基于广义可扩展RPCA滤波的超快超声脑血流与功能成像方法研究

开发高分辨和高灵敏度的小血管可视化技术,对相关组织病变的早期诊断和治疗监测具有重要的临床意义。不同于传统聚焦超声,超快超声多普勒(μDoppler)成像技术凭借数千帧的成像帧率,可检测到小血流的瞬时变化。组织杂波滤除和噪声抑制对于μDoppler的成像质量至关重要。常用的杂波滤除方法为奇异值分解(SVD)方法,该方法利用信号时空相干性差异可快速实现组织杂波和血流信号分离,然而无法有效抑制噪声。本研究创新性提出了一种基于广义可扩展的鲁棒主成分分析(GSRPCA)的杂波滤除方法,使用Schatten p范数和lq范数来加强鲁棒主成分分析(RPCA)模型的低秩约束和稀疏约束,增强了小血流信号的提取能力。大鼠脑血流成像结果表明,GSRPCA能够提升功率多普勒成像中血管的成像质量,相较SVD提高信噪比约20 dB,且提高对比噪声比约10 dB。大鼠超声脑功能成像结果表明,GSRPCA能够提升小血管血容量动态检测的灵敏度。相关方法对超快超声成像杂波滤除的研究具有一定借鉴意义。

基于RPCA及低秩表示的气液两相流动图像中气泡图像分离研究

气液两相流中对气泡的测量研究是非常重要的,气泡测量技术中,如何实现气泡与背景分离是研究的重点问题。现有的测量技术大多采用图像二值化、边缘检测、图像滤波等方法来实现气泡信息的提取,而这些测量方法往往是存在不足的,仅仅针对单一图片或者需要人为手动选取。本文通过SVD(单值分解)和RPCA(鲁棒主成分分析法)对气液两相流中的气泡图像进行背景分离,其方法主要有两个特点:连续相关性和自动获取性。并提出逐行累加和逐列累加的方法,测量气泡的运动过程形态。研究表明,相比于原始的图像分离技术,利用RPCA运算,对气泡的定位、大小和速度表示都更准确。

基于RPCA低秩稀疏分解的循环频率检测方法

在强噪声干扰时循环频率的准确检测对于循环平稳信号处理有重要意义。该研究提出了一种低信噪比(signal-to-noise ratio, SNR)下将基于鲁棒主成分分析(robust principal component analysis, RPCA)的低秩稀疏分解技术应用于循环谱密度(cyclic spectral density, CSD)矩阵,从而进行循环频率检测的新方法。首先,采用RPCA将循环谱密度矩阵分解为表示噪声干扰的低秩矩阵和表示循环平稳特征的稀疏矩阵。随后,利用稀疏矩阵构造检测函数实现循环频率的自动检测。仿真结果证明了该方法在强噪声干扰下检测概率方面的优越性,并可根据检测各阶循环频率谐波的受试者工作特征(receiver operating characteristic, ROC)曲线为不同信噪比条件下选择检测阶数提供参考。为了进一步验证该方法在应用中的有效性,将该方法应用于滚动轴承的早期故障诊断中。滚动轴承加速疲劳寿命试验数据上的分析结果证明该方法能够在轴承早期故障阶段从低SNR的振动信号中准确检测出轴承的故障特征频率,实现轴承的早期故障诊断。

基于RPCA的地基SAR近距强耦合信号抑制算法研究

地基合成孔径雷达(GBSAR)是一种全天时全天候非接触式大面积区域高精度形变监测手段,在矿区、边坡、大坝等区域的监测具有广泛应用。在封闭空间监测站中对外场进行连续监测时,雷达接收的回波信号会受到封闭空间的强散射信号干扰。近距离强散射信号耦合到雷达接收端形成虚假目标,严重影响成像质量。该文提出使用RPCA算法,在距离多普勒域将回波信号分解为低秩和稀疏两部分,利用距离多普勒域耦合信号的低秩特性,以及场景信号的稀疏特性,将耦合信号与场景信号有效分离。不同于基于PCA的已有耦合信号抑制方法,RPCA对场景回波信号本身没有高斯分布假设要求,这一假设要求在实际中通常是不满足的。此外,该文提出基于相关性分析的RPCA正则化系数优化选择方法,以实现低秩与稀疏的较优分离。该文通过实际GBSAR数据处理验证了方法的有效性,相比于已有的基于PCA的算法,基于RPCA的耦合信号抑制方法能够在保留场景回波信号的同时更好地抑制耦合信号。

面向复杂场景的多通道慢速动目标稳健检测算法

针对鲁棒主成分分析(RPCA)算法在多通道慢速地面动目标指示(GMTI)中存在的高虚警以及对通道误差敏感问题,该文提出一种数据重构与速度合成孔径雷达(VSAR)-RPCA联合处理的方法。首先,通过样本挑选与联合像素法完成通道间数据精确重构;然后结合VSAR检测模式提出一种新的RPCA优化模型,通过采用交替投影乘子法对其进行求解得到空间频域的稀疏矩阵,进一步利用动目标与强杂波残余在空间频域通道的分布特性差异实现强杂波残余剔除与动目标检测;最后采用沿航迹干涉算法估计目标径向速度完成动目标重定位。相较于传统RPCA算法,所提算法在非理想强杂波背景下的虚警率显著降低。理论分析与实测实验验证了所提算法的有效性。

基于迭代对数阈值的加权RPCA非局部图像去噪

针对传统图像去噪算法的不足,提出了基于迭代对数阈值的加权RPCA非局部图像去噪方法,该算法首先根据图像的自相似性,对含有噪声的图像进行相似块匹配,获得低秩的相似块组矩阵,再构建RPCA模型,对模型中的低秩部分进行加权,利用迭代对数阈值的方法来求解目标函数.实验结果表明,无论是对于低噪声图像还是高噪声图像,都能够有效去除噪声,提高图像的峰值信噪比和结构相似指数,且能够很好的保持图像的结构纹理,图像视觉效果有明显改善.

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。

基于RPCA的纸病图像分割算法

针对实际纸病检测应用中采集到的图像分辨率越来越高,在图像处理过程中出现数据维数过大的问题,提出一种基于鲁棒主成分分析法(Robust Principal component Analysis,RPcA)的纸病图像分割算法,该算法将纸病图像对应的矩阵分解成稀疏矩阵和低秩矩阵。在后续检测中只需选取稀疏矩阵对应的图像进行检测就可以满足纸病检测的要求,有效减少了计算量,最终节省了整个纸病检测环节的检测时间。仿真结果表明,该方法可用于纸病图像的分割,并且具有良好的分割效果。

基于RPCA模型的红外与可见光图像融合

针对传统基于非下采样Contourlet变换图像融合方法易出现融合图像目标显著性较弱、图像失真以及纹理细节信息缺失的问题,本文提出一种基于RPCA分解模型的NSCT域红外与可见光图像融合方法。首先对红外与可见光图像进行RPCA分解,得到对应的稀疏矩阵;然后利用NSCT变换获取待融合红外与可见光图像的低频子带与高频方向子带,并分别采用基于稀疏矩阵和PCNN的方法求解待融合图像低频子带和高频方向子带的融合系数,再对融合后的图像低频和高频成分进行NSCT逆变换获取最终的图像融合结果;最后分别选取标准和真实场景测试图像集对本文方法和Contourlet、D-NSCT以及NW-P等代表方法进行实验测试对比。实验结果表明,本文方法图像融合结果的目标显著性明显增强,图像的边缘轮廓等细节信息更加丰富,有效地抑制了图像失真现象,相对于其它对比方法具有更高的融合精度和较好的鲁棒性。

基于全变分-核回归的RPCA运动目标检测方法

近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.

基于结构信息的RPCA图像去噪

图像在采集、存储和传输过程中不可避免地受到噪声攻击。鉴于无噪声图像对象形成的物理机理,在灰度图像中不同对象总是通过子块结构及其空间分布特性表征出来。子块结构具有某种规律或周期的像素变化,而噪声的分布表现出随机特性。为了在抑制噪声的同时保护对象结构,文中提出基于结构信息的鲁棒主成分分析(RPCA)图像去噪方法。该方法从高质量的图像集中提取结构信息样本,建立结构信息基元库,对不同结构信息基元集分别进行RPCA变换,挖掘其稀疏表示的变换核函数,用于图像去噪。实验表明,基于结构信息的RPCA图像去噪方法在去除噪声的同时,能有效保护图像的结构信息。

基于改进RPCA的连铸过程数据可靠性研究

连铸过程数据的可靠性是连铸二冷动态控制系统成功应用的前提。针对正常连铸冷却过程慢时变、非稳态和多输入多输出特性,提出了基于改进递归主元分析方法监控连铸二冷配水过程数据的可靠性,这其中包括了用于建模的协方差阵、主元和两种报警控制限的递归更新,并通过小波除噪消除样本数据的噪声和奇异点。现场数据仿真结果表明应用此方法进行连铸过程监控可以明显减少误报的发生。

基于箱式约束RPCA的运动目标检测

为克服运动目标检测中光照变化、阴影干扰等的影响,提出了一种具有箱式约束的鲁棒主成分分析方法,用于带阴影的视频运动目标检测。该方法建模时首先将输入的视频数据分解为低秩背景、稀疏前景与阴影3个部分;接着在传统鲁棒主成分分析模型的基础上对阴影变量施加箱式约束,利用Powell-HestenesRockafellar增广拉格朗日乘子法将上述约束转化为目标函数的惩罚函数项,推导了3个子问题的闭合解,并用交替方向法对模型进行求解;最后在公开数据集上对该方法进行了测试。实验结果表明,该方法能够在检测运动目标的同时去除阴影,场景适应性较好。

块核范数的RPCA分解与熵权类稀疏的壁画修复

针对图像修复过程中,颜色纹理光学属性分离不彻底,以及在稀疏表示图像修复时字典设计单一,导致壁画图像修复结果易出现结构不连贯和模糊效应等问题,提出了一种基于块核范数的鲁棒主成分分析(robust principal component analysis,RPCA)分解与熵权类稀疏的壁画修复方法。首先,采用提出的基于块核范数的RPCA图像分解算法,将壁画图像分解为结构层和纹理层,利用块核范数进行纹理矫正操作,克服了RPCA结构纹理分离不完全的问题。然后,提出熵加权k-means方法对结构层图像进行聚类,构建得到稀疏子类字典,并通过奇异值分解和分裂Bregman迭代优化的类稀疏修复方法,完成结构层图像的重构。最后,利用双三次插值算法实现对纹理层图像的修复,将修复后的结构层和纹理层进行融合,完成破损壁画的修复。通过对真实敦煌壁画数字化修复,实验结果表明,该算法能够有效地保护壁画图像的边缘和纹理等重要特征信息,无论从视觉效果还是从峰值信噪比等定量评价方面,提出的方法修复效果均优于比较算法,且修复执行效率更高。

一种基于RPCA的图像聚焦区域检测方法

图像聚焦区域检测是图像融合、计算机视觉等领域中的一个重要研究方向.聚焦区域属于图像中的显著性区域,但大部分显著性区域检测算法在提取图像聚焦区域是存在一定的问题,不能进行准确分辨和提取.针对现有方法的不足,该文利用近来受到广泛关注的RPCA(Robust Principal Component Analysis)分解技术,提取出能有效表征图像聚焦区域的稀疏特征矩阵,并结合多区域图像分割技术获得聚焦区域.实验结果证明了该文所提方法在获取聚焦区域上的有效性,此外,该文指出基于RPCA的图像分解技术有着广泛的用途.

基于改进RPCA的双基地MIMO雷达参数估计方法

针对冲击噪声下传统子空间类算法因接收信号二阶矩不存在而性能下降甚至失效问题,提出一种基于改进的鲁棒性主成分分析法(robust principal component analysis,RPCA)的双基地MIMO雷达参数估计方法。首先将复数信号转化为实数,以便RPCA算法进行处理;然后利用改进RPCA算法将低秩的信号矩阵和稀疏的冲击噪声矩阵分离,得到信号子空间;最后利用ESPRIT算法估计目标位置。仿真结果表明:改进RPCA算法避免了大规模的奇异值分解,复杂度较求解RPCA的传统算法有所降低,在噪声特征指数较低时较其它抑制冲击噪声的算法估计性能更好,且特征指数越低,效果越好,实现参数自动配对且无需噪声特征指数先验信息。

运动目标检测的l_0群稀疏RPCA模型及其算法

经典的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)目标检测算法使用l1范数逐一判别每一像素点是否属于运动目标,未能考虑到运动目标在空间分布的连续性,不利于提升运动目标检测的鲁棒性.本文提出了一种基于l0群稀疏RPCA模型的运动目标检测方法.首先运用Ncuts算法进行区域过分割,生成多个同性区域,将其作为群稀疏约束的分组信息;第二步构造基于l0群稀疏RPCA模型,运用群稀疏准则判别过分割后的各同性区域是否为运动目标,采用交替方向乘子算法对模型进行快速求解,约束过分割形成的同性区域具有相同检测结果,进而将背景环境和运动前景分离,能够更加准确地度量运动目标的区域边界,且对复杂的背景扰动更加鲁棒,达到了运动目标鲁棒检测的目的.

基于RPCA和视觉显著性的风机叶片表面缺陷检测

针对风机叶片表面缺陷检测问题,提出了一种基于鲁棒主成分分析(RPCA)和视觉显著性的表面缺陷检测方法。在RPCA的基础上,通过增加噪声项和考虑像素的空间关系,以利于缺陷的分割,即通过F范数正则项抑制高斯噪声和光照不均,利用Laplacian正则项约束像素的空间关系,以保持显著图中具有相似显著值且空间相邻超像素的局部一致性和不变性。首先,对输入的风机叶片表面图像进行超像素分割和特征提取,得到图像的特征矩阵;然后,利用改进的RPCA法得到稀疏矩阵,根据稀疏矩阵和视觉显著性方法计算出缺陷区域的显著图;最后,优化显著图并采用自适应阈值分割实现缺陷的检测。通过实验仿真和对实验结果定性定量分析,表明该方法具有较高的准确率。

基于局部熵参考预处理的RPCA红外小目标检测

以图像非局部相似性为基础,利用图像分块重组以获得低秩块图像,是将鲁棒主成分分析算法(robust principal component analysis,RPCA)应用到单帧图像红外小目标检测的基本方法。本文介绍了RPCA算法在单帧图像红外小目标检测的应用流程,分析了不同图像背景下各种分块方法的影响。为解决复杂背景下图像分块窗口和滑动步长难以选择的问题,提出了以图像分块最小局部熵的较大值为参考的选择方法。实验结果表明,通过计算图像的分块局部熵,以最小局部熵的较大值为参考,选择RPCA算法预处理方案,能使单帧红外图像小目标检测达到更好的效果,弥补了工程人员缺少RPCA算法应用经验的不足。

基于RPCA对高维数据子空间聚类的预测方法

预测子空间聚类PSC算法由于建立在PCA模型下,无法鲁棒地进行主元分析,导致在面对带有强噪声的数据时,聚类性能受到严重影响。为了提高PSC算法对噪声的鲁棒性,利用近年来受到广泛关注的RPCA分解技术得到数据的低秩结构,鲁棒地提取子空间,具体地,通过将RPCA模型融入PSC算法,提出了一种基于RPCA的预测子空间聚类算法。该算法在RPCA模型下检测强影响点,不但可以有效地进行变量选择和模型选择,而且更重要的是改善了PSC算法在噪声环境下的聚类性能。在真实基因表达数据集上的实验结果表明,改进后的算法较之经典的PSC算法无论在无噪声或加噪声环境下都表现出一定聚类优势及良好的鲁棒性。