稀疏分解和图拉普拉斯正则化的图像前景背景分割方法

针对现有图像前景背景分割方法的分割结果存在孤立像素点的问题,利用图信号处理理论和稀疏分解模型,提出新的图像前景背景分割方法.将图像的内在结构建模为图,通过图模型有效地刻画像素之间的内在关联性.将图像的像素强度建模为图信号,其中图像背景作为平滑分量,由一组图傅里叶变换基函数线性表示,叠加在背景上的前景为稀疏分量,前景像素间的连通性可由图拉普拉斯正则化项进行刻画.将图像前景背景分割问题归结为包含稀疏分解模型和图拉普拉斯正则化项的约束优化问题,采用交替方向乘子法对该优化问题进行求解.实验结果表明,与现有的其他方法相比,所提方法具有更好的分割效果.

面向鲁棒图结构防御的过参数化图神经网络

图数据在现实应用中普遍存在,图神经网络(GNN)被广泛应用于分析图数据,然而GNN的性能会被图结构上的对抗攻击剧烈影响.应对图结构上的对抗攻击,现有的防御方法一般基于图内聚先验进行低秩图结构重构.但是现有的图结构对抗防御方法无法自适应秩真值进行低秩图结构重构,同时低秩图结构与下游任务语义存在错配.为了解决以上问题,基于过参数化的隐式正则效应提出过参数化图神经网络(OPGNN)方法,并形式化证明所提方法可以自适应求解低秩图结构,同时证明节点深层表征上的过参数化残差链接可以有效解决语义错配.在真实数据集上的实验结果表明,OPGNN方法相对于现有基线方法具有更好的鲁棒性,同时,OPGNN方法框架在不同的图神经网络骨干上如GCN、APPNP和GPRGNN上显著有效.

基于投影的稀疏表示与非局部正则化图像复原方法

提出一种基于投影的稀疏表示与非局部正则化相结合的图像去模糊、去噪图像复原方法.该方法结合了自适应构造字典的稀疏表示与非局部总变差,提出的正则化模型分解为三个投影子问题进行求解以提高求解效率.实验结果表明,本文所提出的图像复原方法能够有效地保持原图像的纹理细节信息,对于不同程度的退化图像上均有较好的复原结果,在视觉效果和客观评价指标上均优于相比较的现有方法.

一种低秩和图正则化的协同稀疏高光谱解混方法

针对经典协同稀疏解混方法中稀疏性表征不足以及丰度矩阵过平滑等问题,提出一种低秩和图正则化的协同稀疏高光谱解混方法。引入加权因子,进一步促进丰度矩阵的稀疏性;引入了图正则化项,获取图像的空间信息,以促进图像的平滑性;在模型中增加低秩项,进而挖掘高光谱数据的细节结构,进一步提高解混的精度。利用2个模拟和1个真实高光谱数据进行实验,结果表明,提出方法的解混精度与经典解混方法相比得到显著提升。

正则化恢复联合稀疏表示的图像超分辨率重构

为改善强降质图像的分辨率水平,提出了一种正则化恢复联合稀疏表示的单帧图像超分辨率重构框架。为同时放大图像并抑制模糊及噪声,首先根据退化估计正则化平衡极小问题的逼近项和先验项,然后基于初步的锐利清晰图像和预先建立的图像超完备稀疏表示字典实现边缘保持的图像分辨率放大。正则化恢复的输出改善了传统学习法图像超分辨中低频分量的双立方插值版本,同时对降质的有效抑制降低了字典原子对退化信息的依赖性。实验结果表明,本方法可对模糊含噪的低分辨率图像实现有效的超分辨率重构。

基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别

针对胃黏膜肿瘤细胞图像的高维性及复杂性的特点,为了提高稀疏表示图像识别的鲁棒性,提出了一种基于字典学习的正则化鲁棒稀疏表示(RRC)肿瘤细胞图像识别方法。该方法首先将所有的原始染色肿瘤细胞图像转化为灰度图像;然后利用具有Fisher判别约束的字典学习(FDDL)方法对肿瘤细胞图像训练样本的全局特征进行字典学习,得到具有类别标签的结构化字典;最后将具有判别性的新字典用于RRC模型进行分类识别。RRC模型是基于最大后验概率准则,将稀疏保真度表示为余项的最大后验概率函数,最终识别问题转化为求解正则化加权范数的优化逼近问题。将提出的识别方法应用于肿瘤细胞图像的最高识别率为92.4%,表明该方法能够有效地实现肿瘤细胞图像的分类。

自适应图正则化稀疏编码算法

在GraphSC算法中,拉普拉斯图是预先定义并且固定不变的,并不会参与之后对于字典与稀疏编码的学习过程,而预先定义的拉普拉斯图往往不是最合适的。针对此问题,提出了自适应正则化稀疏编码(graph regularization sparse coding with adaptive neighbour,GraphSCAN)算法。该算法使用自适应方法构建合适的局部拉普拉斯图,然后将其加到SC的目标函数中;从而将图的构建和稀疏编码纳入到统一框架中,使得图的构建与稀疏编码的运算同时迭代进行。在CMU人脸数据与COIL20数据上进行的图像聚类实验结果验证了GraphSCAN算法的有效性。

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.

基于自回归正则化和稀疏表示的图像超分辨率重建

针对图像超分辨率重建中稀疏系数解不精确和重建图像质量不理想的问题,本文提出了一种空间自回归正则化的超分重构算法.该重构算法联合稀疏K-SVD方法训练一个具有相同稀疏系数解的相对应于高低分辨率图像块的字典对,在此基础上利用自然图像本身具有的局部自回归性先验知识来对图像进行处理,经过模型的训练和选择引入正则化项,实现图像的局部约束,从而完整构造了基于正则化的稀疏编码目标函数,为了进一步实现图像去模糊得到清晰图像,利用退化模型实现全局约束.实验结果表明:与Bicubic、NE和SCR等算法相比,本文算法在主观视觉效果和客观评价指标方面都有了一定地提升.

一种梯度正则化稀疏表示的图像超分辨率重建方法

近年来,稀疏表示的方法在图像超分辨率(Super-resolution,SR)重建方面取得了较好的结果.但是,由于图像在获取的过程中受外界因素的影响,获取到的低分辨率(Low Resolution,LR)图像细节往往损失严重,在图像SR重建中LR图像自身可利用的先验信息有限.因此,传统的稀疏表示不能很好地恢复出图像的高频细节.针对这一不足,本文基于稀疏表示的SR重建思想,采用邻域回归的方法从外部样例中学习图像的梯度先验信息来弥补图像自身先验不足的缺点,提出一种梯度正则化稀疏表示的图像SR重建方法.该方法通过构建一种图像梯度正则化项来引导图像的细节重建,提高重建的高分辨率(High Resolution,HR)图像的质量.实验结果表明,本文提出的SR重建算法重建结果较好,能恢复出更清晰的边缘信息,在主观和客观上重建结果都优于大多数的方法.

PPLS与稀疏鉴别流形正则化的双模型协同宽度神经网络

宽度神经网络(broad neural networks,BNN)被认为是继深度神经网络之后的一种主流机器学习算法,然而BNN没有考虑数据不确定性及局部几何结构信息。为此,提出概率偏最小二乘(probabilistic partial least square,PPLS)与稀疏鉴别流形正则化的双模型协同宽度神经网络建模方法。该方法首先使用PPLS对BNN输入特征以及增强特征构成的高维数据提取低维隐藏变量,消除数据不确定信息以及冗余特征;基于稀疏表示方法自适应构建样本局部与非局部近邻矩阵,并结合PPLS模型投影矩阵,提出一种新颖的融合模型信息迁移、鉴别流形正则化以及l_(2,p)-范数约束的BNN建模方法,有效增强BNN模型的鲁棒性、建模精度,同时消除数据的随机不确定性;最后给出迭代优化求解方法获取模型最优参数。在不同规模数据集、不同光照和角度图像数据集对所提算法进行仿真验证,结果表明该算法对不同规模数据集均能取得满意的效果;对图像数据集仿真结果表明其具有很强的鲁棒性和泛化性能。

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。

深度运动图耦合正则化表示的行为识别算法

为了提高图像行为的识别精度,使其能够准确判别行为识别中的微小变化以及遮挡问题,提出了基于深度运动图(depth motion maps,DMM)与正则化协同表示的行为识别算法。首先,将深度图像序列投射到3个正交平面上,得到了3个方向的投射图。对于不同的投射图,通过测量两个连续映射之间的绝对差值来表示运动能量,并将所有深度图像序列中运动能量进行叠加,获得了3个方向的深度运动图。随后,根据这些投射图,DMM能从多个方向获取更多具有判别力的运动信息。再引入Hough变换(Hough transform,HT)算子,提取DMM中3个方向的HT特征,并其进行归一化融合,获取DMM-HT特征。最后,引入Tikhonov正则化计算系数向量,构建正则化协同表示分类器,对每个位置样本的分类标签完成深度行为分类学习,实现人体行为的准确识别。实验数据表明,与当前行为识别技术相比,算法具有更强的鲁棒性,能完成各种行为的识别,在遮挡、噪声等干扰条件下具有更高的识别精度。所提算法能够较好地适应复杂环境下的人体动作准确识别,在智能家居、视频监测、人机交互等领域具有良好的参考价值。

一种稀疏约束的图正则化非负矩阵光谱解混方法

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合,也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱(Endmember,端元)和每种物质光谱所对应的混合比例(Abundance,丰度),为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解(endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF)算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。

基于结构组稀疏表示的红外云图超分辨率方法

针对红外云图分辨率低、视觉效果较差的问题,提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性,将结构组作为稀疏表示的基本单位,建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息,再对样本块进行聚类,利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典,使用改进了的加权l1范数优化方法求解稀疏系数。实验结果表明,与Sc SR、Zeyde、NARM等算法相比,所提算法在视觉效果以及图像质量评价指标上均有所提高,红外云图重构质量有较为明显的改善。

基于图正则化与非负组稀疏的自动图像标注

设计一个稳健的自动图像标注系统的重要环节是提取能够有效描述图像语义的视觉特征。由于颜色、纹理和形状等异构视觉特征在表示特定图像语义时所起作用的重要程度不同且同一类特征之间具有一定的相关性,该文提出了一种图正则化约束下的非负组稀疏(Graph Regularized Non-negative Group Sparsity,GRNGS)模型来实现图像标注,并通过一种非负矩阵分解方法来计算其模型参数。该模型结合了图正则化与2,1l-范数约束,使得标注过程中所选的组群特征能体现一定的视觉相似性和语义相关性。在Corel5K和ESP Game等图像数据集上的实验结果表明:相较于一些最新的图像标注模型,GRNGS模型的鲁棒性更强,标注结果更精确。

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.

基于稀疏表示的正则化超分辨率重建算法

为了能在超分辨率重建过程中更好地保留图像的边缘及纹理等特性,提出基于稀疏表示的正则化超分辨率重建算法.首先通过K-SVD方法得到单一的超完备字典,然后在此基础上进行改进得到高、低分辨率的字典,并在重建过程中通过自适应选取正则化参数的方法动态调节目标函数中重建误差逼近项和稀疏性约束项,从而实现超分辨率重建.通过仿真实验验证该算法能够有效地提高重建图像的质量.

基于图正则化的受限非负矩阵分解算法及在图像表示中的应用

非负矩阵分解(NMF)是一种非常有效的图像表示方法,已被广泛应用到模式识别领域.针对NMF算法是无监督学习算法,无法同时考虑样本类别信息和固有几何结构信息的缺点,提出一种基于图正则化的受限非负矩阵分解(GRCNMF)的算法.该算法利用硬约束保持样本的类别信息,增强算法的鉴别能力,同时还利用近邻图来保持样本间固有的几何结构.通过在COIL20和ORL图像库中的聚类实验结果表明GRCNMF优于其它几种算法,说明GRCNMF的有效性.

基于判别式字典的正则化稀疏表示人脸识别算法

为了克服非约束性(光照、表情变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Fisher判别准则的正则化稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor幅值图像,提取其统一化的局部二进制直方图,然后利用Fisher判别准则学习得到新的字典,最后通过正则化的稀疏表示判断测试图像所属类.利用AR数据库的数据进行实验的结果表明,与SRC、FDDL、RSC识别算法相比,本文算法在非约束性条件下具有最佳的识别率.