基于空谱字典的加权联合稀疏表示高光谱图像分类

稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题,提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离,选择相似度最高的K个字典原子,并将被选择字典原子的超像素邻域扩充到新的字典中,形成空谱字典。在联合稀疏模型中,对测试像元的超像素邻域像元使用不同的权重,在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。

基于一步字典学习的语音增强方法

为了提高增强语音的质量和减少运算时间,提出了一种基于一步字典学习（OS-DL）的去噪方法。首先采用OS-DL算法分别训练出纯净语言和噪声的幅度谱字典,接着采用一致性准则限制的批处理（LARC）算法对含噪语音谱进行稀疏表示,最后用得到的稀疏系数对纯净语音幅度谱进行估计,并结合含噪语音信号的相位重构纯净语音,实现语音增强。对高斯白噪声下不同信噪比的含噪语音进行仿真实验表明,基于OS-DL的语音增强方法在涉及质量的多项客观评价指标上都有较大改进,提升了增强语音的可懂性;与基于K-SVD学习字典的语音增强方法相比,OSDL的语音增强方法消耗的时间减少了150~200 s。