基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法

遥感地貌影像通常包含大量的数据,具有高度的复杂性和多样性,难以捕捉到不同层次的纹理信息,从而影响识别效果;因此,为提高纹理特征提取的效果,确保识别精度,采用多尺度半耦合卷积稀疏编码对遥感地貌影像纹理识别进行了研究;去除遥感地貌影像噪声,增强遥感地貌影像整体质量,通过分水岭算法分割遥感地貌影像,探究不同尺度下遥感地貌影像纹理特征区别,以有效捕捉到不同层次的纹理信息,提高遥感地貌影像纹理的识别性能;然后应用灰度共生矩阵(GLCM)获取遥感地貌影像的多尺度纹理特征,构建半耦合卷积稀疏编码模型,完成多尺度纹理特征提取过程的学习与多尺度纹理特征的有效融合,以能够在保持特征丰富性的同时,减少冗余信息,提高纹理识别的准确性;选取适当的分类器——朴素贝叶斯分类器,并对其进行训练;并以此为基础,制定遥感地貌影像纹理识别程序,执行制定程序即可获取地貌纹理识别结果;测试结果显示:应用提出方法获得的遥感地貌影像处理结果清晰度与对比度较高,地貌纹理特征提取结果更加完整与清晰,地貌纹理识别结果与实际结果一致,充分证实了提出方法应用效果更好。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于特征基的GMC卷积稀疏机械故障特征解析方法

在机械设备的复杂工况下,监测信号易受多振动源及环境噪声干扰,导致故障特征微弱且呈现强耦合特性,这给设备故障诊断带来极大挑战。因此,提出了一种基于振动特性基的GMC增强卷积稀疏机械故障特征解析方法,实现微弱耦合故障特征解析。首先,构造了一种自适应单边衰减小波匹配算法以获取最优特征原子,将最优特征原子升维同时匹配故障周期,以得到具有周期特征的振动特征基。其次,提出基于GMC增强的卷积稀疏编码,结合振动特征基优化求解稀疏系数。此外,提出了一种基于平均峭度与谐波能量比的过程参数优化选择方法,克服了优化过程中关键参数难选取的问题。最后,提取包络谱主要特征与理论故障特征频率对比判断故障类型。通过仿真分析和试验台信号验证,并对比分析了基于谱峭度分解和可调变Q因子小波变换GMC稀疏增强等两种传统方法。实验结果表明,相较于上述两种传统方法,本文提出的方法可以有效地分离不同类型的故障特征信号,并实现故障特征的增强。

基于ResNet50与卷积稀疏表达的红外与可见光图像融合算法

提出一种基于ResNet50神经网络与卷积稀疏表达的红外与可见光图像融合算法。通过低通滤波将红外与可见光图像分解成基础层和细节层;运用卷积稀疏表达对基础层进行处理得到新的基础层,使用ResNet50神经网络对细节层进行特征提取,对得到的特征图进行L1正则化和最大选择策略得到最大权重层,经过权重分配得到新的细节层;对新的基础层和细节层进行重建,得到融合图像。该算法针对基础层和细节层提出了新的融合策略,并且能较好地保留细节信息和结构信息。实验结果表明,该算法在主观和客观指标证明上优于对比算法。

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。

面向帕金森病语音诊断的非监督两步式卷积稀疏迁移学习算法

帕金森病(Parkinson’s Disease,PD)语音诊断存在小样本问题,如果借助相关语音数据集进行迁移学习,容易加重训练集和测试集之间的分布差异,影响分类准确率.为了解决上述矛盾问题,本文提出了两步式稀疏迁移学习算法.该算法分为两大步:第一步算法为语音段特征同时优选的快速卷积稀疏编码算法,构造卷积稀疏编码算子用于快速学习公共语音数据集的结构信息,然后将其迁移到PD语音目标集以弥补后者样本信息的不足,接着再同时对语音段和特征进行同时优选以获得更有价值的信息;第二步算法为联合局部结构信息分布对齐算法,对训练集和测试集进行域适应,在保持各自样本结构信息的同时,最小化分布误差.实验结果表明:本文算法中每一步迁移学习算法均有效;与相关算法相比,本文算法准确率显著较高,达97.5%.

基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题。为了解决这些问题,需要从降维和样本扩充两个方面同时进行。因此,该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法。该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息,同时完成降维和样本间接扩充。样本特征并行优选考虑到了样本和语音特征间的关系,从而有助于获取高质量的特征。首先,对公共语音库进行特征提取构造公共特征库;然后,以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码,这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法;接着,对编码后的语音样本段和特征数据进行同时优选;最后,采用支撑向量机(SVM)进行分类。实验结果表明,该算法针对受试者的分类准确率最高值达到了95.0%,均值达到了86.0%,较相关被比较算法有较大提高。此外,研究还发现,相较于传统稀疏编码方法,卷积稀疏编码更有利于提取PD语音数据的高层特征;同样,迁移学习也有利于提高该算法性能。

自适应字典学习的卷积稀疏表示遥感图像融合

基于细节注入方案的遥感图像融合主要包括两个步骤:空间细节提取与注入。为保证被提取细节的质量与确定合适的调制系数,本文提出一种基于自适应字典学习的卷积稀疏表示遥感图像融合方法。该方法先利用引导滤波和非抽取小波变换来分别获取全色图像和多光谱图像的空间细节;然后自适应地学习提取空间细节的字典,并将其引入卷积稀疏表示模型来重构联合细节图像;最后,将联合细节通过联合判别调制系数注入到上采样的多光谱图像中得到最终融合结果。实验结果表明,本文方法的融合结果无论从主观效果还是客观定量评价,都优于一些主流的遥感图像融合方法。

基于卷积稀疏编码的电容层析成像图像重建

针对电容层析成像(ECT)病态性逆问题,提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法,通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解,从而完成ECT图像重建。对提出的方法进行了仿真及实验测试,并与LBP、Tikhonov正则化及Landweber迭代算法进行比较。结果表明,提出的方法其重建图像平均相对误差和相关系数分别为0.4389及0.8968,均优于其他3种方法,中心物体及多物体分布的重建质量得到显著提升。

基于参数自适应PCNN和卷积稀疏的多聚焦图像融合

针对同一目标不同焦点图像优势互补的需求和现有多焦点图像融合算法存在焦点不清晰、边缘模糊和重影等问题,引入一种基于参数自适应脉冲耦合神经网络(PAPCNN)和卷积稀疏表示(CSR)的多聚焦图像融合算法。在非下采样剪切波变换(NSST)分解高低频子带的基础上,采用CSR融合低频子带系数,其中的高频子带系数利用一种参数自适应PCNN算法(PAPCNN)进行融合,并且对PAPCNN中的隐函数β进行改进,达到更好的融合效果。仿真实验结果表明,该方法解决了传统PCNN算法在融合图像时参数设置困难和传统稀疏表示细节保存性能不佳的问题,在视觉效果和客观指标方面与现有主流融合算法相比均具有较大优势。

基于张量分解和卷积稀疏表示的多曝光图像融合

针对多曝光图像融合中存在细节丢失和颜色失真等问题,本文提出了一种基于张量分解和卷积稀疏表示的多曝光图像融合方法。张量分解作为一种对高维数据低秩逼近的方式,在多曝光图像特征提取方面有较大的潜力,而卷积稀疏表示是对整幅图像进行稀疏优化,能最大程度地保留图像的细节信息。同时,为了避免融合图像出现颜色失真,本文采取亮度与色度分别融合的方式。首先通过张量分解得到源图像的核心张量;然后在包含信息最多的第一子带上提取边缘特征;接着对边缘特征图进行卷积稀疏分解,继而利用分解系数的L1范数来得到每个像素的活跃水平;最后用"赢者取全"策略生成权重图,从而加权得到融合后的亮度分量。与亮度融合不同的是,色度分量则采用简单的高斯加权方式进行融合,在一定程度上解决了融合图像的颜色失真问题。实验结果表明,所提出的方法具有良好的细节保留能力。

采用多层卷积稀疏表示的红外与可见光图像融合

为提升光学图像在低照度条件下的可用性,对红外图像与可见光图像进行融合从而结合两者的优势是一种有效的技术手段。稀疏表示理论在红外与可见光图像融合领域已经得到了广泛的应用,然而基于稀疏表示理论的图像融合方法所采用的局部建模方式易于导致语义信息损失和对误匹配的低容忍度两大缺陷。卷积稀疏表示的全局建模能力对克服上述不足具有巨大的优势,本研究借鉴卷积神经网络的结构设计了一种前馈式基于多层卷积稀疏表示的红外与可见光图像融合网络,该网络包含5层:第1、2层为卷积稀疏层,通过预训练的字典滤波器获取源图像的卷积稀疏响应;第3层为融合层,通过活性图评价以获取融合结果;第4、5层为重建层,基于融合结果结合字典滤波器重建融合图像。实验结果表明,所提出的图像融合方法有效抑制了稀疏表示理论应用于图像融合的两大不足,在客观评价指标方面明显优于基于稀疏表示、基于单层卷积稀疏表示和基于卷积神经网络的图像融合算法,在算法的计算复杂度和运行时间方面优于基于稀疏表示和基于卷积神经网络的图像融合算法。

基于卷积稀疏表示的红外与可见光图像融合

稀疏表示是以块为单位进行编码的,因此破坏了图像块间的相关性。针对上述问题,提出了基于卷积稀疏表示的红外与可见光图像融合算法。该算法采用交替方向乘子算法(ADMM)求解非下采样轮廓波变换(NSCT)域强边缘子带的卷积稀疏系数,完成特征响应系数的融合。同时,采用脉冲耦合神经网络(PCNN)模型的点火图完成NSCT域高频子带的融合。实验结果表明:该算法解决了稀疏表示的"块效应"问题,同时又兼具PCNN模型的视觉特性,可以有效地捕捉源图像的特征信息。另外,在主观视觉评价和客观质量评价方面均优于现有算法。

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有PD语音识别算法面临小样本数据量问题挑战。针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。在双阶段学习方面,首先基于源数据集训练多组卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。实验选取代表性的PD语音数据集进行验证。实验结果表明,本文算法创新部分有效,与10多个经典和最新相关文献算法相比取得了显著改进,准确率达97.8%。此外,本文算法的时间复杂度不高,满足临床应用要求。

卷积稀疏表示图像融合与超分辨率联合实现

为避免图像融合与超分辨率分步实现的不足,提出了基于卷积稀疏表示的融合与超分辨率重建联合实现方法。假设低分辨率与高分辨率图像之间具有相同的稀疏特征图,设计了一种高、低分辨率滤波器联合学习框架,实现对图像高低频成分的分离,并根据不同成分的形态特性设计了不同的融合规则:对于高频成分,根据稀疏特征图亮度信息和像素活跃性水平,设计了一种像素显著性度量方案来指导高频特征图的融合;对于低频成分,根据脉冲耦合神经网络能捕获邻域相似像素点火的特性,设计了低频成分融合方法。所提方法不需要将图像分割成重叠的块,避免块向量化的缺陷。实验结果表明,能有效提高图像融合的质量。

基于四通道卷积稀疏编码的图像超分辨率重建方法

针对图像分辨率较低的问题,提出了一种基于四通道卷积稀疏编码的图像超分辨率重建方法。首先,该方法将输入图像依次翻转90°作为四通道的各自输入,通过低通滤波和梯度算子将输入图像分解成高频和低频部分;接着,分别利用卷积稀疏编码方法和三次插值方法对各通道低分辨率图像的高频部分和低频部分进行重建;最后,对四通道输出图像加权求均值获得重建的高分辨率图像。实验结果表明,所提方法比一些经典的超分辨率重建方法在峰值信噪比(PSNR)、结构相似度(SSIM)和抗噪性上具有更好的重建效果。所提方法不仅克服了重叠补丁破环图像补丁间一致性的缺陷,还提高了重建图像的细节轮廓,加强了重建图像的稳定性。

基于卷积稀疏表示及等距映射的轴承故障诊断

针对卷积稀疏表示(convolution sparse representation,简称CSR)在轴承故障脉冲提取过程中过于依赖惩罚因子的缺点,提出了一种基于卷积稀疏表示、希尔伯特变换(Hilbert transform,简称HT)以及流形学习降维相结合的轴承故障诊断方法。首先,通过在不同惩罚因子下的CSR提取不同稀疏特征的脉冲;其次,针对提取的一系列脉冲进行希尔伯特变换,构造脉冲包络空间;最后,利用等距映射(isometric feature mapping,简称Isomap)流形学习算法对脉冲包络空间求解低维本征包络,以实现故障诊断。通过仿真数据以及台架实验数据验证表明:基于CSRHT-Isomap算法的轮对轴承故障诊断方法可以很好地提取轴承内圈及滚动体故障特征,通过与基于聚合经验模态分解和小波包变换的包络空间算法进行比较,证明该方法在提取本征包络、强化本征包络谱以及放大故障特征频率的谐波数方面具备较大优势。

小波域卷积稀疏编码的低剂量CT图像重建

随着CT成像技术的发展,其射线剂量明显降低,然而实现优质成像依然是低剂量CT研究领域中的重点问题.为实现低剂量CT的优质成像,减缓重建图像中伪影及噪声干扰,提出了一种小波域的卷积稀疏编码CT重建算法.该算法是利用预先构建的滤波器集,对重建图像中的小波域高频子带进行卷积稀疏表示,并引入到低剂量CT重建中以构造目标函数.通过重建图像更新和小波域卷积稀疏编码两个步骤的交替优化,实现重建目标函数的求解.在Shepp-Logan模拟数据、AAPM模拟数据与UIH真实数据上进行实验,并与全变差、字典学习、梯度正则化的卷积稀疏编码等进行对照分析,实验结果表明,所提算法可获得噪声伪影少、结构细节对比度高的重建图.最后,参数分析实验表明所提算法易实施且具有良好的参数稳健性.

基于卷积稀疏表示的鲁棒性PET和CT图像融合方法

目的针对PET图像空间分辨率低而CT灰度图像空间分辨率高的融合问题,探究新方法来提升配准不佳情形下PET和CT图像的融合质量。方法首先对待融合图像进行卷积稀疏表示,得到相应的基础层和细节层;然后利用非下采样剪切波变换对基础层进行分解,得到高频子带和低频子带;其次采用局部互相关性取大规则去融合细节层和高频子带,采用区域能量取大规则去融合低频子带;最后对融合后的高、低频子带进行逆非下采样剪切波变换(NSST),并对基础层和细节层进行逆卷积稀疏表示(CSR),从而获得融合图像。结果采用80组配准不佳的PET和CT图像对本文方法进行测试,并与其他典型的融合方法进行比较,测试结果表明本文方法在主、客观评价上皆优于其他方法,表现出很好的鲁棒性。结论本文方法在PET和CT图像融合中具有明显优势,可提升该类医学影像在临床诊断和放疗手术计划中的精准性。

基于多尺度边缘提取和加权卷积稀疏编码的低剂量CT去噪算法

大多数现有的基于卷积神经网络的低剂量计算机断层扫描(LDCT)去噪算法像一个“黑匣子”,优化过程缺乏直观的逻辑性,而且容易产生模糊的结果。为了解决这些问题,提出一种结合加权卷积稀疏编码和卷积神经网络的可解释的LDCT去噪模型。该模型考虑卷积稀疏特征图与噪声/伪影分布的关联,在目标函数上给卷积稀疏特征图附加可学习的权重,利用加权迭代软阈值算法寻求目标函数的最优解。用通道注意力来学习卷积稀疏特征图上附加的权重,用设计的多尺度边缘提取模块解决因丢失纹理细节而导致的图像模糊问题。在AAPM公开数据集上的实验结果表明,相对于几种领先的去噪算法,所提算法对噪声/伪影的抑制效果明显,去噪结果保留了更多的纹理细节。