稀疏低秩模型及相位谱补偿的语音增强算法

针对现有的语音增强算法存在增强效果差、语音信号失真等问题,提出了稀疏低秩模型及改进型相位谱补偿的语音增强算法。首先,用稀疏低秩模型处理含噪语音的幅度谱,得到分离后的语音。接着,用归一化最小均方自适应滤波算法优化相位谱补偿算法的补偿因子。然后,对稀疏低秩分离后的语音进行改进型相位谱补偿处理,得到最终增强的语音。最后,对增强后的语音进行感知语音质量评价分析及频谱分析。实验结果表明,该方法能够有效地去除噪声,并且在低信噪比的情况下,可以保持语音的清晰度。

联合稀疏和低秩表示的医学超声图像去噪

为了保持超声图像的边缘和细节特征,同时去除图像中的噪声,提出了一种改进的低秩稀疏矩阵分解模型。首先,通过对数变换将乘性性质的斑点噪声转换为加性噪声;然后引入L1范数和改进的低秩正则项,以最小化保真项、正则项为目标函数,迭代恢复出去噪后的超声图像;最后使用指数变换从对数域中还原。将本模型应用于肿瘤超声图像,与一些经典的去噪算法进行比较,得出该模型对消化道粘膜下肿瘤超声图像去噪估计具有良好的适用性和实时性。

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。

基于非凸与不可分离正则化算法的电容层析成像图像重建

搅拌器内两相混合是化工生产中常见的现象,电容层析成像(ECT)技术主要对两相分布进行可视化重构,以达到监测的目的。受稀疏贝叶斯学习的启发,提出了一种非凸与不可分离正则化(NNR)算法重建ECT图像。在稀疏先验的基础上引入矩阵低秩特性,采用最大后验估计在潜在空间中提出一个新的优化问题,利用对偶变量将潜在空间的目标函数映射到原始空间进行迭代求解,用来恢复同时稀疏与低秩的矩阵。与凸近似L1范数相比,NNR算法可获得更准确的重建图像,同时比非凸可分离方法更容易收敛到全局最优解。为验证NNR算法的重建效果,通过数值仿真与静态实验的方法分别与其他5种算法进行重建对比。结果表明:NNR算法可以有效减少重建伪影,提升中心物体的重建质量,为搅拌器内两相分布提供了高质量的重建算法。

基于改进GD-HASLR算法的遮挡人脸识别

针对遮挡人脸识别方面的算法在训练样本数目减少时,其识别结果也会下降。为了解决该问题,文中提出了一种改进的GD-HASLR(Gradient Direction-Based Hierarchical Adaptive Sparse and Low-Rank)算法。该算法先求得人脸图像的广义梯度方向,计算人脸图像从一阶到三阶的梯度大小和梯度方向,再利用映射函数进行映射后求得梯度方向向量,然后将其作为层次稀疏低秩模型的输入,求解出图像的表示系数和误差。文中采用了重启的快速迭代收缩阈值算法-Ⅱ求解稀疏表示系数。最后,计算一阶到三阶测试样本的残差,选取其频率最高或者平均等级最低的类别作为分类结果。在AR、Extended Yale B数据库上的实验结果表明,与GD-HASLR等方法相比,文中改进方法获得的识别效果更好。

基于鲁棒主成分分析的多域联合杂波抑制算法

奇异值分解等传统算法在处理穿墙成像中的杂波抑制问题时,杂波消除不够彻底,目标成像质量不高,严重影响后续的目标检测与识别。为解决这一问题,该文基于鲁棒主成分分析理论,在回波域和图像域分别建立联合低秩稀疏模型,以光滑化快速交替线性化(SFAL)方法来求解模型,并对目标图像进行指数加权联乘多域图像融合处理,从而得到最终成像结果。仿真结果表明,该算法速度快、精度高,可有效改善目标成像质量,并能较好地满足穿墙成像的实时性和准确性要求。