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。

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。

视频背景分离中一种新的非凸秩近似的RPCA模型

视频背景分离以及前景提取广泛应用于场景分析、目标追踪等领域。而鲁棒主成分分析(RPCA)则是实现视频背景与前景分离的重要技术之一。但是,用核范数来近似秩函数的传统RPCA模型在处理含有较大奇异值的图像时效果并不理想。为了解决这一问题,提出一种新的非凸函数来近似秩函数,对基于核范数的RPCA模型进行改进,并应用增广拉格朗日乘子法求解改进的模型。实验结果表明,与传统的RPCA及现有的一些改进模型相比,提出的基于非凸秩近似的RPCA模型计算效率更高,且图像分离效果更好。

基于RPCA模型的P范数优化算法

在图像修复和视频处理中,低秩矩阵恢复有着非常广泛的应用.RPCA模型是低秩矩阵恢复的经典模型,其基本思想是将一个数值矩阵分解为一个低秩矩阵与一个稀疏矩阵和的形式再进行求解.然而,RPCA问题是NP难的,一个通用的处理方式就是将RPCA模型中矩阵的秩函数和0L范数分别松弛为矩阵的核范数和L_1范数,从而将其近似转化为凸优化问题来求解,但这种由凸优化近似方法得到的解在相对较弱的非相干性条件下会使原始问题的解退化.针对这个问题,本文首先提出一种更接近于原始问题的非凸近似模型,即用矩阵的Schatten-p范数和L_p范数(0<p<1)分别代替矩阵的秩函数和L_0范数,然后针对提出的非凸近似模型,进一步给出有效的优化算法,最后,在人工数据集和真实图像数据集上进行实验,结果表明,所提出的模型是有效的.

在线低秩表示的目标跟踪算法

针对传统的基于生成模式的跟踪方法对噪声及遮挡问题比较敏感,导致跟踪结果失败的问题,提出了以前几帧的跟踪结果作为观测矩阵,采用鲁棒的主元成分分析模型求解观测模型的低秩特征.当新的视频流到来时,不是把所有的跟踪结果矩阵作为观测矩阵.并提出了新的增量鲁棒的主元成分分析模型,采用增广拉格朗日算法求解新矩阵的低秩特征,并以此低秩矩阵在贝叶斯框架下建立跟踪模型,用恢复的低秩特征更新字典矩阵.将文中方法与其他6种跟踪算法在8种跟踪视频上进行跟踪对比.实验结果表明,所提出的方法具有较低的像素中心位置误差和较高的重叠率.

新疆哈密黄山地区多金属矿床遥感地质信息提取与找矿模式研究

东天山地区是我国重要的矿产资源远景区 ,蕴藏着金、铜、镍、钼等矿种 ,其独特的地理特点非常有利于遥感找矿研究。在分析黄山地区多金属矿床研究资料的基础上 ,利用ETM影像进行遥感找矿研究 ,拟建立适合该区的遥感找矿模式 ,实现该区快速、节省资源勘探目标。研究的方法步骤为 :首先对影像进行滤波处理提取区域构造信息 ,确定找矿远景区 ;进而利用与金属矿化有关的蚀变岩的ETM双峰波谱特性 ,采用比值主成分变换技术对已确定的成矿远景区进行蚀变信息提取 ,从而缩小勘探范围 ,确定勘探靶区 ,在此基础上建立该区多金属矿床资源勘查的遥感找矿模式。

基于低秩-稀疏联合表示的视频序列运动目标检测（英文）

对于固定摄像机的视频序列,假设背景具有低秩特征,动态前景具有稀疏特性,提出了一种基于低秩稀疏联合表示的运动检测方法。思路如下:通过图像预处理降低视频序列的噪声;估计连续帧之间的光流,生成二进制运动掩模作为运动权重矩阵;基于子空间学习理论,建立了低秩背景与稀疏前景的优化模型;利用ADMM-BCD迭代算法得到视频背景和前景。实验结果表明,该方法优于其他同类运动检测方法,对慢速运动目标检测效果良好。

不完全鲁棒主成分分析的正则化方法及其在背景建模中的应用

针对现有的鲁棒主成分分析(RPCA)方法忽略序列数据的连续性及不完整性的情况,提出了一种低秩矩阵恢复模型——正则化不完全鲁棒主成分分析(RIRPCA)。首先基于序列数据连续性的度量函数建立了RIRPCA模型,即最小化矩阵核范数、L1范数和正则项的加权组合;然后使用增广拉格朗日乘子法来求解所提出的凸优化模型,此算法具有良好的可扩展性和较低的计算复杂度;最后,将RIRPCA应用到视频背景建模中。实验结果表明,RIRPCA比矩阵补全和不完全RPCA等方法在恢复丢失元素和分离前景上具有优越性。

基于低秩稀疏分解的自适应运动目标检测算法

传统的低秩稀疏分解方法使用l1范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形(例如水面波纹、树木摇动),l1范数并不能区分出这些干扰与真实目标,从而大大影响检测效果。实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性。通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律。同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高。

基于鲁棒主成分分析的多域联合杂波抑制算法

奇异值分解等传统算法在处理穿墙成像中的杂波抑制问题时,杂波消除不够彻底,目标成像质量不高,严重影响后续的目标检测与识别。为解决这一问题,该文基于鲁棒主成分分析理论,在回波域和图像域分别建立联合低秩稀疏模型,以光滑化快速交替线性化(SFAL)方法来求解模型,并对目标图像进行指数加权联乘多域图像融合处理,从而得到最终成像结果。仿真结果表明,该算法速度快、精度高,可有效改善目标成像质量,并能较好地满足穿墙成像的实时性和准确性要求。

基于多元统计分析的双电磁比例方向阀故障诊断

为了快速诊断电液伺服阀的故障,通过采集、区分这类数量繁多阀的各故障类别,提出基于多元统计分析的故障诊断模型。描述双电磁比例方向阀的原理和结构;建立一种基于PCA的决策故障诊断模型;以电流、电压、内漏等数据作为样本输入,以相对应决策结果作为输出;用MUTLAB仿真模拟结果,与以原始PCA算法建立的模型相比,本RPCA算法检测精度更高,训练速度较快。

低秩和主动形状模型的肺区分割

目的肺区分割是肺癌计算机辅助诊断系统的首要步骤。主动形状模型(active shape model,ASM)能根据训练集获得肺区形状模型,再结合待分割肺区影像自身的局部特征,进行测试影像的分割。由于主成分分析(principal component analysis,PCA)仅能去除服从高斯分布的噪声,不能处理其他类型的噪声,所以当训练集含有非高斯类型的噪声样本时,采用基于PCA的ASM无法训练出正确的形状模型,使得肺区分割不能得到正确的结果。而低秩(low rank,LR)理论的鲁棒主成分分析(robust principal component analysis,RPCA)能去除各种类型的噪声,基于此,本文提出一种将RPCA与ASM相结合的方法。方法首先对训练样本集标记点矩阵进行低秩分解,去除噪声样本对训练出的形状模型的影响。然后在ASM训练局部梯度模型时,用判断训练样本轮廓上的标记点曲率直方图的相似度来去除噪声样本。结果在训练集含噪声样本时,将基于RPCA的ASM与传统ASM(即基于PCA的ASM)分别生成的形状模型进行对比,发现基于RPCA的ASM生成的形状模型与训练集无噪声样本时传统ASM生成的形状模型更相符。在训练集含噪声样本的情况下,基于RPCA的ASM方法分割EMPIRE10数据集中的22个肺影像,与金标准的重叠度为94.5%,而基于PCA的ASM方法分割准确率仅为69.5%。结论实验结果表明,在训练样本集中有噪声样本的情况下,基于RPCA的ASM分割能得到比基于PCA的ASM更好的分割效果。