基于核拉普拉斯稀疏编码的图像分类

使用稀疏编码解决计算机视觉问题可以取得良好的效果.然而,以往的稀疏编码都是在原始特征空间进行.受核方法可以获得特征的高维非线性映射的启发,扩展了拉普拉斯稀疏编码(LSc),提出了核拉普拉斯稀疏编码(KLSc),它可以降低特征量化误差,增强稀疏编码的性能.在3个标准数据集上的实验结果表明,所提出的基于KLSc的图像分类算法具有良好的分类效果,分类正确率优于LSc.

基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。

基于L0范数和稀疏编码的单幅图像超分辨率重建方法

基于稀疏编码的方法在单幅图像的超分辨率重建中获得了一定的成功,但是这类方法却存在着重建出错误的边缘和重建的图像块之间差异性的丢失等问题。为了解决这些问题,认为一幅高分辨率图像是由边缘成分和纹理成分两部分组成,提出了一种基于L0范数和非局部拉普拉斯稀疏编码的单幅图像超分辨率重建方法。首先,为了能够重建出正确的图像边缘,提出了一种基于L0范数的针对图像边缘的超分辨率重建方法;然后,在纹理成分的超分辨率重建阶段,提出了一种非局部的拉普拉斯稀疏编码(NLSC)来实现图像纹理成分的超分辨率重建;最后,试验结果表明,提出的方法能够有效解决现有方法中存在的问题,获得更高质量的高分辨率图像。