融合特征分类和独立字典训练的超分辨率重建

超分辨率重建技术在重构图像细节、改善图像视觉效果方面具有重要作用。为进一步提高图像的重建质量,提出了一种有效的超分辨率重建方法。首先提取图像块的几何特征来构造决策树,以期通过监督的方式进行图像块分类。然后针对不同类型的图像块训练集,分别基于K-SVD独立训练相应的高分辨率字典和低分辨率字典。最后为了保证图像块的准确和快速重建,对高分辨率训练集和低分辨率训练集的系数求解映射矩阵,其用于在重建阶段将低分辨率稀疏系数映射为高分辨率稀疏系数以达到重建目的。实验结果表明,本文的方法与其他经典的超分辨率重建方法相比,在重建效果方面具有明显提高。

基于自适应梯度最速下降的分类字典训练算法

为提高稀疏表示字典用于图像分类时的正确率,提出一种基于自适应梯度最速下降的分类字典训练算法。该算法采用交替梯度下降法解决分类字典训练的双变量优化模型。为提高收敛速度,并保证稀疏表示残差和不同类别对应字典原子间的不相关性同时收敛,采用自适应步长,推导证明自适应步长的计算方法。通过固定字典,运用当前字典和训练样本计算出稀疏表示系数的下降方向和自适应步长,按照稀疏度约束将小系数置零,固定稀疏表示系数,利用稀疏表示系数和样本找到字典的下降方向和自适应步长。实验结果表明,该算法在手写字符识别中正确率能达到96.51%。

字典训练结合形态分量分析的诱发电位少次提取方法

诱发电位的少次提取对于研究大脑活动规律以及临床诊断等均有重要意义。根据诱发电位与自发脑电信号的不同特点,本文提出一种基于形态分量分析的诱发电位少次提取方法,在不同的过完备字典上对诱发电位与自发脑电信号进行稀疏表示。为了改善在稀疏表示过程中的错误分解问题,提出使用几次带噪观测信号的叠加平均结果作为模板信号,并使用K-SVD算法训练得到合适的过完备字典,再对当前观测信号进行混合稀疏表示。实验结果表明,该方法能够有效地降低由通用过完备字典进行稀疏表示时的错分程度,较好地实现对诱发电位信号的提取。

采用遗传算法的分层贪婪字典训练算法

针对稀疏表示残差过大的问题,提出了采用遗传算法的分层贪婪字典训练算法.该算法首先将数据样本变成一维信号,然后将问题划分为若干个子问题,采用贪婪算法思想分层训练字典.为了以一定概率寻找到每一层字典的最优值,使用遗传算法来训练每一层字典,最后将每层字典级联作为最终的字典.在训练每一层字典时,先采用号码矩阵对样本的分类进行表示,然后以平均低秩逼近的残差能量作为衡量适应度的参数,以联赛选择的方式选出优胜个体,通过单点交叉和变异方法产生新的个体.对二值序列的稀疏表示信号重建的实验结果表明,该算法在训练样本量较小的情况下,与传统的核奇异值分解算法相比,训练得到的字典在同样的稀疏度约束下重建信噪比提高了10倍以上.

基于系数复用和字典训练的图像超分辨率算法

在基于学习的图像超分辨率重建过程中,字典的选择和训练是其中的关键环节,但是传统的字典训练算法存在计算量大、训练速度慢等缺点,导致整个重建过程耗费时间长,重建图像在细节上表现较差,影响了其视觉效果与使用价值。针对上述字典训练中存在的问题,提出了一种改进的基于系数复用和字典训练的图像超分辨率算法。该算法对传统的K-SVD算法中的字典训练阶段进行了改进,利用信号的稀疏表示原理,同时结合正交匹配追踪中的系数复用算法,较好地解决了字典训练速度慢、重建图像质量低等问题。实验结果表明,与经典的双三次插值和改进前的K-SVD图像重建算法相比,该图像重建算法较好地复原了图像的高频细节信息,提高了重建图像质量,同时大幅度降低了字典训练时间。

基于广义低秩矩阵分解的分离字典训练及其快速重建算法

针对传统压缩感知重建算法存在重建质量偏低、重建时间偏长等问题,本文提出了一种基于分离字典训练的快速重建算法.首先选取某类图像作为训练集,建立其广义低秩矩阵分解模型;其次采用交替方向乘子法求解该模型,训练出一组分离字典;最后将该分离字典用于图像重建中,通过简单的线性运算实现图像的快速重建.实验结果表明,本文算法相比于传统的重建算法,针对训练集同类图像,具有十分显著的重建性能,对于其他不同类型的图像,依然有不错的重建质量,极大地降低了重建时间.

基于非负字典训练和鲁棒主成分分析的语音增强算法（英文）

在鲁棒主成分分析中引入非负矩阵分解学习得到非负语音字典,提出了一种非负字典训练和鲁棒主成分分析相结合的非监督单通道语音增强算法.算法采用交替方向乘子计算优化解.采用客观感知语音质量评估方法(PESQ)对增强效果进行评估.评估中采用了TIMIT标准语音和20多种噪声在不同信噪比下进行混合得到的带噪语音信号.评估结果表明:本文提出的方法优于典型的非负矩阵分解方法和鲁棒主成分方法.

基于字典训练和高频增强的图像降噪研究

噪声图像,特别是含有高密度噪声图像在经过去噪后,图像细节(图像高频)丢失较多。针对这一问题,提出一种基于字典学习和高频增强的方法。该算法首先让噪声图像经过降噪算法处理,然后由样本图像依次模拟加噪和去噪过程得到去噪样本图像,样本图像和去噪样本图像相减得到样本差分图像,最后分别训练样本差分图像和去噪样本图像,得到一对高、低分辨率字典,用于重建图像去噪后所缺失的高频。实验结果表明,所提算法在主观的人眼视觉和客观评价上要优于经典的图像降噪算法。

基于字典训练的Bregman迭代地震数据重建

随着地震勘探正在蓬勃发展,如今对储层预测精度和地震资料质量的要求越来越高。而地震勘探的复杂环境可能导致地震数据通道缺失或者勘探成本上升,因此需要对地震数据进行重建,恢复地震数据的全貌。针对上述情况,首先介绍Bregman迭代方法,接着在Bregman迭代重建算法框架中,使用K-SVD对数据样本进行初步的处理,每次迭代最后进行插值处理,进行多次迭代后得出重建的地震数据。主要将K-SVD字典训练算法结合到分裂Bregman迭代过程之中,实现对缺失地震数据进行重建研究,以保证地震数据具有完整性和规则性,从而提高地震数据的信噪比和保真度。采用marmousi数据,验证了本文算法的可行性与有效性。

采用交替K-奇异值分解字典训练的图像超分辨率算法

采用稀疏表示的图像超分辨率算法中,双字典训练算法与字典的细节恢复能力相关,针对已有双字典训练算法使字典缺乏高频细节信息的特点,提出了一种交替K-奇异值分解字典训练算法。该算法分为训练和测试部分。在训练部分每次字典更新都采用奇异值分解所得到的向量对低高频样本块进行最佳低秩逼近,使得低高频样本块随着迭代次数的增加逐渐取得相同或者相似的稀疏表示系数。在测试过程中,测试低频样本块可以利用低频字典取得的稀疏表示系数与高频字典相乘得到高频细节信息。实验表明,与目前已有算法相比,该算法能够得到高频细节较丰富的图像,平均峰值信噪提高0.3dB以上,结构相似度提高0.01左右。

自训练过完备字典和稀疏表示的语音增强

提出的算法利用带噪信号进行训练以获得过完备字典,通过设定较大的字典训练阈值,训练过程只对语音信号进行,使得自训练字典与语音信号之间相关性较强。利用该字典和较小的阈值对语音信号进行稀疏表示,进而实现语音增强。仿真实验表明,增强后的信号表示系数稀疏度更强,增强效果在信噪比(SNR)和感知语音质量评估(PESQ)得分方面均有较大改进。

基于训练字典的遥感图像融合

为了提高多光谱图像与全色图像的融合质量,利用稀疏表示理论,提出了一种基于训练字典的融合算法。该算法对多光谱图像的亮度分量进行亮度平滑滤波(SFIM)得到新的亮度分量,利用图像块随机采样学习得到的训练字典对全色图像和新的亮度分量进行稀疏表示,采用空间频率取大的融合规则对稀疏系数进行融合,通过重构和IHS逆变换得到融合结果。对不同场景、不同卫星的多光谱图像和全色图像进行实验,结果表明,该方法能在提高空间分辨率的同时更好地保持光谱特性。

基于自训练字典学习的单幅图像的超分辨率重建

针对单幅低分辨率图像的超分辨率重建问题,提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型,对输入的低分辨率图像进行降质处理,然后利用K-SVD方法训练字典,获得重建所需要的先验知识,最后根据先验知识重建高分辨率图像。仿真实验的结果表明,利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法,同时算法的时间效率也有很大的提升。

显著性光流直方图字典表示的群体异常事件检测

在视频监控系统已被广泛应用的今天,基于监控视频的群体异常事件检测已成为保障社会安全的迫切需要,越来越受到人们的重视。该文基于这一现状,提出了一个新的群体异常事件检测方案,实现对监控视频自动高效的检测。在特征提取方面,提出了显著性光流直方图特征描述符,并利用该特征描述符构建字典;在字典优化方面,提出了基于聚类的多字典组合学习框架,将原始的大字典分为多个子字典;最后,对于测试样本,找出最适合的子字典并计算测试样本在该子字典下的重建误差,即可判断测试样本是否异常。在两个数据集上的实验表明,与其他方法相比,该文提出的方法对拥挤场景下监控视频中的群体异常事件检测取得了较好的检测性能。

基于改进K-SVD字典学习的超分辨率图像重构

针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.

基于字典学习和非局部相似的超分辨率重建

为提高单帧降质图像的分辨率,提出了一种基于字典学习和非局部相似性的超分辨率重建算法。该算法主要将高分辨率图像减去利用迭代反投影重建结果得到差值图像,再利用K-奇异值分解(K-SVD)算法和联合字典生成的思想形成的字典训练方法,训练差值图像块和低分辨率图像块得到对应的高、低分辨率字典用于超分辨重建。此外,引入非局部相似性的正则项约束以提高重建图像的质量。实验结果表明,所提算法重建得到的图像在主观视觉效果和客观评价上优于基于例子学习的超分辨率算法。

字典学习和稀疏表示的无监督语音增强算法

针对非结构噪声难以去除的问题,基于字典训练和稀疏表示提出一种无监督语音增强算法。该算法通过构造过完备字典并使用带噪语音样本对其进行训练来实现。首先指出K-奇异值分解算法(K-SVD)存在的不足并提出一种新的改进的字典训练算法:K-双边随机投影算法(K-BRP);然后使用K-BRP算法不断更新字典矩阵和相应的增益系数矩阵,从被非结构化噪声所污染的带噪语音中提取出结构性强的纯净语音。大量实验结果表明,由于训练样本考虑到了语音信号的时频域局部结构特征,所提算法能够很好地消除随机噪声,并且在低信噪比情况下仍然能够保持较高的语音质量和可懂度。

基于分类字典的多内容灰度图像彩色化算法

为解决基于字典学习与稀疏表示的灰度图像彩色化算法只对单一内容图像有效这一问题,提出了一种新型的图像彩色化方法.首先,根据目标灰度图像的子内容分别选取多组参考彩色图像,从各组参考彩色图像中选取对应子内容的样本图像块;然后,分别进行字典训练,得到基于内容的分类字典;最后,根据重建误差最小化原则,查找最佳匹配字典,进而实现灰度图像的彩色化.该算法是一种自动算法,在保证图像彩色化过程自动化的前提下,提高了彩色化效果.实验结果表明:该算法能够对目标灰度图像中的不同内容分别进行正确彩色化处理.

基于联合非负字典学习的遥感图像超分辨重建

针对图像的超分辨重建问题,提出一种基于联合非负字典学习的单幅图像超分辨重建算法,并将其用于遥感图像的超分辨重建。利用已有的高分辨图像,通过预处理得到高低分辨样本集。给出联合非负字典学习技术,并采用该技术对高低分辨样本集训练得到稀疏的高低分辨字典,使用高低分辨字典重建高分辨图像,并分析算法的计算复杂度。实验结果表明,与双三次插值法、联合字典训练算法、耦合字典训练算法相比,该算法在保证较好重建效果的同时需要较小的计算量。

基于自适应多字典对的超分辨率复原算法

最近,双字典训练已成为在计算机视觉和图像领域解决超分辨率复原问题的有力工具。针对基于双字典训练的图像超分辨率算法中字典训练与重构阶段的重构误差,提出了一种基于自适应多字典对的超分辨率复原算法。通过对样本进行聚类并训练多特征字典来适应不同类型的输入图像。在字典训练阶段,充分利用了不同次训练字典产生的差异,在重建中筛选高频补丁,进行多次重构,有效地提升了重构图像的质量。实验仿真与比较表明,该方法在重构图像的质量上有所提高,且能提供更清晰的细节。