基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。

一种基于结构稀疏度的图像块分类方法

在传统的图像块分类方法中,利用局部方差可以将图像块划分为平滑块和非平滑块,但是对于非平滑块中包含的边缘块和纹理块,则不能有效进行区分。针对这一问题,提出一种基于结构稀疏度的图像块分类方法,根据图像块与其邻域的其余图像块之间的相似程度对图像块的局部特征进行辨识。仿真实验结果表明,该方法可以对平滑块、边缘块,以及纹理块进行有效区分。

基于约束稀疏表达的细粒度图像分类识别方法

为了保证细粒度图像分类识别后图像结构信息的完整性,设计一种基于约束稀疏表达的细粒度图像分类识别方法。在区域建议网络内输入待分类图像,利用在线硬示例挖掘方法筛选对分类识别结果影响较大的图像;在降采样图像基础上,引入分布结构约束项,建立约束稀疏表达线性编码模型;创建相似度权衡函数,将图像分类识别等效为排序问题,使用交替方向乘子法求解并获得最佳测度矩阵,完成细粒度图像分类识别目标。仿真结果证明,在遮挡、光照差异等状况下所研究方法分类后的图像结构信息较完整,分类识别后的平均峰值信噪比为28.9,平均分类时间为5.71s,提高了细粒度图像的分类质量。

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解(K-SVD)的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法:基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。

基于图像块分类的图像超分辨率重建

针对当前图像超分辨率重建算法中存在的字典单一而导致重建图像质量不佳的问题,提出一种将图像块分类与图像卡通纹理分解相结合的单幅图像超分辨率重建算法。首先,将图像分块,并将图像块分为边缘类、纹理类和平滑类三类,其中纹理类用形态成分分析(MCA)算法分解为卡通部分和纹理部分;然后,对边缘类、卡通部分和纹理部分分别训练高低分辨率字典;最后,求解稀疏系数并与高分辨率字典重建图像块。仿真结果显示,与基于稀疏表示的超分辨率重建(SCSR)算法和单幅图像超分辨率重建(SISR)算法相比,所提算法的峰值信噪比(PNSR)值分别提高了0. 26 d B和0. 14 d B,表明该算法的重建效果更好,重建图像纹理细节更丰富。

基于多字典学习和图像块映射的超分辨率重建

针对单一冗余字典在稀疏表示图像超分辨率重建结果出现不清晰、伪影以及重建过程编码效率不高、运算时间过长的问题,提出一种基于多字典学习和图像块映射的超分辨率重建方法。该方法在传统稀疏表示的框架下,首先探索局部图像块的梯度结构信息,按梯度角度将训练样本块分类;然后为每个子类样本集学习高低分辨率字典对,再结合最近邻思想应用生成的字典,为每个子类计算从低分辨率块到高分辨率块映射的函数;最后将重建过程简化为输入块和映射函数的乘积,在保证提高重建质量的同时减少了图像重建的时间。实验结果表明,所提算法在视觉效果有较大的提升,同时与锚点邻域回归算法相比,评价参数峰值信噪比(PSNR)平均提高约0.4 d B。

基于可区分性字典学习模型的极化SAR图像分类

极化SAR图像分类是一个高维非线性映射问题,稀疏表示(CS)对于解决此类问题具有很大潜力。字典学习在基于CS的分类中起到重要作用。本文提出了一种新的字典学习模型,用于增强字典的区分能力,使其更适合极化SAR图像分类。提出的模型根据字典中两类子字典在分类中的作用对其相应的表达系数施加不同的稀疏约束。为使共同子字典能够抓住所有类共享的特征,对其相应系数施加稀疏约束,为使类专属子字典能够抓住类内独享的局部和全局结构特征,对其相应系数同时施加稀疏和低秩约束。由于共同子字典表达所有类共享的特征,我们以测试样本在类专属子字典上的重建误差作为准则进行分类。本文在AIRSAR的Flevoland数据集上对此算法进行验证,实验结果验证了算法的有效性。

一种基于动态字典学习的SAR图像目标识别算法

本文提出了一种应用于SAR图像目标识别的动态字典学习算法,该算法通过在字典学习过程中自动删除和增加字典条目来调整字典表示性能与尺寸。删除操作是在删除代价的约束下针对相关度高或利用率低的字典条目进行,而增加操作是在增加代价的约束下针对信号表示的残留误差的主分量进行,通过交替执行删除和增加操作来不断优化字典,使其表示能力达到最佳。在MSTAR数据集上的实验验证了算法性能,并给出了相应的参数调整建议。从实验结果和分析可看出,该算法具有识别率高、算法稳定等特点。

基于块稀疏表达模式的高光谱图像压缩

针对高光谱图像压缩算法存在的解码端计算复杂度高,且没有充分考虑高光谱图像结构特征信息等问题,提出了一种基于块稀疏表达模式的高光谱图像压缩方法.主要通过在编码端利用结构字典对稀疏系数进行结构化压缩编码,避免解码端非线性重构,以达到缩短高光谱图像重构时间的目的.实验证明该方法在压缩比较低(0.015 9)时依然能获得较高的重构精度(峰值信噪比为22.240 3,结构相似度为0.511 4).

一种基于非局部思想的改进图像降噪算法

在基于稀疏和冗余字典的图像降噪算法的基础上,提出了一种基于非局部思想的改进图像降噪算法。与传统的基于稀疏表达的图像降噪算法K-SVD相比,提出的算法增加了一个相似块聚合的过程,使得学习的字典更小且更准确。利用自然图像包含很多的自相似,相似样本聚合学习出的字典比传统K-SVD算法能更准确更稀疏地表示样本。稀疏度的提高使得重建后的信号更加准确、适应性更好。实验证明提出的算法取得了更好的视觉效果。

稀疏PCA网络:一种核自适应的卷积神经网络

卷积神经网络因其具有的能够处理高维数据和易于并行化的特点,近年来在图像处理相关问题中受到广泛应用。相比于目前所流行的使用大量图片集构建深层网络的设计方法,稀疏PCA网络更注重卷积核的构建。传统的卷积核构建方法需要大量计算时间或复杂的图像特征提取知识,稀疏PCA网络使用简单的PCA基向量来构建卷积核,并加入聚类步骤,从而引入自适应性与稀疏性。在结果上,稀疏PCA网络相比传统的PCANet在图像分类实验正确率上有所提高,相较于其他深度学习模型也获得了较好的结果。

面向图像超分辨率的上下文字典学习

基于稀疏表示理论,提出了一种面向单张图片超分辨率的字典学习方法。通过对训练数据进行分类,期望在每一类训练数据训练字典的过程中,增强类内的上下文信息。与之前的面向图像分类的字典学习方法所不同的是,训练数据集由高分辨率图像块和对应的低分辨率图像块共同组成,这使训练得到的字典更适用于图像重构。利用有限的训练数据集,基于上下文的字典学习方法能够提高字典表示的拓展能力,消除由多重训练数据子集带来的冗余。

基于可融合残差卷积块的深度神经网络模型层剪枝方法

针对当前主流的剪枝方法所获得的压缩模型推理时间较长和效果较差的问题,提出一种易用且性能优异的层剪枝方法。该方法将原始卷积层转化为可融合残差卷积块,然后通过稀疏化训练的方法实现层剪枝,得到一种具有工程易用性的层剪枝方法,兼具推理时间短和剪枝效果好的优点。实验结果表明,在图像分类任务和目标检测任务中,该方法可使模型在精度损失较小的情况下获得极高的压缩率,优于先进的卷积核剪枝方法。

基于多任务联合稀疏和低秩表示的高分辨率遥感图像分类

多任务学习（multitask learning,MTL）是一种利用多个任务间共享信息并行学习以提高模型泛化性能的机器学习方法,研究表明该方法可以提升高分辨率遥感图像的分类精度。提出一种基于多任务联合稀疏和低秩表示（multitask joint sparse and low-rank representation,MJSLR）的高分辨率遥感图像分类模型,并采用加速近似梯度法求解凸的光滑函数和非光滑约束的组合优化问题。实验对比分析了多任务和单任务的学习模型,并比较了MJSLR、多核学习方法和多任务联合稀疏表达方法的图像分类准确率,结果表明多任务学习模型能够获得优于单任务学习模型的分类精度,而且融合低秩约束能够一定程度上提高多任务分类模型的精度。

一种基于分治策略的Huffman-LBP多姿态人脸识别

局部二值模式(LBP)因计算简单以及对轻微光照、姿态变化的鲁棒性而被广泛应用于人脸识别领域,但其只能作用于一定的人脸姿态变化范围(-15°~15°).针对这一问题,本文提出一种利用分治策略进行人脸表达和分类的多姿态人脸识别框架.首先,区域选择因子(RSF)被用于对不同姿态的人脸图像进行划分并找到有效的人脸区域;其次,提出了一种基于Huffman编码的LBP特征提取方法,用于特征表达;最后,一种基于图像块(patch)的稀疏表达分类(patch-based SRC)策略被用于匹配和分类.本论文分别在CMU PIE和FERET人脸库上进行了实验,实验结果证明了所提方法对姿态变化的有效性.

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并利用高光谱图像数据集进行了性能测试。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量;然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点;最后,将该距离函数应用于半监督学习线性邻域传播算法标签传播算法中。在Hyperion和AVIRIS高光谱遥感图像上进行试验,结果表明,相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。