基于元胞自动机的低秩加权协同显著性检测

针对图像协同显著性检测问题,提出了一种基于元胞自动机的低秩加权检测方法.利用3个显著性检测算法生成多个显著图,结合超像素分割提取协同显著性区域.在协同显著区域的特征矩阵上施加秩约束,以获得稀疏误差矩阵,基于稀疏误差矩阵为每个显著图计算自适应权重.将显著图与其对应的权重相乘以获得融合的协同显著图,利用元胞自动机更新显著性区域.在MSRC和i Coseg数据集上的实验结果表明,相对于其他的算法,本文算法可以在有效地突出显著目标的同时抑制背景噪声.

基于迭代加权低秩分解的遮挡人脸识别算法

针对传统低秩矩阵分解算法得出的稀疏矩阵中既包含遮挡因素和噪声因素的问题,提出基于迭代加权低秩分解的遮挡人脸识别算法。首先,利用迭代加权低秩分解算法分别提取各类训练样本中包含的遮挡和噪声因素。然后针对测试样本和训练样本遮挡情况有差异的问题,利用迭代加权低秩分解算法提取测试样本中包含遮挡所掩盖的信息。最后将每类训练样本的低秩矩阵、遮挡矩阵、噪声矩阵和测试样本中的遮挡向量构造新的联合字典,将测试样本表示为新的联合字典的稀疏线性组合,利用稀疏逼近计算残差,通过得到的系数进行分类判别。实验结果表明,基于迭代加权低秩分解的遮挡人脸识别算法在AR和ExtendedYaleB库上的识别率得到提高,相比其他方法有较好的识别结果,验证了该算法的有效性,对于遮挡情况具有很好的鲁棒性。

基于局部加权低秩先验的高光谱稀疏解混方法

为了充分挖掘丰度系数的内在本质属性,提升高光谱图像稀疏解混精度,提出一种基于局部加权低秩先验的稀疏解混方法.该低秩先验主要基于这一事实:高光谱图像中的局部立方体块具有较高的相空间关性和光谱相关性.加权的低秩先验能够挖掘局部块内在的低维结构特征,有效地抑制噪声,保持数据的细节结构.该先验联合全变差正则项、协同稀疏正则项,能够更好地刻画丰度系数的细节结构、局部平滑性以及行稀疏性.利用模拟数据和真实高光谱数据进行的实验表明,所提方法与现有方法相比能够更好地保持数据的细节信息,提升解混精度.

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题,提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声.子空间表示利用光谱频带之间的相关性,选取合适的正交矩阵,将高光谱图像投影到低维子空间中,使提出的算法具有较低的复杂度,简化去噪过程的同时去除图像中的部分噪声.去噪过程基于从简化图像中提取的低秩张量进行,引入加权低秩张量正则化项表征简化图像子空间的先验信息,基于Tucker分解中核范数的物理意义构建合理的加权机制,保留高光谱图像的内在结构相关性.并且设计了一种基于迭代最小化的方法,用于求解提出的非凸去噪模型.在模拟和真实数据集上的实验结果表明,该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.

基于字典和加权低秩恢复的显著目标检测

显著目标检测旨在辨别出自然图像中的显著区域。为了提高检测效果,提出了基于字典和加权低秩恢复的显著目标检测。首先,在低秩恢复模型中融入字典,以更好地将低秩矩阵和稀疏矩阵分离;然后,获取颜色、位置和边界连接先验对应的稀疏矩阵,根据其显著值生成先验系数;最后,将3个先验用自适应系数组合的方式构造权重矩阵,并融入到低秩恢复模型中。在4个具有挑战性的数据集上将其与11种算法进行比较,实验结果表明,所提算法的效果最好。

基于结构加权低秩近似的泊松图像去模糊

针对由高斯模糊和泊松噪声引起的图像降质问题,提出了一种基于结构加权低秩近似的图像去模糊方法。首先,通过依次组合缩放、旋转、剪切和翻折等四种基本操作引入结构变换,以增加搜索空间内候选图像块的相似性。然后,构造新的目标函数,利用相似图像块的低秩性,在正则项中使用加权核范数(WNN)对结构变换后的图像块进行惩罚,以在去模糊的同时抑制泊松噪声。最后,基于半正定二次分裂(HQS)方法设计交替优化方案,用于求解目标函数,从泊松图像中去除模糊。实验结果表明:在多种泊松噪声强度下,所提方法取得的峰值信噪比(PSNR)和结构相似性(SSIM)都高于当前同类去模糊方法。

加权非凸非光滑低秩矩阵填充

本文利用矩阵奇异值上的l0范数的非凸替代族来逼近秩函数,提出一种新的加权非凸非光滑最小化问题,并使用迭代加权核范数(IRNN)算法来求解该问题。实验结果表明,该方法能够很好地处理非凸非光滑问题,实现图像去噪。

基于缺失数据模型的长码直扩信号的伪码估计

在信号截获应用背景下,提出了一种新的缺失数据模型用于长码直扩信号的盲同步和伪码估计.在同步环节中,传统短码同步算法Frobenius范数最大法被扩展至缺失数据模型并验证了渐进有效性;在伪码估计环节,提出了一种低计算复杂度的用于加权低秩逼近的交替投影算法.由于本文提出的方法能够直接利用接收数据,而不仅仅是它的自相关矩阵,仿真表明其性能明显好于传统的只依赖自相关矩阵的算法,特别是在短数据场合.

基于多特征融合矩阵分解的胃镜图像病灶检测

胃镜检查过程中,医生通过内窥镜对病变部位的疾病诊断全靠医生的个人经验判断,给医生造成巨大的工作压力,因此提出一种基于稀疏约束的隐低秩表示模型的改进算法。在矩阵融合的基础算法中引入稀疏约束的隐低秩表示模型,提取数据的主特征和隐含特征来获取更多图像信息,应对样本数量较少的情况,并且采用加权非负稀疏表示分类方法(WNSLRRC)区分干扰区域和病灶区域,以图像隐含特征作为依据的加权低秩模型能更好地获得图像数据的全局结构。经过实验证明,该检测方法对病灶区域检测精度较高,具有一定的实用性,并且算法具有较好的抗扰性。