一种新的K⁃SVD字典学习地震数据去噪方法

地震数据去噪是地震资料处理的关键步骤之一,高信噪比的数据是后续高质量处理和解释的基础。目前,已推出多种类型的去噪方法,其中稀疏表示方法虽具有利用较少的基本信号的线性组合表示大部分或者全部的原始信号,即充分挖掘数据中含有的信息,最大化利用数据的优点,但用于稀疏表示的K⁃SVD字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题。为了进一步优化解决这些问题,研发了一种新的用于地震数据去噪的K⁃SVD字典学习方法。首先,从样本数据中提取随机位置的块,并删除空白块,初始化字典;然后,进行字典学习,自适应地由地震数据本身特征构造出稀疏表示数据的最新字典;最后,利用学习到的字典对含噪地震数据分块进行去噪,对去噪后的块取平均处理再重构图像块得到去噪图像,完成地震数据的去噪。合成数据和实际数据的试验结果表明:所提K⁃SVD字典学习算法的去噪效果与当前用于稀疏表示的K⁃SVD字典学习算法相比,在信噪比、计算时间以及地震数据局部特征保持方面更有优势。

基于K-SVD字典学习的核磁共振图像重建方法

基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理。本文利用K-SVD字典学习算法并应用于MR图像重建。将字典学习等价于一个二次规划问题,学习得到的字典能有效描述图像特征。基于学习所得的字典,获得图像的稀疏表示,并重建原始图像。实验结果表明,与Zero-filling方法相比,本文的重建结果能更好地保留图像细节信息,获得更高的SNR值。

基于竞争聚集的K-SVD字典学习算法

在基于稀疏表示分类的模式识别中,字典学习可以为稀疏表示获得更为精简的数据表示。然而,字典大小是衡量识别精度和速度的重要因素,优化字典设计能同时满足这两方面的需求。文中提出了一种新的技术叫作基于竞争聚集的K奇异值字典学习方法(CA-KSVD)。该方法优化了字典的大小,并同时保证了识别的准确率。CA-KSVD将竞争聚集算法中优化簇数的原理引入K-SVD,从而提高了K-SVD的字典学习能力。优化过程从输入大量字典原子开始,逐步减少那些未充分利用或相似的原子,最后得到高性能的字典,它不再包含那些冗余的原子。Extend Yale B和AR人脸数据库上的实验结果表明了文中算法的有效性。

基于多尺度字典学习的图像融合方法

将小波域多尺度分析的思想和图像域单尺度稀疏表示的思想有效结合,提出基于多尺度字典学习的图像融合方法。首先将训练图像变换到小波域,分别对各个子带系数训练字典;根据训练的字典求解并融合源图像各个子带的稀疏表示系数;经过逆小波变换重构融合图像。提出的方法综合了学习字典的稀疏特性和小波分析的多分辨率特性。实验结果表明较现有基于图像域字典学习的融合方法和基于小波域多尺度分析的融合方法均具有更优的融合效果。

基于改进的字典学习算法的图像去噪方法

提出对基于MOD和K-SVD字典学习算法的图像去噪的两个方面的改进。在字典更新阶段,采用一种新的字典更新方式,在保持支集完备的同时寻找字典和表示法。在稀疏编码阶段,根据前一次追踪过程产生的部分系数进行修正和更新。分别对这两种改进进行了验证,并说明了如何进行更快速的训练以及取得更好的结果,实验结果证实了论文方法的有效性。

自适应学习字典的信号稀疏表示方法及其在轴承故障诊断中的应用

信号稀疏表示的过完备字典根据构造方式分为解析字典和学习字典两大类。解析字典结构固定,自适应性差。构建解析字典需要充分分析振动信号的振荡特性,获取充足的先验知识。学习字典摆脱了先验知识的桎梏,可以直接从信号中自适应地训练学习出来,自适应性强。结合信号保真能力较好的广义极小极大凹罚函数,提出了基于自适应学习字典的信号稀疏表示方法,改进了K‐SVD算法中样本训练矩阵的构造方式,减少了运算时间,并且利用软阈值算法弥补了学习字典对噪声抵抗性较差的缺点。最后在缺乏先验知识的条件下,分别在轴承的仿真信号和实验信号的分析过程中,运用所提出方法实现故障诊断。

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,提出了一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6 d B左右。重建图像在视觉效果上,也有一定程度的提升。

基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.

基于字典学习的图像稀疏去噪算法

针对图像稀疏去噪时采用固定字典稀疏效果不理想、去噪质量不高等问题,提出了基于字典学习的图像稀疏去噪算法。该算法首先选择初始化DCT字典,通过K-SVD算法对噪声图像样本反复迭代、更新得到字典,对图像进行稀疏表示,最后采用OMP算法对图像进行重构,得到去噪后图像。对不同类型和细节信息的实测图像,研究了采用DCT字典、基于自然图像训练字典和基于噪声图像训练字典的OMP算法的图像去噪性能,并设计仿真实验进行性能比较。仿真实验结果表明,基于噪声图像训练字典的图像稀疏去噪算法与其他两种算法相比去噪性能较好,具有自适应性。

基于稀疏表示字典优化的雷达高分辨距离像目标识别

提出一种基于K-SVD算法的优化自适应字典学习算法——相关性压缩分步K-SVD(Coherence reduced stagewise K-SVD,CRSK-SVD)算法,并将其应用于雷达高分辨距离像(High-resolution range profile,HRRP)目标识别。在该算法中,首先依据对字典原子使用效率的判断,自适应地删除冗余原子,添加更有效的原子;然后,通过限制原子间的互相关系数不超过设定阈值,删除部分原子,从而进一步缩减字典规模。相比于传统的识别算法,应用文中算法生成的字典规模更小,对原子的使用效率更高。另外,算法具有更好的识别性能,对噪声的鲁棒性更强。仿真实验验证了算法的有效性。

增强稀疏编码的超分辨率重建(英文)

本文提出一种基于稀疏字典编码的超分辨率方法。该方法有效地建立高、低分辨率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辨率重建。较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效。字典训练过程中,本文选用高频信息作为高分辨率图像的特征,更有效地建立高、低分辨率图像块间的稀疏关联,所需的训练样本更少。优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算效率。采用自然图像进行实验,与其它基于学习的超分辨率算法相比,重建图像的质量更优。