联合矩阵低秩逼近和稀疏表示的高分辨率遥感影像目标识别方法

针对高分辨率遥感影像地物信息复杂、目标识别率低等问题,提出了一种联合矩阵低秩逼近的稀疏表示遥感影像目标识别方法。对原始遥感影像进行Radon变换,将处理过后的遥感影像进行低秩和稀疏分解,得到具有低秩性和稀疏性的两部分信息;通过K-SVD算法分别对这两部分信息进行字典学习,构建稀疏表示的判别字典;通过稀疏表示求解算法求解出待分类的目标在判别字典上的稀疏系数,根据稀疏系数最大准则对目标进行分类识别。在Uc Merced数据集上选取具有代表性的线性和非线性子集分别进行实验,结果表明所提算法与传统的SRC、SVM、MLC和KNN等分类识别算法相比,在采样比例为1/16、稀疏度为5时,识别率在线性子集上能够提高10%、在非线性子集上能够提高5%,表明所提方法具有较好的识别效果。

基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能够有效去除图像中的噪声并较好地保留图像细节.

稳定广义低秩矩阵逼近算法

为了增强广义低秩矩阵逼近(Generalized Low Rank Approximations of Matrices,GLRAM)的鲁棒性与稳定性,提出稳定广义低秩矩阵逼近(Stable GLRAM,SGLRAM)算法。将每个数据矩阵分解为低秩成分、稀疏噪声和稠密高斯噪声之和,并考虑了数据缺失情形。为了恢复低秩矩阵,建立最小化矩阵l 1范数与Frobenious范数的优化问题,并设计求解它的交替方向乘子法。在合成和真实数据集上的实验结果验证了该方法的可行性与有效性。

基于对数非凸低秩的电缆图像去噪算法研究

低秩方法在图像去噪方面显示出一定潜力。然而,现有的一些非凸低秩方法会使目标函数表现非凸特性,导致局部解的存在。针对此问题,本文提出了一种基于参数化的对数非凸低秩近似的去噪算法。首先,利用块匹配方法对噪声图像进行相似块匹配得到具有低秩结构的相似块矩阵,潜在的无噪声图像可以用一个低秩矩阵来近似。然后通过阈值收缩方法去恢复出潜在的无噪声图像块。最后聚集所有的修复图像块得到去噪后图像。去噪试验结果表明,相比于BM3D、NCSR和WNNM方法,该方法在客观评价和主观视觉上都有着较好的效果,在去除噪声的同时,还能较好地保留图像本身的细节特征。

一种基于低秩矩阵逼近的图像去噪算法

图像去噪作为图像处理学科的一个重要分支已经被广泛研究许多年,但依然活跃而充满挑战。通过利用图像的非局部自相似性达到去噪目的,是当前较为新颖的去噪方法。结合非局部自相似性和低秩矩阵逼近,提出了一种新的图像去噪算法,并对算法做了分析。仿真结果表明,算法与经典图像去噪算法相比,复杂度更低,去噪效果更好。

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近(NLLRMA)的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作(LRMA);最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明:在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比(PSNR)上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数(IRNN)、加权核范数(WNNM)、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。

改进低秩矩阵逼近算法的非同步测量声源定位

非同步测量声源定位可以提高定位的频率范围和空间分辨率。然而,在低信噪比的环境下现有矩阵补全算法的非同步测量声源定位结果精度较差。提出改进低秩矩阵逼近矩阵补全算法:首先,对不完整的互谱矩阵进行矩阵补全;其次,应用参数化非凸惩罚函数的去噪方法对互谱矩阵进行去噪处理。最终通过常规波束形成算法实现非同步测量声源定位。将改进低秩矩阵逼近算法与核范数最小化补全算法、主成分分析算法在不同频率与低信噪比下进行非同步测量声源定位数值仿真与试验对比。仿真与试验结果表明:①不同低信噪比下,改进低秩矩阵逼近算法较核范数最小化补全算法、主成分分析算法的补全误差均要小。②相比于核范数最小化补全算法、主成分分析算法的声源定位结果,改进的低秩矩阵逼近算法可以有效缩小主瓣宽度、抑制旁瓣,提高声源定位的分辨率,能够适用于信噪比较低的复杂工业环境。

运用增广矩阵束方法稀布优化平面阵

基于增广矩阵束方法(Matrix Enhancement and Matrix Pencil,MEMP),以使用尽可能少的阵元逼近期望的方向图为目标,提出了一种求解阵元位置和设计激励幅度的新方法.首先对期望平面阵的方向图进行采样得到离散的数据集,再构造增广矩阵,对此增广矩阵进行奇异值分解(Singular Value Decomposition,SVD),确定逼近期望方向图所需的最小阵元数目;基于广义特征值分解求解两组特征值,并根据类基于旋转不变技术的信号参数估计(Estimating Signal Parameters Via RotationalInvariance Techniques,ESPRIT)对这两组特值配对;在最小二乘准则下求解稀布面阵的阵元位置和激励.仿真试验验证了该方法在稀布平面阵优化问题中的高效性和数值精度.

基于增广矩阵束方法的平面天线阵列综合

针对平面阵列的稀布优化问题,提出了一种基于增广矩阵束方法的减少阵元数目、求解阵元位置和设计幅度激励的优化方法。首先对期望平面阵的方向图进行采样并由采样点数据构造增广矩阵,对此矩阵进行奇异值(SVD)分解,确定在误差允许范围内所需的最小阵元数目;然后基于广义特征值分解分别计算两组特征值,并根据类ESPRIT算法对特征值进行配对;最后在最小二乘准则条件下根据正确的特征值对求解平面阵列的阵元位置和激励。仿真结果表明该算法具有较高的计算效率和数值精度。

非对称径向基函数与稳定边界图像变形算法

提出了一种基于非对称径向基函数的图像变形算法 ,该算法克服了基于对称径向基函数算法中由于对称径向基函数的全局性导致的图像边界变形过大的不合理变形现象 实验结果表明 ,文中算法简单、有效 ,得到的变形图像既具有基于对称径向基函数算法所得的变形图像的光滑性 ,又具有良好的局部变形效果 。

基于信息熵属性赋权的谱聚类算法研究

针对谱聚类算法在处理较大规模的样本时,在存储空间和计算时间上都存在瓶颈问题,文章分析了目前常见的两种解决方式,即基于稀疏化t近邻的谱聚类和基于Nystr9m矩阵低秩逼近的谱聚类方法.为了进一步提高这两种谱聚类算法的准确度,提出了采取基于信息熵属性赋权的欧式距离来计算样本间的相似度的方法.首先,计算样本各属性的权重;然后,计算样本间的相似度矩阵并应用到稀疏化t近邻的谱聚类和Nystr9m矩阵低秩逼近的谱聚类方法中;最后,在多个数据集上进行了验证.实验结果表明该方法在一些数据集上的聚类精确度要比原来谱聚类算法高,尤其在Pendigits数据集上,基于信息熵赋权的稀疏化t近邻谱聚类比稀疏化t近邻谱聚类方法精确度提高15.11%.

一种基于双子空间的人脸美感分析方法

子空间技术是一种有效的人脸美感本征描述方法。为了克服单一子空间在人脸图像美感描述方面的不足,提出了一种基于主成分分析(PCA)与广义矩阵低秩逼近(Generalized low rank approximation matrix,GLRAM)双子空间的自动人脸美感分析方法。通过组合PCA和GLRAM子空间获取人脸美感特性的全局及局部本征描述,并利用高斯场模型(Gaussian field model,GF)构造组合子空间的内在几何结构关系。实验选用了一个光照、背景、表情、年龄和种族等变化比较显著的数据库,结果表明,提出的基于双子空间算法优于基于单一子空间的人脸美感分析方法。

一种用于人脸识别的非迭代GLRAM算法

利用二维主成分分析算法通过协方差矩阵获得右投影变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出了一种矩阵广义低秩逼近的新的非迭代算法.ORL和AR人脸数据库的实验研究表明,新的非迭代算法在图像重建和图像识别方面都取得了和矩阵广义低秩逼近的迭代算法相近的效果,同时节省了大量的训练时间,而较二维主成分分析,新算法以较大的压缩率取得了更好的图像重建效果和识别率.

一种基于GLRAM的掌纹识别改进算法

在小样本情况下,传统的2DPCA算法采用的训练样本的平均值不一定就是训练样本分布的中心,而矩阵广义低秩逼近(GLRAM)算法需要多次迭代求解左右投影变换矩阵,复杂度高。为了解决这些问题,利用基于样本中间值的2DPCA算法(M2DPCA),通过协方差矩阵获得右变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出一种改进的GLRAM算法的掌纹识别方法。在Poly U掌纹库上实验表明:改进的GLRAM算法在节省了大量训练时间的同时,取得了比GLRAM算法更好的重构效果和识别率。

鲁棒核范数降维在图像去噪中的应用研究

针对核范数降维去噪方法对强噪声去除效果不佳的问题,提出一种鲁棒核范数降维的去噪方法。该方法在核范数最小化的思想下构建图像降维的代价函数,并在代价函数中增加噪声的L1范数作为其正规化项,用以改善降维时噪声对降维的影响,提高降维的鲁棒性,通过最小化代价函数,从高维的噪声图像中迭代求解出低秩的图像,以达到去噪的目的。实验结果表明,与核范数降维方法和三维块匹配(BM3D)方法相比,该方法能获得更好的去噪效果。

GLRAM与LDA相结合的人脸识别

提出了一种GLRAM(矩阵的广义低秩逼近)与LDA(线性判别分析)相结合的人脸识别方法。首先利用GLRAM方法获得人脸图像的有效特征,然后通过LDA对获得的特征进行进一步的降维并获得最佳分类特征。这样使得抽取特征的判断能力得到了显著增强。实验结果表明,该算法在较短的时间内取得了较高的识别率,效果优于单独运用GLRAM方法和LDA方法。