一种基于加权稀疏编码的频域视觉显著性检测算法

针对现有的基于频域的视觉显著性检测算法检测准确度不高的弱点,本文提出了一种基于加权稀疏编码的频域算法,旨在提高检测准确度的同时保持频域算法运算速度快的优势.在传统的稀疏编码算法基础上,本文根据各子码的增量编码长度来设置它们的权重,实现对图像的加权稀疏编码而不是直接对原始图像进行处理.最后,为了处理多维的稀疏编码信号,本文利用信息论的思想对最新发表的图像签名算法进行了多通道改进,以香农自信息的形式输出图像的显著性检测结果.在公开的人眼跟踪数据库上同9种流行算法的实验对比和对算法复杂度的分析证明了本文算法的有效性和快速性.

一种加权稀疏约束稳健Capon波束形成方法

为了克服标准Capon波束形成器旁瓣级高以及存在角度失配时性能急剧下降等缺点,在稀疏约束Capon波束形成器的基础上,提出了一种加权稀疏约束Capon波束形成器.该方法利用波束响应的稀疏分布特性,在标准Capon波束形成优化模型中加入旁瓣区域波束响应稀疏约束(?1范数约束),使旁瓣区域波束响应向量中非零元素的个数最小化;通过阵列采样数据协方差矩阵特征分解得到信号子空间及噪声子空间,利用信号子空间与噪声子空间的正交特性,构造加权矩阵对稀疏约束进行加权,使得稀疏重构时波束响应向量中不同角度对应的元素得到不同程度的约束.该方法有效地抑制了Capon波束形成器的高旁瓣级,加深了干扰方位零陷,提高了阵列输出信干噪比.由于稀疏约束,波束响应向主瓣集中,期望信号方向附近的波束响应都较大,从而也提高了阵列抗导向矢量角度失配的能力.数值仿真和水池实验验证了所提方法的有效性.

图像分割的加权稀疏子空间聚类方法

在稀疏子空间聚类算法的基础上,提出一种基于加权稀疏子空间聚类的图像分割方法。利用加权的稀疏约束使得特征数据能够更好地被同一子空间内相似性高的特征数据线性表示,系数矩阵在类间更为稀疏。实验表明,给出的加权稀疏子空间聚类方法对于干净数据和带噪声的数据都能得到较高的数据聚类准确率,对自然图像能够得到比较符合人眼视觉特性的分割结果。

加权稀疏信号重构的近场源定位方法

针对近场源定位问题,提出了一种使用加权L1范数优化进行稀疏信号重构的近场源定位方法。该定位方法分步完成目标的方位和距离估计。为了避免二维优化问题出现,首先利用均匀线阵的对称特性,通过菲涅尔近似,将二维参数估计的近场定位问题转换为类远场阵列的一维参数估计问题,接着将该一维参数估计问题转换为稀疏信号重构问题,通过类MUSIC权向量的构造,使用加权L1范数优化方法重构稀疏空间谱得到目标波达方向;在得到信号波达方向之后,再利用稀疏信号重构的思想求解信号源到阵列的距离。最后,通过数字仿真验证了算法在估计精度和分辨率等方面的优良性能。

一种加权稀疏约束的Capon波束成形算法

针对Capon波束成形器旁瓣较高及零陷不深的问题,对降低旁瓣及零陷的方法进行了研究,提出了一种加权稀疏约束Capon波束成形算法。首先利用旁瓣阵列流型矩阵与协方差矩阵的相关运算,得到干扰和噪声能量在不同方向的粗略后验分布情况,其次根据得到的结果对不同的方向加权不同的值,并对干扰进行约束。仿真结果表明,该算法有效降低了波束图的旁瓣及零陷深度,增加了抑制噪声及抗干扰的能力,且在期望信号误差和阵列误差情况下均保持较好的顽健性。

基于傅里叶描述子和加权稀疏表示的军事图像分类方法

军事图像分类是一个重要的研究方向。在傅里叶描述子和加权稀疏表示的基础上,提出一种军事图像分类方法。利用Canny算法提取军事图像的轮廓特征,计算轮廓点的中心距离序列;再将该序列转换为极坐标转换,进行傅里叶变换,得到军事图像的改进傅里叶描述子;利用加权稀疏表示分类方法对图像进行分类。该方法的优点在于提取的傅里叶描述子具有很好的平移、旋转、尺度缩放和轮廓起始点的不变性。加权稀疏表示能够克服遮挡、弱特征、视角和姿态变化等因素的影响,并且具有较强的形状区分能力。在ICL军事图像数据库上进行分类实验,分类率高达92%以上。结果表明,该方法是有效可行的,能够为军事图像自动分类识别系统提供技术参考。

改进的加权稀疏表示人脸识别算法

针对传统的加权稀疏表示分类方法在获取训练样本权重以及求解l1范数最小化问题中计算效率低的问题,提出了一种加权稀疏表示和对偶增广拉格朗日乘子法(DALM)相结合的人脸识别算法WSRC_DALM算法.该算法主要采用高斯核函数计算每个训练样本与测试样本之间的相关性,即获得训练样本相对于测试样本的权重;接着利用DALM算法求解l1范数最小化模型,实现测试样本的精准重构和分类,最后在ORL和FEI人脸数据集上进行算法验证.在ORL数据集中,WSRC_DALM算法的识别率高达99%,相比经典的SRC和WSRC算法,识别率分别提高了7%和4.8%,同时计算效率比WSRC算法提高了约20倍;在FEI数据集中,多姿态变化下的人脸识别率接近于92%.实验结果表明,WSRC_DALM算法在识别准确度和计算效率上具有明显的优势,并且对较大类内变化具有较好的鲁棒性.

图约束字典和加权稀疏表示人脸超分辨率算法

针对低分辨率、低质量人脸图像重建问题,提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段,人脸的位置特征被用于保持人脸块的全局信息,人脸块间的几何结构被用于保持高低分辨率超完备冗余字典的流形结构,从而提高字典的表达能力;在重建阶段,K近邻加权稀疏表示被用于消除稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果表明,提出的方法取得了较好的主客观质量。

结合改进韦伯算子和加权稀疏表示的指静脉识别

为了在拓扑结构简单的指静脉图像上提取更完整的纹理信息并提高识别效率,提出一种从粗到细的指静脉识别算法。在粗识别阶段,利用测试样本与每类中的一个样本之间的相似性,排除冗余训练类;在精识别阶段,引入Gabor进行图像表示,更清楚地描述图像纹理的局部空间尺度特征和方向特征;将韦伯局部圆梯度模式(Weber local circle gradient pattern,WLCGP)与多方向对称局部图结构(multidirectional symmetrica local graph structure,MSLGS)结合对原始的韦伯算子进行改进,从而对空间结构信息获得更精确的图像描述;通过WLCGP-MLGS提取直方图特征向量,并通过加权稀疏表示分类。在天津市智能信号与图像处理重点实验室数据库和FV-USM(finger vein USM)数据库上进行实验,该算法的正确识别率分别为99.3546%和97.3842%。结果表明,与其他传统及最新算法相比,具有良好的识别性能和应用前景。

脉冲噪声下加权稀疏约束稳健波束形成方法

针对脉冲噪声下现有稀疏约束波束形成方法,对不同角度信号施加相同稀疏约束而带来干扰抑制能力有限的问题,本文提出了一种干扰抑制能力更优的加权稀疏约束稳健波束形成方法。该方法首先利用波束方向图的稀疏特性,在最小散度无畸变响应波束形成的目标函数中加入波束方向图l1范数约束;然后采用基于无穷范数归一化方法对阵列接收到的所有快拍信号做自适应预处理,以使预处理后的阵列接收信号协方差矩阵有限;最后运用传统的基于协方差矩阵特征分解的子空间法构造加权矩阵并应用到稀疏约束项中,使得波束方向图中不同角度的信号得到不同程度的约束。实验仿真表明,所提出方法不仅保持相对较低的旁瓣增益,而且显著加深了干扰方向的零陷,提高了输出信干噪比。

基于加权稀疏子空间聚类多特征融合图像分割

提出一种图像分割的多特征融合加权稀疏子空间聚类方法。采用多种属性的特征能够更可靠地描述图像中不同物体的特性,提高分割的准确性和可靠性。定义了加权稀疏度量,即在1-范数中引入权重,权重与数据的相似度成反比,有利于迫使相似的数据尽可能参与到数据的自表示中,从而改善稀疏表示过稀疏并且不稳定的局限性。实验结果和客观指标表明,所提方法能有效地分割自然图像,获得的结果更加符合人类视觉感知。

结构化加权稀疏低秩恢复算法在人脸识别中的应用

针对训练样本或测试样本存在污损的情况,提出一种结构化加权稀疏低秩恢复算法(structured andweighted-sparse low rank representation,SWLRR)。SWLRR对低秩表示进行加权稀疏约束和结构化约束,使得低秩表示系数更加趋近于块对角结构,进而可获得具有判别性的低秩表示。SWLRR将训练样本恢复成干净训练样本后,再根据原始训练样本和恢复后的训练样本学习到低秩投影矩阵,把测试样本投影到相应的低秩子空间,即可有效地去除测试样本中的污损部分。在几个人脸数据库上的实验结果验证了 SWLRR在不同情况下的有效性和鲁棒性。

时域加权稀疏约束的空时自适应处理算法

1DT是典型的时空级联的后单多普勒空时自适应处理的方法,能够显著降低对独立同分布样本的需求量和空时自适应处理时的运算量,但是进行时域处理时对主瓣杂波的抑制效果较差。针对此问题,提出一种利用时域滤波器频率响应的稀疏特性进行加权稀疏约束的自适应滤波器设计算法。在时域自适应滤波器的模型中加入对旁瓣的稀疏约束,并构造加权矩阵对稀疏约束加权。仿真实验表明:此方法在有效抑制主瓣杂波的前提下能够降低副瓣,并且当存在天线幅相误差时具有较好的稳健性。

基于加权稀疏表示分类的车辆识别

不同种类的车辆自动识别能够在很大程度上给人们提供便利,而通过声波来区分车辆的类型是可行的。由于声频信号和自然信号一样都具有稀疏性,稀疏表示分类（SRC）算法同样适用于车辆声频识别领域。但是SRC算法没有考虑样本的局部性,即没有考虑测试样本和每一个训练样本之间的相似性,从而导致识别效果不够优异。为了解决以上不足,提出了一种基于加权稀疏表示分类（WSRC）的声频传感器网络下车辆识别方法。通过对声频测试样本和各个声频训练样本之间的距离制定一个权重标准,并将其考虑进权重分配,以提高识别精度。实验结果表明,WSRC的识别精度相比于SRC有了明显的提高。同时,WSRC也明显优于SVM、k-NN这些常见分类算法,验证了WSRC在声频传感器网络下车辆识别的可行性。

基于HOG特征的加权稀疏表示人脸识别算法

在人脸识别中,为了进一步提高人脸图像对光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相融合,以降低复杂度,提高识别性能。首先,统计每一幅图像的方向梯度直方图(HOG)特征,并对每一幅图像进行归一化处理,削弱人脸图像中的光照影响;其次,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的距离作为稀疏系数的权值;在此基础上,对传统稀疏表示分类器进行改进,样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,最后利用样本的重构残差和对样本进行识别分类。ORL人脸库和GT人脸数据库上的实验证明该方法对光照等外界物理因素有着很好的鲁棒性。

图正则重加权稀疏约束的深度非负矩阵分解算法用于高光谱图像解混

为有效挖掘高光谱图像隐层信息以提升混合像元的分解精度,提出一种图正则的重加权稀疏深度非负矩阵分解算法。算法考虑图像丰度矩阵在局部所具有的浅层图结构信息以及在全局所具有的稀疏特性,通过融合图正则项和基于重加权的稀疏正则项及非负矩阵的多层深度结构来提升对混合像元的分解能力。通过乘法更新规则对深度非负矩阵分解算法进行逐层更新以优化全局框架。基于光谱角度距离和均方根误差评价指标,在模拟数据集和真实数据集上的实验显示所提出的算法相比其他典型算法分别有最大约63%和9.7%的解混精度增益。实验证明所提出的图正则重加权稀疏约束的深度非负矩阵分解算法能有效提升高光谱图像的解混精度,更好地服务于国家重大需求。

基于加权稀疏与加权核范数最小化的图像去噪

为提高图像去噪的性能,本文提出一种基于加权稀疏表示结合加权核范数最小化的图像去噪算法。通过高斯混合模型(GMM)学习算法,从自然图像中学习非局部自相似先验信息,利用加权稀疏编码来辅助重构图像的细节纹理,及低秩正则化来恢复噪声图像块矩阵的潜在结构。实验表明,该算法在保留图像的结构和纹理信息的同时能更好地去除噪声。

基于稀疏增强重加权与掩码块张量的红外弱小目标检测

高度异构的复杂背景破坏了场景的低秩性,现有算法难以利用低秩稀疏恢复方法从背景中分离出小目标。为了解决上述问题,本文将小目标检测问题转化为张量模型的凸优化函数求解问题,提出基于稀疏增强重加权与掩码块张量的检测模型。首先,将掩码块图像以堆叠方式扩展至张量空间,并构建掩码块张量模型以筛选候选目标。在此基础上,利用结构张量构建稀疏增强重加权模型以抑制背景杂波,克服凸优化函数求解过程中设定加权参数的缺陷。实验表明本文检测算法在背景抑制因子及信杂比增益两方面都优于新近代表性算法,证明该算法的有效性。

加权多尺度卷积稀疏表示及其在滚动轴承复合故障诊断中的应用

故障特征精确提取是实现轴承故障诊断的重要环节。卷积稀疏表示能够刻画特征的移位不变特性,非常适用于滚动轴承故障特征提取。然而,卷积稀疏表示忽略了故障冲击特征的周期性及不同尺度下的信号特性差异,制约了其在谐波成分和背景噪声等干扰下的特征提取能力。因此,提出了加权多尺度卷积稀疏表示用于分离振动信号中的周期性故障冲击特征,从而实现轴承故障诊断。在构建的稀疏表示模型中,利用多尺度变换将原始信号转换到不同尺度下,并在不同尺度下采用不同权重系数以达到抑制谐波成分等干扰的目的。同时,为了凸显故障冲击特征,建立了约束故障特征稀疏系数周期性的正则项,提高冲击特征分离能力。此外,引入交替方向乘子法和受控极小化方法推导出迭代求解算法。最后,通过分析提取特征的波形、包络谱及两种故障信息定量评估指标,验证了提出方法拥有优异的轴承复合故障冲击特征提取和诊断能力。

重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混。由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法。首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新。最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力。