非局部联合稀疏近似的超分辨率重建算法

该文结合联合稀疏近似和非局部自相似的概念,提出非局部联合稀疏近似的超分辨率重建方法。该方法将输入图像的跨尺度高、低分辨率图像块统一进行联合稀疏编码,建立它们之间的稀疏关联,并将这种关联作为先验知识来指导图像的超分辨率重建。该文方法保证跨尺度自相似集具有相同的稀疏性模式,能更有效地利用图像的自相似性先验信息,提高算法的自适应性。通过自然图像实验,与其它几种基于学习的超分辨率算法对比,超分辨率效果有较好改善。

联合积分方程中的对称稀疏近似逆预处理器

提出一种针对联合积分方程(CFIE)的对称稀疏近似逆(S-SAI)预处理技术.将联合积分方程中的非对称矩阵改造成对称矩阵,使用Cholesky分解构造出联合积分方程的对称SAI(S-SAI)预处理器.数值实验结果表明,S-SAI预处理器的收敛性能与非对称SAI(A-SAI)相似,但是其构造时间比A-SAI的快32倍.

基于联合稀疏表示和同时稀疏近似的并行坐标下降去噪算法

针对并行坐标下降(Parallel Coordinate Descent,PCD)在音频信号去噪过程中的运行时间成本问题,构建一种新的时域处理框架,并在此基础上提出基于联合稀疏表示和同时稀疏近似的Joint-PCD算法。新的框架是将每个分割的音频帧作为一个列向量生成信号矩阵,利用超完备字典,Joint-PCD算法每执行一次是对一个音频信号(矩阵)而不仅仅是对一个音频帧(向量)实施去噪。仿真结果表明,Joint-PCD不仅具有与PCD相同的去噪性能,而且加快了算法的收敛。

启发式联合PCD快速降噪算法

基于稀疏冗余表示,并行坐标下降(PCD)是最优秀的降噪算法之一。然而在音频信号处理中,当分割的帧数很大时,PCD的计算负担加重,造成运行时间剧增。该文基于联合稀疏表示(JSR)和同时稀疏近似(SSA),建立一种新的时域框架,并提出了一种启发式联合PCD算法(Joint-PCD)。在该框架中,每个音频帧作为一个列向量生成信号矩阵;利用超完备字典,Joint-PCD同步(同时)对信号矩阵降噪,提高了算法的运行效率,减小了运行时间。仿真结果表明:Joint-PCD算法不仅与PCD具有几乎相同的降噪性能,且把PCD算法的降噪速度提高了约5倍,极大地改进了PCD算法的收敛性能。

基于联合稀疏近似的彩色图像超分辨率重建

针对常用的超分辨率(SR)算法中彩色图像的处理会出现彩色信息的丢失或处理结果色彩偏差较大的问题,提出基于联合稀疏近似(SSA)的彩色图像SR重建方法(SR-SSA)。将多通道数据进行联合稀疏编码(SC),并保证它们具有相同的稀疏性模式;同时考虑了彩色图像的各通道数据,并兼顾了它们之间的相关性,增强了先验知识的表达能力。本文方法有效地将高、低分辨率彩色图像特征块统一进行SC,建立它们之间的稀疏关联,并将这种关联作为先验知识指导图像的SR重建。通过自然图像实验,与其它常用的SR算法对比,SR效果有较好改善。

基于混合高斯分布的联合鲁棒稀疏贝叶斯学习结构损伤识别模型

损伤识别是结构健康监测的核心问题之一。基于混合高斯分布的鲁棒稀疏贝叶斯学习损伤识别模型(RSBLM-MoG),因利用混合高斯分布准确地量化损伤识别中的不确定性而得到了较好的损伤识别结果。然而,该模型在损伤识别中忽略了多组测试数据之间相似性信息的利用。为了进一步提高损伤识别精度,通过贝叶斯联合学习技术实现多组测试数据之间相似性信息的利用,提出基于混合高斯分布的联合鲁棒稀疏贝叶斯学习损伤识别模型(JRSBLM-MoG)和其相应的基于Laplace近似的期望最大化算法。平面桁架结构数值算例和固支梁试验研究结果表明:JRSBLM-MoG的损伤识别精度比RSBLM-MoG分别平均提高了7.61%和3.54%;JRSBLM-MoG可有效利用多组测试数据之间相似性信息提高损伤识别精度。

非局部学习字典的图像修复

该文提出一种新的基于学习的图像修复算法。与经典的稀疏表示模型不同,该文将非局部自相似图像块统一进行联合稀疏表示,训练高效的学习字典,并使自相似块间保持相同的稀疏模式。该方法既确保自相似块投影到稀疏空间后也具有相似性,也较好地保留了自相似块间的相关性信息,更有效地建立了它们的联合稀疏关联,并将这种关联作为先验知识来指导图像的修复。该算法使用大量自然图像样本来训练初始的过完备字典,既利用了样本图像的先验知识,又充分考虑了待处理图像本身的相关信息,自适应性强。通过对自然图像进行大﹑小范围图像修复和文字去除实验,该文方法均取得不错的修复效果。

基于块稀疏二维联合模型的双基地ISAR高分辨成像算法

为利用目标的块稀疏特性,提高双基地ISAR在有限数据条件下的成像性能,提出基于块稀疏二维联合模型的双基地ISAR高分辨成像算法。首先分析了二维联合成像中块稀疏结构,实际的双基地ISAR图像通常具有块稀疏结构的特点,因此图像中的散射点通常呈现出聚集的块稀疏结构;其次在二维联合高分辨成像时充分利用这一先验信息,将块稀疏二维联合成像问题转换为重赋权l1最小化问题;然后利用重赋权l1最小化框架进行迭代求解,每次迭代中的加权l1最小化问题利用CAMP算法求解;最后利用向量化算子的性质导出了矩阵形式的迭代重赋权算法,由前一次稀疏解对应的系数及其附近的系数实现权值的更新,提高了成像性能。基于电磁计算的双基地ISAR成像数据验证了所提算法能够提高块稀疏目标的重构性能。