基于无监督学习的编码衍射成像方法研究

编码衍射成像旨在利用衍射强度图样重建原始图像,而现有基于人工设计先验的编码衍射成像算法大都在低信噪比下成像质量低。通过基于深度神经网络学习的深度先验能够解决上述问题,但有监督学习需要大规模样本对,不利于实际应用。针对这一问题,本文提出一种基于无监督学习的编码衍射成像方法。该方法结合双数据保真项、卷积稀疏编码模型和深度图像先验模型构建了能够融合互补先验的优化模型,并利用交替优化方法对其进行有效求解。实验结果表明,提出的方法能够在低信噪比下仅通过单幅编码衍射强度图样重建出高质量的图像。

基于变采样率的多假设预测分块视频压缩感知

现有的分块视频压缩感知通常对所有图像块均采用相同的测量矩阵进行测量,这种平均分配采样率的测量方式忽略了视频中不同区域的结构复杂度和变化程度不同的事实。针对这一问题,该文根据视频帧间相关性的分布特点提出了一种自适应分配采样率的变采样率压缩感知方法。将图像块按照帧间相关性的大小分类并分配不同的采样率,重构过程采用变采样率多假设预测算法以充分利用帧间相关性。实验结果表明该文算法能够在低采样率下重构出高质量的视频图像,而且这种变采样率测量的方式有利于提高运动剧烈区域的重构质量。

基于内-外部互补先验的亚像素分辨率衍射成像算法研究

亚像素分辨率衍射成像旨在利用观测的低分辨率衍射强度图样重建高分辨率图像,它在多个科学与工程领域具有重要应用。现有算法大都存在重建质量低且重建图像丢失了大量细节信息的问题。为解决这些问题,本文融合复图像的内部先验和外部先验提出了能够重建高质量图像的亚像素分辨率衍射成像方法。本文利用基于内部先验的三维块匹配滤波框架表示模型与蕴含外部先验的深度展开卷积稀疏编码模型结合复数表示模型提出了融合内-外部互补先验的复数域正则化模型,基于该正则化模型构建了面向亚像素分辨率衍射成像的优化模型,并利用交替优化方法对构建的优化模型进行了有效求解。仿真实验表明,提出的算法能够充分利用复图像内-外部互补先验知识进行亚像素分辨率衍射成像,并且在超分辨率因子为2时重建复图像的平均峰值信噪比较基于全变差的算法提升了1.58 dB。实际无透镜片上显微镜的实验结果表明提出算法较基于全变差的算法能够重建出更多的细节信息。

基于小波分析的自适应数字水印算法

提出一种在小波变换域嵌入数字水印的新算法。利用视觉系统的纹理掩蔽及照度掩蔽特性 ,在第三级细节子图块的最大系数中嵌入水印信号。水印强度与图像背景亮度及纹理强度成正比 ,使水印对原始图像具有自适应性。对水印图像进行各种退化处理的实验表明 。

融合圆对称轮廓波统计特征和LBP的纹理图像检索

圆对称轮廓波变换(CSCT)克服了轮廓波变换存在的频谱混淆现象,它比轮廓波变换的方向选择性更强.但由于CSCT中的方向滤波器组(DFB)有下抽样操作,CSCT不具有纹理分析所需要的平移不变性.文中用非抽样方向滤波器组(UDFB)代替CSCT中的DFB,构造了一种具有平移不变性的圆对称轮廓波变换(TICSCT).利用广义高斯分布描述TICSCT系数的边缘分布,图像之间的相似度用Kullback-Leibler距离(KLD)来度量.由于视觉感受明显不同的纹理图像可能具有相同的子带统计特性,边缘分布的KLD不是完备的纹理图像描述子.将KLD与其具有一定互补性的局部二值模式(LBP)相融合进行纹理图像检索,实验表明该算法比KLD,LBP和Gabor-Weighted-Euclid算法的平均检索率分别提高2.21%,4.02%和0.89%.

基于两步迭代收缩法和复数小波的压缩传感图像重构

压缩传感系统利用图像稀疏表示的先验知识,能从少量的观测值中重构原始图像。目前压缩传感系统通常利用只有三个方向的正交小波基表示图像,应用迭代收缩法求解对应的优化问题。该方法的缺点是收敛速度慢,并且重构图像有明显的伪吉布斯效应。针对这一缺点,本文提出了结合双树复数小波稀疏图像表示和两步迭代收缩的图像重构算法,在迭代时利用前两个估计值更新当前值。实验结果表明,本文算法的重构图像视觉效果好,收敛速度比传统的重构算法快。

字典学习模型、算法及其应用研究进展

稀疏表示模型常利用训练样本学习过完备字典,旨在获得信号的冗余稀疏表示.设计简单、高效、通用性强的字典学习算法是目前的主要研究方向之一,也是信息领域的研究热点.基于综合稀疏模型的字典学习方法已经广泛应用于图像分类、图像去噪、图像超分辨率和压缩成像等领域.近些年来,解析稀疏模型、盲字典模型和信息复杂度模型等新模型的出现丰富了字典学习理论,使得更广泛类型的信号能够被"简单性"描述.本文详细介绍了综合字典、解析字典、盲字典和基于信息复杂度字典学习的基本模型及其算法,阐述了字典学习的典型应用,指出了字典学习的进一步研究方向.

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法。双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和“维数灾”问题,其最优分类超平面的思想能够提高分类准确度。该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类。将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。

基于两级字典与分频带字典的图像超分辨率算法

常规基于稀疏表示的超分辨率算法使用一级高低分辨字典重构图像,恢复细节信息不充分.本文利用两级字典恢复尽可能多的细节信息;然后构造联合低频字典、中频字典、高频字典的分频带字典,利用图像低频、中频、高频三者之间的预测关系,恢复图像中的高频信息.利用图像的非局部相似性,将其与迭代反向投影算法相结合,进行图像的后处理.实验结果表明,与其他几种基于学习的算法相比,本算法无论是在峰值信噪比、结构相似性指标,还是视觉效果上都有显著的提高.

融合Gabor小波能量与方向特征的掌纹识别算法

提出了一种融合Gabor小波能量与方向两级特征的掌纹识别算法,有效地解决了纹线的方向特征难以描述的困难。首先对预处理后的掌纹进行不同方向不同尺度的Gabor小波多通道滤波,再对得到的各个方向子带进行模糊分块,计算每一小块区域的能量,在同一尺度不同方向上找出能量最大的区域,并标记此区域对应的Gabor方向。采用格雷码对方向特征编码,再分别计算能量特征的欧氏距离和方向特征的汉明距离,最后将2种距离按权相加进行掌纹识别。与利用单一能量或方向特征的算法相比,本文提出的算法具有较高的检索识别率。

基于图像块分类稀疏表示的超分辨率重构算法

目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.

基于双密度圆对称轮廓波二元分布模型的压缩传感图像重构

压缩感知理论利用图像表示的稀疏先验知识,可以从远小于奈奎斯特抽样率的抽样点中重构图像.图像的稀疏表示和稀疏性度量是影响图像重构性能的两个重要因素.为获得更好的图像稀疏表示,文中根据简单细胞感受野特性,将圆对称轮廓波的一个倍频程尺度分裂为径向带宽比为1.414的两个尺度,构造出双密度圆对称轮廓波变换(DDCSCT).根据DDCSCT的联合分布特性,利用二元分布模型获得了压缩传感图像重构的二阶稀疏性度量.实验结果表明,利用DDCSCT和二阶稀疏准则进行图像重构比现有的图像重构算法在峰值信噪比和主观视觉效果两方面均有显著提高.

基于解析轮廓波变换的图像稀疏表示及其在压缩传感中的应用

提出了具有平移不变性的低冗余度解析轮廓波变换.在该变换中圆对称滤波器组首先将图像分解为多个不同分辨率的细节子带和一个低频子带,再对细节子带进行希尔伯特变换形成二维解析信号.最后用方向滤波器组对二维解析信号进行分解,实现具有平移不变性多尺度多方向的解析轮廓波变换.解析轮廓波变换基函数的实部和虚部与Gabor小波的实部和虚部类似,符合人眼视觉特性.实验结果表明解析轮廓波变换在图像去噪和压缩传感方面具有明显优势.

基于混合基稀疏图像表示的压缩传感图像重构

单一基函数不能对同时包含边缘和纹理信息的自然图像进行最优压缩传感图像重构.本文根据Meyer的卡通–纹理图像模型和生物视觉原理,用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘成分,并构造了窄带轮廓波变换实现纹理成分的稀疏表示.三种稀疏变换的基函数分别与视觉皮层中的侧膝体、简单细胞及栅格细胞的感受野类似.结合三种图像稀疏表示方法和凸集交替投影算法提出了基于混合基稀疏表示的压缩传感图像重构算法.实验结果表明,与基于块匹配三维变换迭代收缩的图像重构算法比较,本文算法能获得更高的图像重构质量.

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.

基于多尺度残差网络的压缩感知重构算法

目前压缩感知系统利用少量测量值使用迭代优化算法重构图像.在重构过程中,迭代重构算法需要进行复杂的迭代运算和较长的重构时间.本文提出了多尺度残差网络结构,利用测量值通过网络重构出图像.网络中引入多尺度扩张卷积层用来提取图像中不同尺度的特征,利用这些特征信息重构高质量图像.最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近.实验结果表明,本文算法在重构质量和重构时间上均有明显优势.

基于双树小波通用隐马尔可夫树模型的图像压缩感知

标准压缩感知图像重构仅利用图像小波系数具有稀疏性的先验知识,未能利用小波系数的结构分布特性。利用基于模型压缩感知重构思想,将能有效描述图像小波系数分布特性的隐马尔可夫树(HMT)模型引入到图像的压缩感知重构。经过理论推导,将基于HMT模型的重构转化为型如标准图像压缩感知重构的优化问题,并提出基于贝叶斯优化的凸集交替投影法进行求解。为进一步提高重构质量和速度,引入了双树小波域通用HMT(uHMT)模型及改进的uHMT(iuHMT)模型代替小波域HMT模型。实验结果表明,基于双树小波域iuHMT模型的重构图像的平均峰值信噪比(PSNR)比uHMT模型高0.97dB.

结合字典稀疏表示和非局部相似性的自适应压缩成像算法

如何以较少的观测值重构出高质量的图像是压缩成像系统的一个关键问题.本文根据图像块随机投影能量大小分布特点,提出了一种新的自适应采样方式以及针对自适应采样的有效重构算法.重构时利用了图像在字典下的稀疏表示原理和图像的非局部相似性先验知识.为实现图像的稀疏表示,文中构造了由多个方向字典和一个正交DCT字典组成的冗余字典,并用l1范数作为约束条件求解稀疏优化问题.由于充分利用了图像块的局部特性和图像的非局部特性,本文的压缩成像算法在低采样率下能重构出较高质量的图像.

圆对称轮廓波变换的构造

提出了具有类似于视皮层变换频带划分的圆对称轮廓波变换.在该变换中,圆对称滤波器组将图像分解为多个不同分辨率的细节子带和一个低频子带,方向滤波器组再将各细节子带分解为方向子带.文中利用遗传算法设计满足重构要求的圆对称滤波器组,应用伯恩斯坦多项式设计的映射函数将9/7双正交滤波器组映射为扇形滤波器组.利用自适应阈值法对Lena图像去噪的实验结果表明,两种圆对称轮廓波变换(CSCT1和CSCT2)的去噪性能与轮廓波变换相比有显著提高.

基于Gabor滤波器和LBP的分级掌纹识别

首次提出将局部二进制模式(LBP)应用到掌纹识别中。借鉴分级检索的思想,先采用Gabor滤波器提取掌纹的全局能量特征,后采用LBP算子提取局部特征实现两次分类。实验结果表明,与单纯的Gabor滤波器方法相比,系统的识别率可进一步提高。