一种改进的K-SVD字典学习算法

提出了一种ALM-KSVD字典学习算法,通过稀疏编码和字典更新两步迭代学习得到训练样本的字典.为了提高字典训练速度与性能,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法.为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低.进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能.

基于L_(1/2)正则项的磁共振图像稀疏重构

磁共振图像可以利用压缩感知从数量非常有限的观测数据集合中重构出,然而为了能够做到这一点,必须要解决定义在大量数据集合上的非光滑函数的最小化这一困难问题.通常L1范数能够产生稀疏解,但它往往与真实稀疏解(L0的解)差距甚大.针对该问题,研究一种基于变量分裂的图像重构模型,引入待重构图像的L1/2范数作为新正则项,采用交替增广拉格朗日乘子法进行求解.为考察方法的稳定性和重构效果,结合不同参数等评价标准与现有的图像重构模型进行比较.实验结果表明,L1/2范数作为正则子的图像重构模型相对于原有模型,图像重构结果稳定性好,可以获得更高的信噪比.

改进的Beta过程因子分析图像修复算法

图像修复是利用图像已知信息对图像破损区域进行填充修复的过程,而非参贝叶斯技术在图像稀疏表示中被认为是一种有效的字典学习方法,作为一种有效的非参贝叶斯算法,基于Beta过程因子分析算法(BPFA)在去噪、修复以及压缩感知方面有很广泛的应用.然而现有的BPFA算法在对含噪的破损图像修复时收敛速度慢,针对这个问题本文在BFPA算法更新字典时与K-SVD算法相结合,提出一种基改进的BPFA学习算法,改进算法利用K-SVD算法简单收敛速度快的特点,在原有算法更新参数时,利用OMP稀疏编码更新字典候选集以达到提高算法的收敛速度的效果.得到的结果表明本文算法能够更好地修复含噪破损图像获得较好的视觉效果.

基于并行分离增广拉格朗日乘子法的字符矫正

字符矫正是光学字符识别(OCR)系统预处理过程中的重要步骤,针对传统的增广拉格朗日乘子法(ALM)求解字符矫正问题时收敛性和计算速度的不足,本文研究了并行分离的增广拉格朗日乘子法,综合考虑字符矫正模型的建立过程,提出并行分离方法与ALM相结合的思想解决字符矫正问题。用并行方式将迭代问题分解成3个子问题,计算时能够同时求解分解后的这3个子问题,然后进行凸组合,最后收敛到问题的最优解。实验结果表明,本文算法能够快速准确地对变形的字符图像进行矫正,并且具有良好的实时性和适应性,可用于OCR系统的矫正预处理中,提高OCR系统的识别率。