RGBD Salient Object Detection by Structured Low-Rank Matrix Recovery and Laplacian Constraint

A structured low-rank matrix recovery model for RGBD salient object detection is proposed. Firstly, the problem is described by a low-rank matrix recovery, and the hierarchical structure of RGB image is added to the sparsity term. Secondly, the depth information is fused into the model by a Laplacian regularization term to ensure that the image regions which share similar depth value will be allocated to similar saliency value. Thirdly, a variation of alternating direction method is proposed to solve the proposed model. Finally, both quantitative and qualitative experimental results on NLPR1000 and NJU400 show the advantage of the proposed RGBD salient object detection model. © 2017, Tianjin University and Springer-Verlag Berlin Heidelberg.

基于光易变性低秩正交先验的高光谱解混

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先,在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化,利用缩放因子来解决光谱类内易变性,同时增加光谱易变性扰动矩阵来解决谱间易变性。其次,该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性,通过采用核范数对数松弛来强化丰度矩阵的低秩特性,抑制微小分量及噪声。最后,采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明,本文所提算法取得了优于对比算法的良好性能,验证了该优化模型的有效性。

基于频率滤波张量鲁棒主成分分析的混响抑制

提出了一种混响抑制方法用于提高有源声呐对水下运动小目标的探测能力。根据固定部署的有源声呐多帧波束形成数据之间相关性强的特点,使用频率滤波张量核范数对混响的低秩性进行建模,并使用交替方向乘子法将声呐数据分解为包含稳态混响的低秩张量和包含动目标的稀疏张量。对于稀疏张量中存在的混响起伏干扰,进一步提出利用动目标回波与混响起伏在加权时空密度上的差异抑制混响。通过实测浅海混响数据验证了所提方法的有效性,结果表明该方法能够有效抑制稳态混响和混响起伏,提高有源声呐的小目标探测能力。

红外图像的目标检测研究

红外搜索与跟踪系统被广泛应用于现代国防中针对远距离目标的检测、跟踪及预警。但是,该统检测的目标一般为尺寸较小且模糊的点状结构通常难以辨别,一种基于图像中目标与背景局部结构的差异性,采用NRAM模型实现的方法可以对单帧红外图像中的小目标进行有效检测。

压缩感知及其应用:从稀疏约束到低秩约束优化

压缩感知(或称压缩采样)是国际上近期出现的一种信息理论。其核心思想是只要某高维信号是可压缩的或在某个变换域上具有稀疏性,就可以用一个与变换基不相关的测量矩阵将该信号投影到一个低维空间上,然后通过求解一个最优化问题以较高的概率从这些少量的投影中重构出原始信号。压缩感知理论突破了香农定理对信号采样频率的限制,能够以较少的采样资源,较高的采样速度和较低的软硬件复杂度获得原始信号的测量值。该理论已经被广泛应用于数字相机、医学成像、遥感成像、地震勘探、多媒体混合编码、通讯、结构健康监测等领域。本文归纳了压缩感知研究中的关键问题,探讨压缩感知从稀疏约束到低秩约束优化的发展历程,对压缩感知在遥感、地震勘探等几个相关领域的应用研究进行了综述。

基于改进的RPCA人脸识别算法

针对人脸识别中存在遮挡、光照、表情变化等问题,提出了一种基于改进的鲁棒主成分分析的人脸识别算法,它利用人脸的稀疏误差成分准确判断出人脸图像之间的差异。该算法首先对人脸进行低秩恢复,得到表示人脸普通特征的低秩分量和描述人脸差分信息的稀疏误差分量,然后定义稀疏度和平滑度两种描述符来表示稀疏误差分量的特征,最后联合上述两种描述符对人脸图像进行分类判别。实验结果表明,在光照条件和遮挡区域随机的情况下,提出的采用误差图像进行分类判别的算法在处理遮挡、光照、表情变化等人脸识别问题上均具有优越的识别性能。

一种基于非负低秩稀疏图的半监督学习改进算法

该文针对基于非负低秩稀疏图的半监督学习算法不能准确地描述数据结构的问题,提出一种融合平滑低秩表示和加权稀疏约束的改进算法。该算法分别对经典算法的低秩项和稀疏项进行改进,准确地捕获了数据的全局子空间结构和局部线性结构。在构建目标函数时,使用对数行列式函数代替核范数平滑地估计秩函数,同时利用形状交互信息和有标签样本的类别信息构造加权稀疏约束正则项。然后通过带有自适应惩罚的线性交替方向方法求解目标函数并采用有效的后处理方法重构数据的图结构,最后利用基于局部和全局一致性的半监督分类框架完成学习任务。在ORL库,Extended Yale B库和USPS库上的实验结果表明,该改进算法提高了半监督学习的准确率。

动态背景下基于低秩及稀疏分解的动目标检测方法

针对背景运动引起动目标检测精度显著下降的问题,该文提出一种基于低秩及稀疏分解的动目标检测方法。所提方法首先引入伽马范数(γ-norm)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值从而导致所得最小化问题无法获得最优解进而降低检测性能的问题,而后利用L1/2范数抽取稀疏前景目标以增强对噪声的稳健性,同时基于虚警像素所具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素,进而构建目标检测模型。最后利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法对所得优化问题求解。实验结果表明,与现有主流算法对比,所提方法可显著改善动态背景情况下动目标检测精度。

挖掘高层语义信息的电力设备图像显著性检测

针对现有电力图像识别准确率有待提高的问题,文章提出一种电力设备图像显著性检测框架。首先提取图像的低层语义信息,选择关键特征;其次利用神经网络对超像素分割图像训练得到表征显著度的概率矩阵;然后根据图像内部结构化特性提出基于惩罚因子的结构化稀疏约束:对大概率成为显著目标的像素块用小因子惩罚,反之用大因子惩罚;最后利用判别字典实现目标背景分离。利用电网平台监控数据进行对比实验,结果表明文章的框架能够高效提取目标。

自适应非局部低秩的图像压缩感知重构算法

针对传统非局部低秩的图像压缩感知重构算法忽略图像结构特征,导致图像重构效果不理想的问题,提出一种自适应非局部低秩的图像压缩感知重构算法,充分考虑图像自身结构特征和图像块间的强相关性。根据样本块的块结构稀疏度值设置阈值,自适应选取局部搜索窗口大小和相似块的数目;利用新的相似块匹配方法在给定搜索窗口内选取所需要的相似块,按列聚合成低秩矩阵;利用加权Schatten p-范数作为原始秩函数的逼近去求解矩阵秩最优化问题。实验结果表明,所提算法较对比算法在峰值信噪比和视觉效果上均有所提高,验证了其有效性。

多重约束非负矩阵分解的非平稳噪声语音增强（英文）

低信噪比非稳态噪声环境中的语音增强仍是一个开放且具有挑战性的任务.为了提高传统的基于非负矩阵分解(nonnegative matrix factorization,NMF)的语音增强算法性能,同时考虑到语音信号的时频稀疏特性和非稳态噪声信号的低秩特性,本文提出了一种基于多重约束的非负矩阵分解语音增强算法(multi-constraint nonnegative matrix factorization speech enhancement,MC–NMFSE).在训练阶段,采用干净语音训练数据集和噪声训练数据集分别构建语音字典和噪声字典.在语音增强阶段,在非负矩阵分解目标函数中增加语音分量的稀疏性约束和噪声信号的低秩性约束条件,MC–NMFSE能够更好地从带噪语音中获得语音分量的表示,从而提高语音增强效果.通过实验表明,在大量不同非平稳噪声条件和不同信噪比条件下,与传统的基于NMF的语音增强方法相比,MC–NMFSE能获得较低的语音失真和更好的非稳态噪声抑制能力.

基于张量低秩加稀疏模型的MRI重建方法

传统的基于压缩感知的磁共振(MRI)重建方法处理动态MRI数据时,需要将其向量化,但这种操作会在一定程度破坏数据内部的结构信息,从而有可能会降低重建质量.本文直接面向张量数据,建立了动态MRI重建的张量稀疏加低秩模型框架,并设计了一个基于交替方向乘子法(ADMM)的求解算法.实验结果表明,本文提出的模型和算法是有效的.

低秩和稀疏联合重建模型的加速算法

低秩和稀疏联合重建模型是近些年发展起来的处理信号重建或信号恢复问题较为有效的方法之一,诸多研究者的实验表明它比单独使用低秩或稀疏约束更为有效和鲁棒,但传统的求解算法存在速度较慢的问题,这在一定程度上限制了模型的应用.文章利用传统方法的加速版本,对磁共振图像重建中涉及的低秩和稀疏联合重建模型提出了一种新的快速求解算法,并利用动态磁共振图像重建的仿真实验说明了算法的有效性.

基于交替方向加权主成分追踪算法的性能分析

结构化矩阵重构是机器学习中的重要问题之一,矩阵补全是目前研究的热点,笔者重点研究了矩阵补全的推广形式,即矩阵是由低秩矩阵、稀疏矩阵以及噪声叠加而成。有学者已经从数值实验证明:基于交替方向加权主成分追踪算法重构效果优于基于交替方向主成分追踪算法,同时加权算法对白噪声更加稳健。笔者将从理论上推出此结论。

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。

基于稀疏和低秩先验分离的快速动态MRI重建

为了加速动态核磁共振成像的重建,并提取动态组织部分,提出一种基于将稀疏和低秩先验分离的重建方法。算法利用鲁棒主成分分析法,将动态MRI看做静态背景和动态组织的合成,建立相应的低秩矩阵和x-f域稀疏模型,再通过交替方向拉格朗日乘子法求解优化问题。与经典的k-t FOCUSS算法和k-t SLR算法进行对比,提出的算法能保证重建质量,即峰值信噪比(PSNR)、结构相似性(SSIM)等评价指标。实验结果表明,该算法能实现快速动态MRI的成像,减少运动伪影,同时更利于提取动态信息。

低秩先验引导的无监督域自适应行人重识别

无监督域自适应行人重识别在智能监控中发挥着重要作用,并引起了研究者的广泛关注。尽管目前的研究已经取得了较大进步,但不同数据集之间的域偏移问题给行人重识别带来极大挑战。研究发现,在连续时间里,同一摄像机视角下的行人图像具有相同的风格,如果将这种风格信息从行人图像中分离出去,将有效缓解由图像风格差异引起的域偏移问题。为此,提出一种低秩先验引导的域不变信息分离的字典学习方案。根据风格信息的低秩先验性,将行人图像特征中的风格信息和行人身份信息分离开来,根据同一身份行人属性的域不变性建立视觉特征与属性之间的联系,缓解域偏移所带来的影响,通过自训练策略来调整学习参数。实验表明,方法的性能在很多数据集上超过了传统的无监督域自适应行人重识别方法以及部分基于深度学习的无监督域自适应行人重识别方法。

基于稀疏与低秩的核磁共振图像重构算法

已有的基于压缩感知的核磁共振图像重构算法仅利用了数据的稀疏性或矩阵的低秩性,并没有充分利用图像数据的相关性先验知识。针对这一问题,提出了一种新型的应用于二维核磁共振图像重建的算法模型。与传统的单一利用原始数据的稀疏性或矩阵低秩性进行重建的方法不同,该方法同时利用了图像数据的稀疏性与矩阵的低秩性。矩阵低秩部分使用应用赤池信息量准则的奇异值分解阈值方法,数据稀疏部分使用全变分作为稀疏变换基。实验结果表明,该方法在相同的采样率下与应用赤池信息量准则的奇异值分解阈值方法、全变分方法和奇异值分解阈值方法相比大大提升了重建图像的质量。

高光谱协同稀疏与非局部低秩张量变化检测

高光谱图像变化检测可提供地球表面的时间维变化信息,对城乡规划和管理至关重要。因具有较高的光谱分辨率,高光谱图像常被用于检测更精细的变化。针对高光谱变化检测的问题,提出一种基于协同稀疏与非局部低秩张量的高光谱图像变化检测方法。该方法首先求得前后时间点的高光谱差分图像,再根据差分图像中图像块的非局部分布特点,提取不同的非局部张量簇。然后基于协同稀疏正则化和低秩正则化建立协同稀疏与非局部低秩张量变化检测模型,并采用交替方向乘子法对模型求解得到表示系数。最后根据表示系数求得张量在不同类别中的投影残差,进而根据投影残差最小准则判断该张量块是否发生变化。在Farmland数据集和Urban area in San Francisco City数据集上进行实验,实验结果表明该方法取得较好的高光谱变化检测精度。

张量低秩表示和时空稀疏分解的视频前景检测

针对视频中前景检测的问题,提出了一种基于张量低秩表示(Tensor Low-Rank Representation,TLRR)和时空稀疏分解的检测方法。由于视频序列中的前景除具有稀疏性外,本身还具有空间上的连续性以及时间上的持续性,本文提出采用时空稀疏范数对前景特性进行深入发掘。利用张量低秩表示方法将原始视频用张量形式进行分解,充分利用了原始数据的行信息和列信息,且将原始的背景、前景二分解泛化为背景、前景和噪声的三分解,使用非精确增广拉格朗日乘子(Inexact Augmented Lagrange Multiplier,IALM)方法进行最优化求解,并对算法进行了分析。设计实验对本文新方法的有效性进行了验证和比较,并对影响算法效果的重要参数ρ进行了进一步研究实验。实验结果表明:该方法能够有效检测出视频中的运动前景,其准确性相对已有方法有一定提高。