基于多形态学成分分析的图像融合

将多尺度分解与稀疏表示相结合,提出了一种基于多形态学成分分析(MCA)的图像融合算法。采用基于联合稀疏表示(JSR)的方法融合卡通子图像中的冗余和互补信息,并利用基于方向特征的方法融合具有更多细节信息和噪声的纹理子图像。结果表明,提出的图像融合算法在主观视觉效果和客观评价指标上均优于先进的图像融合算法。

基于主成分的频谱迭代稀疏化语音增强方法

针对现有频谱稀疏化方法在复杂环境语音增强上性能不佳的问题,提出一种基于主成分分析的迭代频谱稀疏化方法.首先,对输入信号的语谱图进行二维中值滤波处理,得到行分量频谱和列分量频谱;对包含语音主音的行分量频谱序列进行主成分分析(PCA),以去除噪声部分并保留主要语音结构;然后联合列分量频谱序列和缩放因子进行混合重构原信号,并采用动态缩放因子实现对列分量频谱噪声的有效控制.在此基础上,利用稀疏化对噪声的抑制作用,对频谱进行多次稀疏化,以减弱噪声.实验结果表明,该方法增强了不同类型噪声下语音的信噪比,包括White、Pink、Babble、Volvo和Factory等五种噪声,输入信噪比为15 dB,所提方法的信噪比分别提升了13.89 dB,11.97 dB,5.65 dB,5.26 dB和4.73 dB,该方法在其他信噪比下也能有效地抑制噪声和保留有效特征信息,并减少因背景噪声引起的语音失真.

基于稀疏主成分分析特征选择算法的山楂叶产地判别模型研究

为实现山楂叶产地的快速判别,提出一种基于稀疏主成分分析特征选择(SPCAFS)与支持向量机(SVM)建模的定性分析方法。采用近红外积分球漫反射光谱法采集6个产地共41批山楂叶123份样品的近红外光谱图,经数据预处理后,通过SPCAFS对代表性特征波段进行选择,并采用SVM建立山楂叶近红外产地判别模型。模型与连续投影(SPA),正则化自表示(RSR)和稀疏子空间聚类(SSC)3种特征选择算法进行对比,以准确率、精确度和灵敏度作为评价标准,评估所提模型的预测性能。结果显示,SPCAFS的特征波段数相比于全波长建模从1500减少到21,预测结果的准确率和精确度分别从78%、76%提升至97%、100%。同时,相比于SPA、RSR、SSC算法,准确率分别提升了6%、3%、3%,精确度分别提升了13%、10%、5%,模型的预测能力得到显著提升,基于SPCAFS的SVM判别模型可实现山楂叶南北产地的快速判别。

基于函数型主成分分析的稀疏纵向数据建模研究

目的探索基于条件期望的函数型主成分分析方法(principal analysis by conditional expectation,PACE)在稀疏且不规则的纵向数据中的预测效果,评价其揭示总体变化趋势、个体特异的变异方式以及预测个体纵向变化轨迹的能力。方法采用R软件模拟生成样本量为200的三种不同稀疏情形的纵向数据集,通过数值模拟定量地评价PACE方法的降维及预测效果。结果根据累计方差贡献率达到85%,三种不同稀疏情形的纵向数据集最终选取的主成分个数分别为4、4、3,PACE方法在不同稀疏情形下预测结果均具有较小的均方误差(MSE),分别为0.1410、0.0670、0.0161,而且观测点个数越多预测效果越好。结论PACE方法可以实现在随访间隔不规则且数据稀疏的情况下,捕获纵向数据随时间变化的总体趋势,揭示个体特异的变异方式,预测个体的纵向轨迹。

基于稀疏主成分分析方法的新能源汽车产业“绿色溢价”研究

在国家碳达峰、碳中和战略目标下,中国的节能减排工作进入了新时期。新能源汽车的运用与普及是国内汽车产业转向低碳领域发展,支撑双碳目标的关键环节之一,然而,新能源汽车的制造的全生命周期会产生大量的碳排放,需要对其来源进行深入分析,并制定相应的绿色转型措施。本文首先通过研究广西新能源汽车生产过程中不同绿色转型途径的绿色溢价成本,建立了多个绿色溢价成本分析模型;其次,使用稀疏主成分分析来处理多个绿色溢价指数的数据,对多个绿色溢价指数进行相关性分析与多重共线性诊断,得到变量之间的协方差矩阵;最后,根据主成分分析结果,确定哪些指数或变量对于绿色转型影响最大,为绿色转型或可持续发展提供指导和建议,并制定相应的战略或政策,同时,研究结果可以扩展到其他新兴产业,为广西电动汽车制造业制定高性价比碳减路径提供参考。

基于小波变换和稀疏成分分析的盲图像分离法

针对图像信号不满足稀疏性条件,不能直接用稀疏成分分析模型进行盲分离的现象,提出一种基于小波变换和稀疏成分分析的盲图像分离法.利用小波分解将混合图像从空域转化到频域,获取混合图像高频对角分量,在频域空间利用线性聚类稀疏成分分析法估计混合矩阵,进而最终重构源图像.实验结果表明,该方法能准确有效地提取源图像.目视结果及相关系数分析结果均表明,与经典独立成分分析法(FAST-ICA)相比,该方法分离精度高,分离效果好.

基于信号稀疏表示的形态成分分析:进展和展望

有效的信号和图像分解(分离)技术在信号和图像的分析、增强、压缩、复原等领域起着重要的作用.虽然目前研究者提出了很多方法来解决这个问题,然而处理效果并不完美.形态成分分析(Morphological Component Analy-sis,MCA)是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法.该方法的主要思想是利用信号组成成分的形态差异性(可以由不同的字典稀疏表示)进行分离.本文详细描述了形态成分分析方法的理论思想,并介绍了形态成分分析的最新研究进展及其存在的问题,最后指出了进一步发展的方向.

鲁棒的稀疏Lp-模主成分分析

主成分分析(Principle component analysis,PCA)是一种被广泛应用的降维方法.然而经典PCA的构造基于L2-模导致了其对离群点和噪声点敏感,同时经典PCA也不具备稀疏性的特点.针对此问题,本文提出基于Lp-模的稀疏主成分分析降维方法 (Lp SPCA).Lp SPCA通过极大化带有稀疏正则项的Lp-模样本方差,使得其在降维的同时保证了稀疏性和鲁棒性.Lp SPCA可用简单的迭代算法求解,并且当p≥1时该算法的收敛性可在理论上保证.此外通过选择不同的p值,Lp SPCA可应用于更广泛的数据类型.人工数据及人脸数据上的实验结果表明,本文所提出的Lp SPCA不仅具有较好的降维效果,并且具有较强的抗噪能力.

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析(SPCA)对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机(SVM)算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠(SDS)配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析(PCA)进行特征提取,再利用SVM和K最近邻(KNN)两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN, SPCA-KNN, PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%, 90%, 90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。

基于稀疏成分分析的遥感影像分类

遥感影像分类一直是遥感研究的重点、难点和热点之一。针对经典的主成分分析法在不同地物的光谱存在重叠相关时,分类效果欠佳的缺陷,提出一种基于稀疏成分分析的遥感影像分类法。该方法利用稀疏性提取源信号,不要求源成分之间互不相关。实验结果表明,与主成分分析方法相比,基于稀疏成分分析的分类结果更可靠、更准确。

基于快速稀疏低秩和鲁棒主成分分析的图像处理算法的研究

实际的稀疏低秩处理图像过程中,在视觉显示效果没有很大的差异的情况下,算法的时间复杂度是唯一的一个评价指标。我们发现快速交替极小化(FAST PCP)和鲁棒主成分分析(RPCA)的结合是比较快速、比较有效的利用CPU的高效稀疏低秩处理图像的方法,并且在无法保证计算机配置的情况下,其运算速度也是最快的。在课题中,将Steffensen迭代法用于改进FAST PCP,由此得到的结果较普通版本的FAST PCP和RPCA更加好。

基于稳健主成分分析与核稀疏表示的人脸识别

针对现有人脸识别方法难以有效抑制噪声和误差干扰(如光照、遮挡和表情等)的问题,提出一种基于稳健主成分分析的核稀疏表示分类算法。利用稳健主成分分析将各类训练样本转化为低秩矩阵和误差矩阵之和,并运用这2个矩阵构成稀疏表示的冗余字典。将核稀疏表示问题通过矩阵变换转化为常规的稀疏表示问题,采用正交匹配追踪算法求解该问题得到稀疏表示系数。通过稀疏表示系数计算每个类的重构误差,从而实现人脸识别。实验结果表明,与SRC,ESRC等算法相比,该算法具有较高的人脸识别率,且对噪声和误差干扰有较强的适应能力。

基于形态成分分析的压缩感知和局部相似性校正的面波压制方法

基于压缩感知稀疏反演框架,采用形态成分分析理论(MCA)对含面波的单点采集地震数据进行信噪分离。对于低信噪比的深层弱反射信号来说,面波的稀疏表征中会含有部分残余反射能量。进一步采用局部相似性去噪技术,用分离的面波和压制面波后的反射信息计算相似性因子,提取出稀疏表征面波中的反射波成分,再将与稀疏表征的反射信号加权叠加,获得最优的分离掉面波的结果。典型模型和实际数据测试验证了本文方法的有效性和适用性。结果表明,该处理流程既分离了面波,又提高了反射信号的保真度。

相参处理间隔较短条件下基于稀疏重构及形态成分分析的航管雷达风电场杂波抑制

近些年来,世界各国越来越重视风力发电的发展。风电场的存在可能对航管监视雷达性能产生负面影响,因此风电场杂波抑制技术的研究对于提升航管监视雷达工作性能、保障空中交通安全具有重大意义。形态成分分析(MCA)算法根据信号稀疏特征的不同应用于风电场杂波抑制时,计算量较低且性能较好。但是针对实际雷达参数中相参处理间隔(CPI)较短造成的谱分辨率降低及信号特征不明显时,MCA算法的杂波抑制性能受到影响,因此选择将稀疏重构算法与MCA算法结合用于短CPI情况下的风电场杂波抑制。该文认为短CPI接收回波数据为较长CPI雷达回波数据基础上发生尾部数据缺省,继而利用稀疏重构算法对缺省数据进行恢复,再利用MCA算法抑制风电场杂波。实验结果验证了该方法的有效性。

基于图和稀疏主成分分析的多目标显著性检测

针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,同时,在超像素分割的基础上构造全连接图,并计算超像素级的显著图.然后,利用目标先验知识提取并优化超像素显著图的显著性区域,采用稀疏主成分分析提取优化后的显著性像素点的主要特征,获取相应尺度的显著图.最后,将多个尺度下的显著图进行融合得到最终的显著图.该方法充分利用了超像素与像素显著性计算的优势,在提高检测速度的同时获得更高的检测精度.在公开的多目标数据集SED2和HKU_IS上进行实验验证,结果表明:该方法能够有效检测出复杂背景下的多个显著目标.

基于线性聚类的稀疏成分分析及其在盲源分离中的应用

提出一种基于线性聚类的稀疏成分分析法,给出相关理论证明和实现算法.该方法充分利用稀疏源信号的线性混合信号沿混合矩阵列向量方向线性聚类的特性进行盲源分离.实验结果表明,在独立成分分析失效的情况下(源信号相关或高斯分布)仍然能够有效地分离出潜在的稀疏源.对分离出的信号及源信号进行相关系数分析,分离出的信号与源信号完全线性相关.基于线性聚类的稀疏成分分析法能准确地重构稀疏源信号.

脑电信号成分稀疏分析范式及其可行证明

稀疏分解技术作为一种可靠的信号处理与传输方法,在包括EEG的多种时变信号分析和处理领域得到了广泛的应用。在EEG信号的成分分析中,现有算法(ICA,EMD)等都存在分解结果与真实成分显著不符的情况,难以对实际成分的波形进行估计。本文在稀疏分解算法基础上,通过对样本稀疏分布情况进行度量,给出了一个经过改良的稀疏性能评价指标(SPI)并以此建立了一个新的成分分析范式和相应的优化函数,经过理论和实际证明,该范式在成分分析领域能比传统方法更有效地使分解结果趋向于真实成分,对EEG信号、乃至其他时变信号的成分解析都具有相当的积极意义。

基于稀疏主成分分析的图像噪声估计方法

实现数字图像中噪声参数的精确估计对提高图像处理的质量有重要意义。对被高斯白噪声所污染的图像进行稀疏主成分分析时,其部分主成分的负载向量的均值与高斯白噪声标准差呈现一定的线性关系。基于此特征,本文提出了一种快速精确的图像噪声估计方法。在该方法中,通过对高斯白噪声污染图像添加多种已知标准差等级的新的高斯白噪声以产生多幅新图像,然后对每幅图像进行稀疏主成分分析,并求取多个主成分负载向量均值。最后,通过求解一个超定方程组实现图像高斯噪声标准差等级的精确估计。实验结果表明,本方法在低噪声(δ0=5)到高噪声(δ0=70)条件下均具有较高的估计精度和较强的鲁棒性,在实际工程中具有一定的实用价值。

基于稀疏主成分分析和自适应阈值选择的图像分割算法

图像分割是机器视觉中的基础问题,基于阈值的图像分割算法依赖于参数调整,但参数调整容易受到局部最小值的影响且需要耗费大量时间,从而降低了分割算法的质量和效率。为了实现图像分割过程中的自适应阈值选择,提出了一种基于稀疏主成分分析和自适应阈值选择的图像分割算法。该算法首先利用稀疏主成分分析感知图像的噪声水平以自适应去噪,其次通过二维直方图感知图像的主干区域内容以自适应获得全局分割阈值,然后通过移动平均法的局部阈值分割算法对图像进行分割,最后将全局阈值分割和局部阈值分割图像结合,从而获得最佳的分割图像结果。在伯克利数据集上的仿真实验结果表明:相比传统的阈值分割算法,该算法在分割边缘的准确性和对噪声的鲁棒性上具有一定的优势,在主客观上均具有较好的分割效果,基于稀疏主成分分析的自适应阈值选择方法提高了图像的分割质量。

基于fused惩罚的稀疏主成分分析

本文旨在研究基于fused惩罚的稀疏主成分分析方法,以适用于相邻变量之间高度相关甚至完全相等的数据情形。首先,从回归分析角度出发,提出一种求解稀疏主成分的简便思路,给出一种广义的稀疏主成分模型——GSPCA模型及其求解算法,并证明在惩罚函数取1-范数时,该模型与现有的稀疏主成分模型——SPC模型的求解结果一致。其次,提出将fused惩罚与主成分分析相结合,得到一种fused稀疏主成分分析方法,并从惩罚性矩阵分解和回归分析两个角度,给出两种模型形式。在理论上证明了两种模型的求解结果是一致的,故将其统称为FSPCA模型。模拟实验显示,FSPCA模型在处理相邻变量之间高度相关甚至完全相等的数据集上表现良好。最后,将FSPCA模型应用于手写数字识别,发现与SPC模型相比,FSPCA模型所提取的主成分具备更好的解释性。