基于非凸秩近似与三维全变分的运动目标检测

在复杂动态背景下的运动目标检测往往会产生前景目标提取不完全、将动态背景误检为前景等问题。针对上述问题,提出了一种结合非凸秩近似函数和三维全变分正则项的运动目标检测模型。该模型在原始鲁棒主成分分析模型的基础上,引入非凸秩近似函数来刻画视频背景部分的低秩性,并利用三维全变分正则项在时间和空间上对前景部分进行约束,最后采用交替方向乘子法对该模型进行求解。实验结果表明,所提模型在处理动态背景、恶劣天气等复杂场景时能有效提高运动目标检测的准确性,并且比现有方法具有更好的视觉效果。

具有噪声鲁棒性的三维磁性纳米粒子成像快速重构方法

为提升磁性纳米粒子三维成像和重构速度,降低三维重构对采样投影数据完备性要求,针对含噪声投影数据三维重构优化问题,本文提出了一种具有噪声鲁棒性的三维磁性纳米粒子成像快速重构方法(noise-robust 3D sparse sampling magnetic particle imaging,3D NRSS-MPI).该算法通过求解一个由MPI投影成像正向模型l2范数和稀疏正则约束建立的凸优化问题实现3D MPI图像重构.模型不受MPI扫描轨迹限制,为不断发展的MPI新技术提供了普适性的基础模型;建立的三维全变分稀疏算子(3D total variation sparse operator, 3D TV Sparse Operator)利用MPI先验信息提升含噪MPI投影数据三维重构的鲁棒性,且可以进行无矩阵运算,大幅提升了运算效率.通过点源和冠状血管模型成像实验表明,在1/4欠采样下,本文3D NRSS-MPI方法可以有效消除重构图像星状伪影,获取较高的图像信噪比,同时冠状动脉重建结构相似性超过0.701,可以准确地对欠采样、有噪声的MPI数据进行快速而稳健的重建,有效缩短了4倍成像和重构时间.

基于p范数的E-3DTV高光谱去噪模型

三维全变分(3DTV)编码了高光谱图像的局部平滑结构,通过假设沿着空间和频谱模式计算的梯度图具有独立且相同的稀疏结构来计算该正则项。然而,实际情况下梯度图通常在所有波段上具有不同而相关的稀疏结构。增强的3DTV正则(E-3DTV)的提出很好地解决了这个问题。除了对图像本身的知识编码以外,对其中复杂而未知的噪声进行正确的建模也是至关重要的。然而,与E-3DTV有关的工作目前只对基于1范数的噪声模型进行了探索。为了进一步提高对高光谱中复杂未知噪声的拟合能力,提出基于p范数的E-3DTV去噪模型,实验证明所提出的方法优于基于1范数的方法并在所有竞争方法中收获了最优的结果。

基于边信息的高光谱图像恢复模型

在高光谱图像(HSI)恢复中,如何在模型中有效嵌入先验信息和正确建模噪声一直是研究的两个重点。边信息作为一种基于域的先验知识已经在许多方向取得了成功,然而在高光谱去噪领域仍未受到关注。为了将这种领域知识与高光谱恢复模型自然耦合,提出的方法采用双线性映射的方式将边信息链接到表示观测数据潜在低秩结构的底层矩阵,并使用E-3DTV(enhanced 3-D total variation)正则编码了HSI局部平滑先验。此外该方法使用L p范数进行噪声建模,进一步增强对腐败的鲁棒性。该方法在两个数据集、七种加噪方式下与五种竞争方法在三个数值指标上进行了比较,结果充分反映了提出方法对复杂噪声场景的有效性和鲁棒性。

融合l1-TV正则化约束RPCA模型的视频去噪和目标检测

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。