基于剪切波和低秩稀疏表示的噪声图像融合算法研究

多源图像在获取和传输过程中不可避免地会引入一些噪声,如何利用有效的数学工具和方法设计具有抗噪声的图像融合算法特别受到关注.提出了一种基于剪切波多尺度变换和低秩稀疏表示的图像融合去噪算法.首先对两幅多聚焦噪声图像进行剪切波变换,对变换后获得的低频子带采用基于区域能量匹配度的融合规则;而对所获得的高频方向子带则采用低秩稀疏表示的融合规则,即分别通过低秩准则和稀疏准则来捕捉高频子带的整体结构和局部结构信息,同时对经过低秩稀疏分解所获得的噪声矩阵进行去噪.大量实验表明,所提出的方法可有效实现多聚焦图像的融合,更好的保留了图像的细节纹理信息,同时能够很好地对源图像中的噪声进行去除,使融合后的图像更加清晰.

基于低秩稀疏表示的红外与可见光图像序列融合方法

考虑到红外与可见光图像序列间的高度相关性,本文提出了基于低秩稀疏表示的红外与可见光图像序列融合方法。首先,利用低秩稀疏表示理论分别将红外图像序列与可见光图像序列进行背景与目标分离,获取低秩分量与稀疏分量。其次,利用Laplace金字塔融合方法将每帧红外与可见光图像的低秩分量进行融合。再次,采用最大值选择规则将每帧红外与可见光图像的稀疏分量进行融合。最后,融合低秩分量与融合稀疏分量相加获得最终融合图像。本文算法在Nato-camp与BristolEdenProject数据集上进行了性能验证。主观视觉分析与客观评价指标表明本文算法比传统的融合算法具有更优越的性能。

基于低秩稀疏表示的加权增量目标跟踪算法

现实中目标物体所处背景往往受到遮挡、光照变化等复杂环境的影响,容易导致跟踪漂移。为提高目标跟踪的精确度,以加权增量主成分分析算法为模板更新机制,提出一种新的目标跟踪算法。通过主成分分析基向量模板和平方模板对变化的目标外观进行线性表示,把目标跟踪问题视为低秩稀疏优化问题,求解低秩稀疏解,得到候选目标重构系数,将基于重构误差后验概率最小的跟踪目标作为当前跟踪结果,并在增量主成分分析算法更新基向量模板过程中,对每个跟踪目标进行加权,从而有效抑制低质量目标样本的影响。实验结果表明,与增量视觉跟踪算法、最小软阈值跟踪算法等相比,该算法在复杂环境的目标跟踪中具有较好的鲁棒性。

自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别

面部表情识别很大程度上受限于来自相同条件、相同个体和大量标记样本这些假设,当突破上述假设条件时,识别性能将会显著下降。针对这个问题,提出一种自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别方法,通过自适应非负加权矩阵约束加强图像数据表示中重要特征的作用并减少无用特征的干扰。通过映射矩阵的约束,使基于低秩与稀疏表示的子空间能够学习鲁棒的相似图像以便实现最终的跨数据集面部表情识别。在公开的JAFFE和CK+两个跨数据库上的对比实验结果表明,文章算法对于跨数据集面部表情识别的性能更优。

基于低秩和重加权稀疏表示的红外弱小目标检测算法

红外弱小目标检测技术是红外告警系统中的关键技术之一,但如何精确、快速、鲁棒地进行弱小目标检测依然是个难题。该文提出了基于低秩和重加权稀疏表示的红外弱小目标检测算法,设计了新的优化方程,更精确地描述了背景矩阵的秩,利用结构张量提取红外图像的局部先验信息权重,同时提取目标矩阵的自增强稀疏权重,使模型能够更好地抑制背景中的边缘干扰来提取目标。实验表明:所提算法精度优于现有的经典基线算法,速度超越了一些经典算法。从性能和时间两个方面综合考虑,所提算法有着较好的优越性,对远距离红外弱小目标告警具有积极的意义和良好的应用价值。

基于低秩稀疏与网络学习的遮挡人脸识别研究

局部遮挡人脸识别有利于摆脱当前人脸识别的既定条件限制,适应更多的生物识别场景,针对现有研究成果在遮挡人脸识别时表现出的盲目性与非确定性,提出了结合低秩稀疏与网络学习的人脸识别算法。算法结合了低秩稀疏与鲁棒计算,通过构建人脸学习库,为遮挡部分图像的特征分析提供依据,低秩稀疏处理能够尽可能全面的搜索图像分类,网络学习处理能够尽可能优化人脸特征学习库。算法首先引入核范数与误差矩阵构建低秩矩阵模型,同时引入稀疏误差矩阵,以获得更多的分类信息;然后利用拉格朗日对低秩稀疏模型进行寻优计算,根据最优低秩映射矩阵得到低秩学习图像与稀疏误差图像;再根据全局与局部处理要求,分别采取平滑度描述与边缘检测;最后针对低秩稀疏处理过程设计了隐层网络学习,隐层神经元能够对网络输入进行自由度较高的操作,并根据不同类型的隐层节点,对输出函数采取不同的处理方式。仿真结果表明,结合低秩稀疏与网络学习的人脸识别算法有效降低了遮挡噪声的敏感性,提高了算法处理的鲁棒性,对于局部遮挡人脸的识别具有更好的可靠性与实时性。

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题,采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测,根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息,得到每类样本间的光谱相似度,并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测,使用支持向量机在两个真实数据集上验证。结果表明,该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换(FrFT)和全变分正则化约束的高光谱图像异常检测算法.通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典.为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束.采用交替方向乘子法对模型进行优化求解,得到异常检测的结果.在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.

对噪声鲁棒性的表情特征提取方法

为了有效解决在噪声污染下人脸表情识别的问题,提出了一种具有鲁棒性的表情特征提取方法。通过使用不同的低秩投影矩阵和映射矩阵的方式来约束低秩稀疏表示的重构图像,将高维空间中的原始数据映射到低维空间模型中,以提取出更具判别性的鲁棒特征。同时所提出的方法采用L_(2,1)范数进行约束,L_(2,1)范数不仅对含噪数据和离群数据具有鲁棒性,还具有旋转不变性,能够较好地保留数据的几何结构,这在一定程度上可以提高识别性能。CK+、JAFFE及LFW数据集的实验结果证明了该文方法对噪声具有鲁棒性。

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。

基于稀疏分解和改进MRF模型的SAR海冰图像分割方法

合成孔径雷达(SAR)海冰图像的精确分割是准确解译海冰分布信息的前提,但现有分割方法受相干斑噪声影响严重,分割误差大,解译结果可靠性低。提出一种基于低秩稀疏表示的SAR海冰图像分割方法,首先利用噪声分布的稀疏性,通过鲁棒性主成分分析提取图像的稀疏分量,再利用双边滤波增强图像细节信息。针对基于固定势函数的MRF分割模型无法准确反映图像区域间关联性的问题,根据贝叶斯置信传播算法建立基于交互势函数的MRF分割模型准确分割海冰图像。利用Radarsat系列卫星数据验证算法性能,结果表明:和传统算法相比,本文算法在保持分割图像连通性的同时,能增强图像的细节信息,具有更高的分割精度。

基于可见光谱图的大豆外观品质判别方法

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。

红外弱小目标检测算法综述

红外探测技术具有不受环境等因素干扰的优势,在红外制导、预警等军事领域的应用日益广泛。随着对红外弱小目标检测技术的研究越来越深入,相应的检测方法越来越多样。本文通过对红外弱小目标图像中目标与背景的特性以及红外弱小目标检测技术难点问题进行分析,根据当前是否利用帧间相关信息,分别从基于单帧红外图像和基于红外序列两个角度,选取了相应的红外弱小目标算法进行对比,对其中典型算法的原理、流程以及特点等进行了详细综述,并对每类检测算法的性能进行了比较。针对红外弱小目标图像信噪比低的特点,对红外弱小目标检测算法的难点问题进行分析,给出了目前各种算法的解决方法和不足,探讨红外弱小目标检测算法的发展方向,即研究计算量小、性能优、鲁棒性强、实时性好和便于硬件实现的算法。

基于自适应目标图像恢复的红外弱小目标检测

提出一种自适应参数目标图像恢复算法,实现对红外小目标的检测.首先,提取红外图像的稀疏特征,同时计算图像的复杂度,并设计一种融合机制生成自适应加权参数;然后,将原始图像重组为具有低秩稀疏特性的运算矩阵,采用上述的自适应参数非精确拉格朗日乘子法求解鲁棒主成分分析(RPCA)最优化问题还原出低秩矩阵(背景图像)和稀疏矩阵(目标图像);最后,对目标图像进行阈值分割并标定目标.实验结果显示:该算法能有效检测出小目标,同时具有较低的误检率.