基于多尺度字典学习的图像融合方法

将小波域多尺度分析的思想和图像域单尺度稀疏表示的思想有效结合,提出基于多尺度字典学习的图像融合方法。首先将训练图像变换到小波域,分别对各个子带系数训练字典;根据训练的字典求解并融合源图像各个子带的稀疏表示系数;经过逆小波变换重构融合图像。提出的方法综合了学习字典的稀疏特性和小波分析的多分辨率特性。实验结果表明较现有基于图像域字典学习的融合方法和基于小波域多尺度分析的融合方法均具有更优的融合效果。

多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。

基于MED和WMSDL的滚动轴承内圈故障特征诊断

针对滚动轴承早期内圈故障特征较为微弱,并伴随环境噪声的干扰,微弱的故障特征信息易被环境噪声所淹没的问题,课题组提出基于最小熵解卷积(MED)和加权多尺度字典学习(WMSDL)的滚动轴承早期故障诊断方法。课题组通过设置一个滤波器使故障特征信号峭度最大实现解卷积,利用WMSDL对解卷积后的信号稀疏分解后进行平方包络解调突出内圈故障特征频率。仿真分析和实例分析结果表明:解卷积后信号的信噪比明显提高,内圈冲击成分明显增强。课题组的研究可有效提取滚动轴承故障特征频率。

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。