RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法

针对现实场景中人脸局部遮挡导致的表情识别准确度较低的问题,提出一种RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法。将人脸图像通过多支路卷积运算和空洞卷积模块来获取丰富的表情特征,基于Asm-CBAM卷积注意力机制划分人脸表情特征的权重并进行多特征融合,随后堆叠密集残差模块,从多通道中自适应提取人脸特征信息,通过Asm-CBAM卷积注意力机制提高网络对人脸关键特征的注意力。在此基础上,利用鲁棒稀疏表示分类器方法对表情进行分类。在人脸数据集FER2013和CK+上的实验结果表明,该方法的人脸表情平均识别精度分别达到79.86%和98.74%,与OAD Net算法相比,分别高出7.50和3.14个百分点,能够高效提取人脸表情特征。此外,在人脸被遮挡的情况下具有较强的鲁棒性,有效提高了在人脸遮挡情况下表情识别的准确度。

联合字典鲁棒稀疏表示的多聚焦图像融合

针对多聚焦图像融合中源图像未精确配准的问题,本文提出一种基于联合字典的鲁棒稀疏表示和形态学滤波相结合的多聚焦图像融合方法.该方法首先从源图像中分别得到不同的子字典,并将不同的子字典拼接成一个联合字典;接着使用联合字典对源图像进行鲁棒稀疏表示,分别得到稀疏系数X与重构误差E,并将两者的加权二范数和作为判别依据,以此得到初始的融合决策图;为了减少源图像未精确配准带来的融合误差,提高融合的鲁棒性,本文提出使用形态学滤波与高斯滤波对初始的融合决策图进行处理,从而获得最终的融合决策图;最后根据该融合决策图对源图像进行加权融合,获得融合图像.实验结果表明,该方法的融合结果无论从主观视觉效果还是客观定量评价,都优于一些主流的多聚焦图像融合方法.

基于字典学习的正则化鲁棒稀疏表示肿瘤细胞图像识别

针对胃黏膜肿瘤细胞图像的高维性及复杂性的特点,为了提高稀疏表示图像识别的鲁棒性,提出了一种基于字典学习的正则化鲁棒稀疏表示(RRC)肿瘤细胞图像识别方法。该方法首先将所有的原始染色肿瘤细胞图像转化为灰度图像;然后利用具有Fisher判别约束的字典学习(FDDL)方法对肿瘤细胞图像训练样本的全局特征进行字典学习,得到具有类别标签的结构化字典;最后将具有判别性的新字典用于RRC模型进行分类识别。RRC模型是基于最大后验概率准则,将稀疏保真度表示为余项的最大后验概率函数,最终识别问题转化为求解正则化加权范数的优化逼近问题。将提出的识别方法应用于肿瘤细胞图像的最高识别率为92.4%,表明该方法能够有效地实现肿瘤细胞图像的分类。

利用结构化和一致性约束的稀疏表示模型进行红外和可见光图像融合

红外和可见光图像融合作为图像融合技术中一个重要组成部分,被广泛应用于军事、工业和生活领域。它能够集成两种模态图像的互补信息,融合成一幅信息丰富、质量较好的图像,不仅能够突出目标信息,还能够保持源有图像的纹理信息和一些显著性的细节。本文提出一种新的红外和可见光图像融合方法,在鲁棒稀疏表示模型的基础上增加了结构化稀疏约束,同时结合了图像区域特征相似的一致性约束项,克服现有一些方法所存在的局部模糊和纹理细节丢失等问题,提高了图像融合的精度。本文主要构建了结构化稀疏表示与一致性约束模型,将其应用到红外和可见光图像融合中并进行了求解,将源图像分解为背景信息和显著性信息,再对背景和显著性信息分别设计融合规则,最后利用字典进行重构,获得红外和可见光融合后的图像。实验结果表明,本文提出的融合算法优于现有的一些多聚焦图像融合算法。