基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法

遥感地貌影像通常包含大量的数据,具有高度的复杂性和多样性,难以捕捉到不同层次的纹理信息,从而影响识别效果;因此,为提高纹理特征提取的效果,确保识别精度,采用多尺度半耦合卷积稀疏编码对遥感地貌影像纹理识别进行了研究;去除遥感地貌影像噪声,增强遥感地貌影像整体质量,通过分水岭算法分割遥感地貌影像,探究不同尺度下遥感地貌影像纹理特征区别,以有效捕捉到不同层次的纹理信息,提高遥感地貌影像纹理的识别性能;然后应用灰度共生矩阵(GLCM)获取遥感地貌影像的多尺度纹理特征,构建半耦合卷积稀疏编码模型,完成多尺度纹理特征提取过程的学习与多尺度纹理特征的有效融合,以能够在保持特征丰富性的同时,减少冗余信息,提高纹理识别的准确性;选取适当的分类器——朴素贝叶斯分类器,并对其进行训练;并以此为基础,制定遥感地貌影像纹理识别程序,执行制定程序即可获取地貌纹理识别结果;测试结果显示:应用提出方法获得的遥感地貌影像处理结果清晰度与对比度较高,地貌纹理特征提取结果更加完整与清晰,地貌纹理识别结果与实际结果一致,充分证实了提出方法应用效果更好。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于卷积稀疏编码的电容层析成像图像重建

针对电容层析成像(ECT)病态性逆问题,提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法,通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解,从而完成ECT图像重建。对提出的方法进行了仿真及实验测试,并与LBP、Tikhonov正则化及Landweber迭代算法进行比较。结果表明,提出的方法其重建图像平均相对误差和相关系数分别为0.4389及0.8968,均优于其他3种方法,中心物体及多物体分布的重建质量得到显著提升。

基于四通道卷积稀疏编码的图像超分辨率重建方法

针对图像分辨率较低的问题,提出了一种基于四通道卷积稀疏编码的图像超分辨率重建方法。首先,该方法将输入图像依次翻转90°作为四通道的各自输入,通过低通滤波和梯度算子将输入图像分解成高频和低频部分;接着,分别利用卷积稀疏编码方法和三次插值方法对各通道低分辨率图像的高频部分和低频部分进行重建;最后,对四通道输出图像加权求均值获得重建的高分辨率图像。实验结果表明,所提方法比一些经典的超分辨率重建方法在峰值信噪比(PSNR)、结构相似度(SSIM)和抗噪性上具有更好的重建效果。所提方法不仅克服了重叠补丁破环图像补丁间一致性的缺陷,还提高了重建图像的细节轮廓,加强了重建图像的稳定性。

小波域卷积稀疏编码的低剂量CT图像重建

随着CT成像技术的发展,其射线剂量明显降低,然而实现优质成像依然是低剂量CT研究领域中的重点问题.为实现低剂量CT的优质成像,减缓重建图像中伪影及噪声干扰,提出了一种小波域的卷积稀疏编码CT重建算法.该算法是利用预先构建的滤波器集,对重建图像中的小波域高频子带进行卷积稀疏表示,并引入到低剂量CT重建中以构造目标函数.通过重建图像更新和小波域卷积稀疏编码两个步骤的交替优化,实现重建目标函数的求解.在Shepp-Logan模拟数据、AAPM模拟数据与UIH真实数据上进行实验,并与全变差、字典学习、梯度正则化的卷积稀疏编码等进行对照分析,实验结果表明,所提算法可获得噪声伪影少、结构细节对比度高的重建图.最后,参数分析实验表明所提算法易实施且具有良好的参数稳健性.

基于多尺度边缘提取和加权卷积稀疏编码的低剂量CT去噪算法

大多数现有的基于卷积神经网络的低剂量计算机断层扫描(LDCT)去噪算法像一个“黑匣子”,优化过程缺乏直观的逻辑性,而且容易产生模糊的结果。为了解决这些问题,提出一种结合加权卷积稀疏编码和卷积神经网络的可解释的LDCT去噪模型。该模型考虑卷积稀疏特征图与噪声/伪影分布的关联,在目标函数上给卷积稀疏特征图附加可学习的权重,利用加权迭代软阈值算法寻求目标函数的最优解。用通道注意力来学习卷积稀疏特征图上附加的权重,用设计的多尺度边缘提取模块解决因丢失纹理细节而导致的图像模糊问题。在AAPM公开数据集上的实验结果表明,相对于几种领先的去噪算法,所提算法对噪声/伪影的抑制效果明显,去噪结果保留了更多的纹理细节。

多尺度半耦合卷积稀疏编码的遥感影像超分辨率重建

传统的卷积稀疏编码超分辨率方法在特征空间转换时仅引入线性投影关系,且在特征图的学习中未能考虑局部细节信息,使重建结果在边缘和细节方面不尽如人意.为此,将卷积稀疏编码理论引入遥感影像的超分辨重建框架中,提出一种多尺度半耦合卷积稀疏编码的超分辨率重建方法.首先对输入影像进行多尺度分解,提取出平滑分量和多个尺度的纹理分量,并对最终的平滑分量进行双三次插值重建;然后将每个尺度的纹理分量进行半耦合卷积稀疏编码重建,利用非线性卷积算子作为每个尺度下纹理分量的高分辨率特征图与低分辨率特征图之间的投影函数,并在特征图的学习中引入非局部自相似性结构进行约束优化,从而更好地重建出每个尺度下的纹理分量;最后将重建后的平滑分量和每个尺度下的纹理分量进行叠加,获得最终的重建影像.以4种不同传感器的遥感影像作为实验影像,与几种先进的超分辨率重建方法对比的实验结果表明,所提方法获得的重建影像在定量分析指数PSNR和FSIM方面均优于其他方法,表现出更为清晰的边界和细节信息,且具有一定的抗噪性能.

基于多尺度卷积稀疏编码的红外图像快速超分辨率

针对红外图像在提高分辨率的同时容易存在振铃效应及细节丢失的问题,提出一种多尺度卷积稀疏编码的快速超分辨率方法.首先将输入图像多尺度分解得到平滑分量和细节纹理分量,对最终的平滑分量进行双三次插值放大作为输出图像的平滑分量;然后通过叠加每个尺度的高分辨率滤波器及其对应尺度的高分辨率特征映射卷积后求和,得到输出图像的高频纹理结构,其中,每个尺度的高分辨率特征映射是由对应尺度的低分辨率特征映射通过放大和保稀疏的映射函数变换得到,而滤波器利用较少的可分离滤波器线性表示且卷积迭代求解过程优化.对通用性及实验室采集的红外图像的实验结果表明,同改进前的算法相比,文中方法提高了图像的峰值信噪比,不仅在保持良好的一致性基础上实现高分辨率图像的复原,而且有效地抑制了振铃效应;图像边缘纹理明显,也有效地提高了处理速度.

结合Shortcut Connections结构的卷积稀疏编码图像去噪算法

卷积稀疏编码网络模型(convolutional sparse coding network,CSCNet)虽然能够有效解决去噪问题,但是该算法并没有考虑到迭代求解近似编码向量过程中卷积层、反卷积层之间的叠加会改变原始数据分布方式。为解决该问题,借鉴深度学习领域常用方法对原始模型进行改进。讨论了在CSCNet模型中加入以及不加入批处理标准化(batch normalization,BN)、非线性激活函数、残差学习(residual learning,RL)对模型图像去噪效果的影响,然后再此基础上分别设计了两个不同的网络模型结构。为使输入数据分布方式不因模型层与层之间传播而改变,模型1是在原始CSCNet网络的每一层加入非线性激活函数以及BN层。CSCNet模型中所训练的卷积核都是同样大小,为增加图像特征的多样性,模型2在模型1基础之上加入了简单残差块结构改变了原始模型参数传播方式,并将其通过Shortcut Connections结构与原始输入联结起来。从实验结果可以看出,在不降低原始模型计算效率的前提下,使用文中设计的模型所得去噪后的结果相比原卷积稀疏编码网络略有提升。

基于深度多尺度卷积稀疏编码的图像去噪算法

针对图像去噪深度网络缺乏可解释性的问题,利用深度展开思想,提出了一种基于多尺度卷积稀疏编码的深度去噪网络(MSCSC-Net)。首先利用多尺度卷积字典,构建了多尺度卷积稀疏编码模型,能有效地刻画图像中的多尺度结构特征,然后将多尺度卷积稀疏编码模型的传统迭代优化解展开为深度神经网络架构,即MSCSC-Net,其中网络的每层对应优化解的每次迭代。因此,提出的深度网络中参数可以通过优化模型来准确定义,提高了网络的可解释性。此外,为了更加有效地保留原始图像中的结构信息,MSCSC-Net采用了一种改进的残差学习思想,将输入噪声图像与上一层的中间去噪结果进行加权,并作为下一层的输入图像,以进一步提高网络的去噪效果。在公开数据集上的实验结果表明,与现有典型的基于深度学习去噪算法相比,MSCSC-Net具有一定的竞争力。特别地,在CBSD68数据集上,噪声等级为75时,MSCSC-Net的平均PSNR指标和SSIM指标比FFDNet分别提高了0.77%和2.2%。

基于卷积稀疏编码和分数阶变分模型的图像分解

结合卷积稀疏编码和分数阶变分的方法,提出一种新颖的卡通和纹理分解算法.首先学习一组通用的滤波器,它们可以有效地表示卡通部分和纹理图像,然后在基于稀疏的优化框架下将图像分解为卡通和纹理组件.为了进一步提高模型的性能,卡通信息采用全变分模型进行处理,纹理信息采用分数阶变分模型对其进行优化.实验结果表明,该方法在结构和纹理保存方面具有较好的图像分解效果.

一种基于多尺度的多层卷积稀疏编码网络

多层卷积稀疏编码模型(Multi-layer Convolutional Sparse Coding, ML-CSC)被认为是对卷积神经网络(Convolutional Neural Networks, CNN)的一种理论阐释。尽管ML-CSC模型在特征对比度高的数据集上表现良好,但是其在特征对比度低的数据集上表现不佳。为了解决这一问题,本文引入多尺度技术设计了一种多尺度多层卷积稀疏编码网络(Multi-scale Multi-layer Convolutional Sparse Coding Network, MSMCSCNet),不仅在特征对比度较弱的情况下得到更好的图像分类效果,而且也使模型具有扎实的理论基础和较高的可解释性。实验结果表明,MSMCSCNet在不增加参数量的前提下,在Cifar10、Cifar100数据集和Imagenet32数据子集上,准确率相比现有MLCSC模型分别提高了5.75,9.75和9.8个百分点。此外,消融实验进一步证实了模型的多尺度设计和特征筛选模式设计的有效性。

多任务的高光谱图像卷积稀疏编码去噪网络

目的高光谱图像由于其成像机理、设备误差和成像环境等因素导致采集到的数据存在噪声。传统稀疏表示方法需要把高光谱图像划分为一系列的重叠局部图像块进行表示,通过对重叠图像块去噪结果进行平均,实现整体图像去噪。这种局部—整体去噪方法不可避免地会破坏高光谱图像空间关系,产生较差的去噪效果和视觉瑕疵。本文利用卷积算子的平移不变性,采用卷积稀疏编码(convolutional sparse coding,CSC)对高光谱图像进行整体表示,保留不同图像块之间的空间关系,提升高光谱图像去噪性能。方法将每个波段去噪看做单任务,采用卷积稀疏编码描述单波段的局部空间结构关系。通过共享稀疏编码系数,实现不同波段之间的全局光谱关联关系建模,形成多任务卷积稀疏编码模型。多任务卷积稀疏编码模型一方面可以实现高光谱图像的空间—光谱关系联合建模;另一方面,对高光谱图像进行整体处理,有效地利用图像块之间的关系,因此具有很强的去噪能力。借鉴深度学习强大的表征能力,将多任务卷积稀疏编码模型的算法迭代过程通过深度展开(deep unfolding)方式转化为端到端可学习深度神经网络,即多任务卷积稀疏编码网络(multitask convolutional sparse coding network,MTCSC-Net),进一步提升模型去噪能力和运行效率。结果在ICVL和CAVE(Columbia Imaging and Vision Laboratory)数据集上进行了仿真实验,在Urban数据集上进行了真实数据实验,并与8种方法进行比较,表明了本文算法的有效性。与传统基于图像块的稀疏去噪算法相比,在CAVE数据集上本文算法的峰值信噪比(peak signal-to-noise ratio,PSNR)提升1.38 dB;在ICVL数据集上提升0.64 dB。结论提出的多任务卷积稀疏编码网络能有效利用高光谱图像的空间—光谱关联信息,具有更强的去噪能力。

基于全变分和梯度域卷积稀疏编码的稀疏角度CT重建算法

对于不完全的扫描数据,传统算法无法保证医学电子计算机断层扫描(CT)重建图像满足诊断要求。根据压缩感知理论,可以从不完全的扫描数据中重建出具有稀疏表示的医学CT图像,这可为诊断提供可靠的信息。从重建的角度出发,提出了一种基于全变分和梯度域卷积稀疏编码的图像重建算法。梯度域卷积稀疏编码是对特征图施加梯度约束,采用梯度正则化约束来抑制离群点,从而解决了因滤波器不准确而造成的结构丢失或新伪影的问题。所提算法直接对整个图像进行操作,以获取局部邻域之间的相关性,并利用梯度图像的全局相关性来产生更好的边缘和清晰的梯度图像特征,它能有效地捕捉到图像的局部特征。此外,通过引进全变分作为正则项,可进一步恢复图像的微小结构和细节并有效地抑制噪声。实验的定性和定量结果表明,与其他算法相比,所提算法在去除伪影的同时保留了更多的细节,具有更高的重建质量,这验证了该方法的有效性。

联合卷积稀疏编码与梯度L_(0)范数的低剂量CT三维重建

CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L_(0)范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的多尺度在线卷积稀疏编码约束,对低频成分进行梯度L_(0)范数约束,从而实现低剂量CT图像中噪声伪影的抑制与组织细节的保持。此外,卷积稀疏编码中使用三种不同尺度的三维滤波器,可有效适应不同尺度下的特征信息,提高编码能力。腹部CT仿真数据和真实扫描数据的实验结果表明,所提算法在25%常规剂量的重建过程中可以获得噪声伪影少、结构细节对比度高和质量更好的成像效果。

基于特征基的GMC卷积稀疏机械故障特征解析方法

在机械设备的复杂工况下,监测信号易受多振动源及环境噪声干扰,导致故障特征微弱且呈现强耦合特性,这给设备故障诊断带来极大挑战。因此,提出了一种基于振动特性基的GMC增强卷积稀疏机械故障特征解析方法,实现微弱耦合故障特征解析。首先,构造了一种自适应单边衰减小波匹配算法以获取最优特征原子,将最优特征原子升维同时匹配故障周期,以得到具有周期特征的振动特征基。其次,提出基于GMC增强的卷积稀疏编码,结合振动特征基优化求解稀疏系数。此外,提出了一种基于平均峭度与谐波能量比的过程参数优化选择方法,克服了优化过程中关键参数难选取的问题。最后,提取包络谱主要特征与理论故障特征频率对比判断故障类型。通过仿真分析和试验台信号验证,并对比分析了基于谱峭度分解和可调变Q因子小波变换GMC稀疏增强等两种传统方法。实验结果表明,相较于上述两种传统方法,本文提出的方法可以有效地分离不同类型的故障特征信号,并实现故障特征的增强。

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法。为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理。首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然后,对低秩和稀疏成分分别设计不同的融合规则,得到融合低秩成分和融合稀疏成分,最终得到融合图像。最后,为了验证所提方法的融合效果,将所提方法与其他方法进行对比实验。实验结果表明,所提方法在视觉效果和客观评价指标方面均取得良好的效果。

联合形态学滤波和卷积稀疏编码的图像去雨

目的图像去雨技术是对雨天拍摄图像中雨纹信息进行检测和去除,恢复目标场景的细节信息,从而获得清晰的无雨图像。针对现有方法对雨纹信息检测不完全、去除不彻底的问题,提出一种联合自适应形态学滤波和多尺度卷积稀疏编码(multi-scale convolution sparse coding,MS-CSC)的单幅图像去雨方法。方法考虑雨纹信息的形状结构特点,构造一种自适应形态学滤波器来滤除有雨图像中的雨纹信息,获得包含图像自身纹理的低频成分;利用全变分模型正则化方法来增强低频成分的纹理信息,并利用有雨图像减去低频成分获得包含雨纹信息的高频成分;针对高频成分,根据雨纹的方向性提出一种基于方向梯度正则化的MS-CSC方法来重构高频成分,并通过迭代求解获得包含精确雨纹的高频成分,即雨层;利用有雨图像减去雨层得到最终的去雨图像。结果为验证本文方法的有效性,与一些主流的去雨方法进行实验比较。实验结果表明,本文方法在模拟数据集上的平均峰值信噪比(peak signal-to-noise ratio,PSNR)和平均结构相似度(structural similarity,SSIM)指标分别提高了0.95和0.0052,能得到较好的主观视觉效果和客观评价,特别是在真实数据集上具有明显优势。结论本文方法可有效去除雨纹,同时可保留更多的原始图像纹理信息,经证明是一种有效的去雨算法。

图像域增强约束卷积稀疏编码的稀疏角度CT重建算法研究

稀疏角度CT重建因其可以降低辐射剂量引起广泛关注,然而减少角度会降低重建图像质量,影响诊断结果分析.为解决上述问题,提出了图像域增强约束卷积稀疏编码的稀疏角度CT重建算法,该算法继承了卷积稀疏编码的优点,通过直接处理整幅图像提取特征,克服了字典学习因图像分块聚合引起的伪影.继而引入全变分正则项来增强图像域的约束,可以有效地进一步抑制噪声.通过几组稀疏角度的重建实验与不同算法对比,实验结果表明,所提算法在噪声抑制、伪影减少和图像细节恢复方面性能优越.

基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题。为了解决这些问题,需要从降维和样本扩充两个方面同时进行。因此,该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法。该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息,同时完成降维和样本间接扩充。样本特征并行优选考虑到了样本和语音特征间的关系,从而有助于获取高质量的特征。首先,对公共语音库进行特征提取构造公共特征库;然后,以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码,这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法;接着,对编码后的语音样本段和特征数据进行同时优选;最后,采用支撑向量机(SVM)进行分类。实验结果表明,该算法针对受试者的分类准确率最高值达到了95.0%,均值达到了86.0%,较相关被比较算法有较大提高。此外,研究还发现,相较于传统稀疏编码方法,卷积稀疏编码更有利于提取PD语音数据的高层特征;同样,迁移学习也有利于提高该算法性能。