages of the above two methods, a novel fusion method that applies CNN to assist SR is proposed for the purpose of gaining a fused image with more precise and abundant information. In the proposed method, source image patches were fused based on SR and the new weight obtained by CNN. Experimental results demonstrate that the proposed method clearly outperforms existing state-of-the-art methods in addition to SR and CNN in terms of both visual perception and objective evaluation metrics, and the computational complexity is greatly reduced. Experimental results demonstrate that the proposed method not only clearly outperforms the SR and CNN methods in terms of visual perception and objective evaluation indicators, but is also significantly better than other state-of-the-art methods since our computational complexity is greatly reduced.     

Synthetic Aperture Radar Image Despeckling Based on Multi-Weighted Sparse Coding

Synthetic aperture radar (SAR) images are inherently degraded by speckle noise caused by coherent imaging, which may affect the performance of the subsequent image analysis task. To resolve this problem, this article proposes an integrated SAR image despeckling model based on dictionary learning and multi-weighted sparse coding. First, the dictionary is trained by groups composed of similar image patches, which have the same structural features. An effective orthogonal dictionary with high sparse representation ability is realized by introducing a properly tight frame. Furthermore, the data-fidelity term and regularization terms are constrained by weighting factors. The weighted sparse representation model not only fully utilizes the interblock relevance but also reflects the importance of various structural groups in despeckling processing. The proposed model is implemented with fast and effective solving steps that simultaneously perform orthogonal dictionary learning, weight parameter updating, sparse coding, and image reconstruction. The solving steps are designed using the alternative minimization method. Finally, the speckles are further suppressed by iterative regularization methods. In a comparison study with existing methods, our method demonstrated state-of-the-art performance in suppressing speckle noise and protecting the image texture details.     

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.     

基于线性调频机制的太赫兹无损检测成像技术

基于全固态电子器件和零中频机制,设计了基于调频连续波的太赫兹无损检测成像系统。所提系统的有效频率范围为9.375～13.75 GHz,经24倍频后自由空间中的频率范围为0.225～0.330 THz。采用单个喇叭天线与定向耦合器结合,实现收发一体,并利用光学透镜组对太赫兹波束进行准直聚焦。对准光系统的波束质量进行了优化,提高了系统的信噪比,确保了在现有参数条件下的最佳空间分辨率。同时,采用相位聚焦的方法对系统进行了非线性矫正,使得深度分辨率接近理论分辨率。系统采用直线扫描和旋转扫描组合的方式,实现了柱坐标三维数据的获取。利用所提系统对高压绝缘端子进行了检测评估,并重构了全视角透视图像,实现了目标三维结构在实空间和像空间的孪生对应。此外,所提系统能够准确地显示绝缘端子内部的异常区域,有助于直观地评估被检测目标的内部状态,进而可以进一步满足工业领域无损检测的需求。     

太赫兹无损检测的多特征参数神经网络分析技术

提出一种基于太赫兹无损检测的多特征参数神经网络分析技术,用于分析耐高温复合材料的粘贴质量无损检测.采用抽片式方法设计了一种耐高温复合材料的脱粘缺陷样品,抽片厚度为0.1mm.采用太赫兹时域光谱无损检测技术对耐高温复合材料的多层脱粘缺陷进行了检测试验研究,对比了上下脱粘缺陷所对应的太赫兹时域波形及频谱信息的异同,针对性地建立了耐高温复合材料粘贴质量的上层脱粘参数、下层脱粘参数、频域吸收质心参数等多特征参数,将特征参数进行优化作为反向传播神经网络的输入并对其进行上下脱粘分类识别.通过对反向传播神经网络的训练测试,实现了耐高温复合材料上层脱粘0.1mm、下层脱粘0.1mm的脱粘缺陷的识别.     

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。     

An Adaptive Denoising Algorithm for Noisy Chaotic Signals Based on Local Sparse Representation

An adaptive denoising algorithm based on local sparse representation （local SR） is proposed. The basic idea is applying SR locally to clusters of signals embedded in a high-dimensional space of delayed coordinates. The clusters of signals are represented by the sparse linear combinations of atoms depending on the nature of the signal. The algorithm is applied to noisy chaotic signals denoising for testing its performance. In comparison with recently reported leading alternative denoising algorithms such as kernel principle component analysis （Kernel PCA）, local independent component analysis （local ICA）, local PCA, and wavelet shrinkage （WS）, the proposed algorithm is more efficient.     

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。     

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。     

基于地面多光谱成像技术的茄子灰霉病无损检测研究

实时、便捷、可靠的作物病害诊断方法是进行科学的作物喷药管理的基础,也是精细农作的关键技术之一。根据感染灰霉病菌的茄子叶片的光谱反射特征和相应的特征波段的图像信息,利用基于地面的包含绿、红、近红外三波段灰度图的多光谱成像技术对染病茄子叶片进行病斑的无损检测。目的是建立能准确反映植物病害状况的检测模型,实时过滤掉土壤噪声、气候条件等环境干扰,实现对植物健康状况进行快速、准确、非破坏性检测。结果显示,利用绿、红和近红外三通道图像信息算法模型,能够在有干燥的土壤和枯叶等干扰下对灰霉病斑进行较好的识别,为植物生产中病害的在线无损检测提供了新的方法。