基于四方向交叠组合稀疏全变分的图像复原

传统全变分具有保存图像特征(边缘、纹理等)优点,但同时也伴随产生阶梯效应。针对此问题,论文提出一种四方向交叠组合稀疏全变分的新模型。首先将每个像素点在四个方向上的梯度信息加以组合,形成组合梯度,充分挖掘图像上四个方向的梯度信息,进一步抑制阶梯效应,全面消除噪声,提高复原后图像的质量,然后利用交替方向乘子算法(AD-MM)将复杂的优化问题分裂为较容易求解的子问题,并使用二维快速傅里叶变换(FFT)和优化最小化算法(MM)交替迭代求解子问题,提高了图像复原的运算速度。

基于分数混合阶的交叠组合稀疏全变分HFOGSTV去噪模型

针对全变分(TV)模型引起的阶梯效应,造成图像出现块状伪影的问题,提出了基于分数混合阶的交叠组合稀疏正则项全变分(HFOGSTV)去噪模型。考虑到交叠组合稀疏正则项与分数阶微分能够抑制全局以及局部的块状伪影的特点,将二者引入TV模型,可以较好地抑制阶梯效应。并引入高阶微分,提高模型的去噪效率,构建了基于HFOGSTV去噪模型。新模型采用交替方向乘子法(ADMM)分解为各个子问题进行依次迭代求解,并选择合适的参数。实验结果表明,HFOGSTV模型与非局部均值去噪(NLM)、TV和混合非凸高所交叠组合稀疏全变分(HNHOTV-OGS)模型相比,峰值信噪比(PSNR)分别提升7.2%、5.3%、1.9%,结构相似性(SSIM)分别提升6.6%、6.1%、3.4%,耗时分别减少89%、51%、45%,不仅有效抑制了阶梯效应,而且去噪效果更佳,运行时长大大降低。

基于交叠组合稀疏高阶全变分的图像复原

针对传统全变分进行扩展,提出了一种高阶全变分结合交叠组合稀疏的新算法,将像素级别梯度信息推广为高阶交叠组合稀疏梯度信息,更好地抑制了因全变分产生的阶梯效应并保存了图像边缘等细节信息。为了解决提出的图像复原新算法的优化问题,采用交替方向乘子算法(ADMM)来交替求解优化问题。将新算法与其他几种相关算法相比,并用峰值信噪比(PSNR)和结构相似性(SSIM)两个评价指标来评价图像复原后的质量,从而论证了新算法的优越性。

基于交叠组合稀疏全变分的图像去噪方法

全变分作为一种常用的去噪模型,在图像去噪中较好地保持图像边缘信息,但是容易产生"阶梯效应"。为了克服这个缺点,提出一种基于快速傅里叶变换的交叠组合稀疏全变分去噪模型。首先,充分考虑图像梯度的邻域结构相识性,通过交叠组合计算像素点的梯度,以凸显平滑区域的高噪声污染点和边界区域像素点的差异。然后,基于快速傅里叶变换和交替方向乘子算法在频域中求解去噪模型。实验结果表明,新模型在保护图像边缘信息的同时,有效去除噪声,同时抑制"阶梯效应"。与几种较好的去噪算法相比,新模型的峰值信噪比、结构相识度、视觉效果、计算效率均有明显提高。

基于交叠组合稀疏双正则项的全变分图像复原

为减少图像复原中产生的阶梯效应和边缘模糊现象,引入Hessian矩阵,设计带有交叠组合稀疏化的双正则项。采用一阶交叠组合稀疏的正则项保留边缘,同时采用二阶交叠组合稀疏的正则项缓解一阶正则项产生的阶梯效应;通过构造两个可分离算子最小化问题求解图像复原问题,在乘子交替方向法(ADMM)的框架下,得出求解各子问题的迭代形式,并提出新的复原算法。实验结果表明,峰值信噪比比传统方法至少提高了0.8dB,结构相似度指数最高达0.9,最低为0.72。新算法在去除噪声的同时,有效保留了图像纹理信息。

一种基于交叠组合稀疏全变分的图像去噪方法

全变分(Total Variation,TV)变换作为一种常用的稀疏变换模型,因其在保持图像边缘信息方面具有明显的优势,已经被应用到图像去噪问题中。然而,它通常会产生阶梯伪影。为了克服这个缺点,在该文中,我们引入交叠组合稀疏全变分(Overlapping Group Sparsity Total Variation,OGSTV)代替传统TV变换模型。为了求解该OGSTV去噪模型,我们提出一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和split Bregman算法的快速OGSTV去噪方法。实验结果表明,引入快速傅里叶变换理论后,图像去噪时间明显减少;与其他已有比较好的算法相比,可以获得更好的图像质量,阶梯效应明显改善。

一种快速交叠组合稀疏全变分图像去噪方法

交叠组合稀疏全变分(Overlapping Group Sparsity Total Variation,OGSTV)是一种能够比较有效地克服图像去噪过程中产生“阶梯伪影”问题的模型,但其求解方法在图像去噪性能和处理时间上仍存在一定的提升空间.本文在OGSTV模型基础上,提出一种利用快速傅里叶变换(FastFourierTransform,FFT)方法对SplitBregman求解算法进行优化的快速OGSTV图像去噪方法.实验结果表明:在采用SplitBregman优化算法的OGSTV模型中引入FFT后,不仅绝大部分提高了OSGSTV的图像去噪性能,而且明显减少了OGSTV对图像进行去噪所需的时间.

非稀疏多核组合的支持向量回归方法

为了改善支持向量回归机的性能,提出一种利用多核学习解决回归问题的算法(NS-MKR)。算法对基本核函数的组合系数施加了Lp范数的约束(p>1),以得到组合系数的非稀疏解,并采用了两步优化方法,首先求解基于加权组合核的标准支持向量回归问题,用于学习拉格朗日乘子,然后采用简单的计算,求得基本核函数的组合系数,这2个步骤交替进行,直到满足事先定义的收敛准则。在人工数据集和真实数据集上的实验表明,相对于传统的单核和稀疏多核支持向量回归方法,提出的算法有更好的泛化性能。

深度自编码与自更新稀疏组合的异常事件检测算法

基于深度学习的异常检测算法输入通常为视频帧或光流图像,检测精度和速度较低。针对上述问题,提出了一种以运动前景块为中心的卷积自动编码器和自更新稀疏组合学习(convolutional auto-encoders and selfupdating sparse combination learning,CASSC)算法。首先,采用自适应混合高斯模型(gaussian mixture model,GMM)提取视频前景,并以滑动窗口的方式根据前景像素点占比过滤噪声;其次,构建3个卷积自动编码器提取运动前景块的时空特征;最后,使用自更新稀疏组合学习对特征进行重构,依据重构误差进行异常判断。实验结果表明,与现有算法相比,该方法不仅有效地提高了异常事件检测的准确性,且可以满足实时检测需求。

基于深度学习和稀疏组合的异常事件检测方法

异常事件检测是智能视频监控中一个重要研究方向,在安防领域具有广泛应用前景。针对现有异常事件检测系统准确率低、特征提取困难、检测速度难以满足实际需求等问题,提出一种基于深度时空特征和稀疏组合学习的异常检测方法。该方法采用三维卷积网络对待处理视频的时序特征和空间特征进行深度学习,更好地利用视频中的时序信息提取运动特征,从而将检测准确率提高到93.7%。最后,采用稀疏组合学习利用提取得到的特征检测事件的异常,在异常事件数据库AVENUE和SUBWAY上对该方法进行了实验,在检测准确率和检测速度方面与现有方法进行了对比,40~55FPS的检测速度完全达到实时检测要求,实验结果表明了该方法的有效性。

基于自适应稀疏组合学习的异常事件检测

为了克服稀疏组合学习在检测过程中不能自适应更新的不足,提出自适应稀疏组合学习策略,充分利用当前检测视频的正常特征,再训练稀疏组合来更新当前组合。采用公共数据集AVENUE检测该算法的性能。与其他相关算法进行实验比较,表明该算法具有较高的正确率和较快的检测速度。

基于稀疏形状组合模型的左心室外膜图像分割

针对心脏磁共振成像中的左心室外膜分割,本文对稀疏形状组合模型(Sparse Shape Composition model,SSC)进行改进,并在此基础上提出一种基于先验的分割方法:首先根据改进稀疏形状组合模型对其进行定位;再使用形状约束GCV以定位结果作为约束形状进行初分割;之后使用改进稀疏形状组合模型对初分割结果进行去噪。实验结果表明,该方法能够对左心室外膜有效定位、分割,定位误差为2.74mm,分割误差为1.90mm。

基于卷积稀疏组合算法的轴承性能衰减评估

为有效监控与评估轴承工作状态,提出一种基于卷积稀疏组合算法评估方案;基于卷积神经网络框架建立轴承性能稀疏表示判别准则,并预测轴承的性能衰减程度;利用轴承衰减自相关函数,预判与轴承谱相关的密度条件,并在分析其他模型数值参量的基础上,验证评估方法的应用平稳性;选取退化指标作为实验对象,并通过分析相关的指标参数值可知,提出算法的评估结果可解释性强,能够较好维护轴承性能的衰减机制,影响系数值被控制在[-1,1]之间;在与传统算法的预测性能对比中,提出算法在两种状态下的偏差值分别为0.02和0.01,优于传统的轴承性能评估算法,同时在评估预测效率方面也具有一定优势。

禁止做空机制下基于光滑桥估计的稀疏投资组合

当目标指数包含大量成分股时,通常需要构造由少数成分股组成的稀疏组合来控制交易成本。然而,关于稀疏指数追踪的相关文献主要集中于禁止做空约束下的Lasso类估计方法。但是,Lasso类估计方法通常对大系数的惩罚过度,继而产生较大的估计偏差。桥估计是Lasso估计的推广,特别是当调节参数小于1时,其可以同时进行参数估计和变量选择。为此,引入桥估计替代Lasso估计来获取稀疏投资组合,从而实现同时进行股票选择和资本配置的指数追踪。为了更加适应股票数据的多重共线性,考虑在回归方程中引入L2罚项来增加所提方法的光滑性。模拟仿真表明所提方法相较于Lasso类估计方法在参数估计和变量选择方面表现得更好。最后,通过对上证50指数和标普500指数的追踪验证了所提方法的优越性。

基于全变分扩展方法的压缩感知磁共振成像算法研究

针对全变分算法在压缩感知磁共振成像(CS-MRI)重构过程中存在"阶梯效应"的问题,该文研究3种基于全变分扩展方法的CS-MRI成像算法,即高阶全变分、总广义变分和组合稀疏全变分,并将其与平移不变离散小波稀疏基相结合,建立稀疏模型,采用快速复合分裂算法求解CS-MRI重构的凸优化问题。同时,讨论了全变分及其扩展方法对两种不同磁共振图像数据和径向欠采样模式重构CS-MRI的精度。实验结果表明,基于全变分扩展的重构算法能有效解决全变分重建中存在阶梯效应的缺点;另外,相比高阶全变分和总广义变分重构算法,组合稀疏全变分方法具有更好的重建效果,获得更高重构信噪比。

基于回归函数结合局部自相似的单帧图像超分辨率算法

启发于过完备字典中稀疏线性组合的高分辨率图像的块与其对应的低分辨率局部块能很好地匹配,提出一种回归函数结合局部自相似的单帧图像超分辨率算法;该算法结合了实例图像块的学习和局部自相似图像块的学习,实例图像块的局部回归避免了从低分辨率到高分辨率图像块映射的病态性问题;通过局部自相似实例图像块学习获得非线性映射函数的一阶近似,从而获得低分辨率图像块相对应的高分辨率图像块,克服了实例图像块算法不足的问题;实验采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)和均方误差(Root-mean-square error,RMSE)比较各算法效果;从实验结果数据可以看出,大多数情况下,提出的算法具有最高的峰值信噪比和最低的均方根误差,从实验结果图可以看出,提出的算法的纹理保留的最好,图像自然性最好,且运行时间也少于其他几种较新的算法,表明提出的算法更适合用于解决实际问题。

面向组织病理学图像的颜色迁移算法

颜色迁移是组织病理学图像颜色预处理中的重要环节.为了解决颜色迁移过程中某些重要结构颜色改变的问题,在保结构颜色迁移(structure-preserving color normalization,SPCN)算法基础上融合聚类过程,并结合稀疏非负矩阵分解(sparse non-negative matrix factorization,SNMF)提出K均值稀疏非负矩阵分解基组合(K-means and SNMF basis combination,KSBC)算法.首先通过K均值算法对图像聚类,根据聚类中心识别细胞结构;然后求解稀疏非负矩阵分解模型得到染色基和结构矩阵,根据聚类结果对结构矩阵和染色基准确组合.KSBC算法承袭了SPCN算法的特性,又能灵活地迁移和保留原图像结构颜色.在组织病理学图像数据库中进行对比实验,KSBC算法在图像质量评估指标上优于直方图匹配,Reinhard,Macenko,SPCN和高阶矩算法,并提高残差神经网络的泛化性能.

基于超像素时间上下文特征的异常行为检测

为了更精准地定位拥挤视频中的异常行为,提出了基于超像素时间上下文特征的异常行为检测算法。特征表示阶段,对视频帧进行超像素分割,判断超像素是否属于前景。根据超像素的灰度直方图和位置信息找出其在相邻帧中最匹配超像素,计算最匹配超像素的多尺度光流直方图特征均值作为超像素特征,以增强超像素特征在时间上的联系。检测阶段,采用稀疏组合学习算法对超像素进行异常判断。实验结果表明,该算法在UCSD和UMN库上的检测效果优于现有异常检测算法。

Image denoising method with tree-structured group sparse modeling of wavelet coefficients

In order to enhance the image contrast and quality, inspired by the interesting observation that an increase in noise intensity tends to narrow the dynamic range of the local standard deviation (LSD) of an image, a tree-structured group sparse optimization model in the wavelet domain is proposed for image denoising. The compressed dynamic range of LSD caused by noise leads to a contrast reduction in the image, as well as the degradation of image quality. To equalize the LSD distribution, sparsity on the LSD matrix is enforced by employing a mixed norm as a regularizer in the image denoising model. This mixed norm introduces a coupling between wavelet coefficients and provides a tree-structured group scheme. The alternating direction method of multipliers (ADMM) and the fast iterative shrinkage-thresholding algorithm (FISTA) are applied to solve the group sparse model based on different cases. Several experiments are conducted to verify the effectiveness of the proposed model. The experimental results indicate that the proposed group sparse model can efficiently equalize the LSD distribution and therefore can improve the image contrast and quality.