基于非负矩阵欠逼近和剪枝技术的多结构几何模型拟合

鲁棒几何模型拟合是计算机视觉中一项非常重要且具有挑战性的研究问题.它已被广泛应用于人工智能领域的多个相关任务,如车道线检测、三维重构、图像拼接和运动分割等.鲁棒几何模型拟合的主要任务是从包含离群点和噪声的多结构数据中估计模型实例的参数和数量.然而,当前的模型拟合方法在拟合精度和计算速度上仍然无法满足实际场景中应用的需求.为此,该文提出一种基于非负矩阵欠逼近和剪枝技术的模型拟合方法,以提升模型拟合的性能.该文所提出的模型拟合方法包含误匹配剪枝算法、模型假设剪枝算法和改进的非负矩阵欠逼近算法.我们首先将误匹配移除技术引入到模型拟合中,以减少离群点对数据点采样过程的影响,进而减少生成无效模型假设的数量;接着我们利用模型假设剪枝算法来修剪无效的模型假设并选择有意义的模型假设,以构建一个高质量的非负偏好矩阵;最后,我们将空间约束和稀疏约束引入到非负矩阵欠逼近的优化问题中,并采用结构合并策略自适应地估计模型实例的参数和数量.在合成数据和真实图像上的实验结果表明,该文所提出的方法比当前一些有代表性的模型拟合方法具有更好的拟合性能和鲁棒性.在拟合精度上,该方法比T-Linkage和RS-NMU分别提升了约197.2%和47.7%.在拟合速度上,该方法比T-Linkage和RS-NMU分别快了约2.3倍和1.9倍,而且在三维重建任务的运行速度上比最新的拟合方法MCT快了约42.5倍.

L1/2正则化的逐次高光谱图像光谱解混

由于高光谱遥感图像的混合程度较高,使得传统的非负矩阵欠逼近(Nonnegative Matrix Underapproximation,NMU)算法所提取的基本成分仍然"不纯",且易受噪声影响。针对这些不足,提出了一种基于L1/2正则化的软阈值NMU逐次光谱解混算法。首先,通过引入丰度的L1/2正则项来增强算法的地物区分能力,进而提高所分离地物的纯度;其次,利用软阈值惩罚函数代替NMU中的残差非负约束,通过调节惩罚因子来控制非负元素的数量,从而提高算法的抗噪性能。在仿真数据和实测数据上的实验结果表明,即使在有噪声的条件下,该算法也能得到较好的分离结果。