一种改进的字典学习的教室图像超分辨率重建方法

目前,教室的成像因受设备性能低和环境复杂的影响,会出现教学环境下对师生认识不全的情况。为了充分利用图像信息,全面细致地了解教学情况,文章提出一种改进的字典学习的教室图像超分辨率重建方法。通过采用字典学习算法训练自构的教室图像数据集得到对应的低秩字典和稀疏字典,使用训练的两个字典重建训练集图像,再参与训练,得到残差字典,然后运用训练得到的三个字典重建低分辨率图像,最终得到高分辨率图像。将提出的算法与几种经典算法进行对比实验,可视化和量化结果均表明,提出的算法在PSNR和SSIM上都获得了显著的提升。

考虑局部自相似性的土地复垦规划空间预测算法

土地复垦规划时土地图像存在较大噪声,且不同地区的土地复垦情况可能存在空间异质性,无法达到理想空间预测效果。为此,提出一种考虑局部自相似性的土地复垦规划空间预测算法。利用低秩逼近处理方法对噪声污染的观测矩阵的核范数低秩逼近,得到矩阵的最小核范数,实现土地空间图像去噪;利用局部自相似性计算土地再利用贡献值,以此建立空间预测模型,计算子区域内栅格与所选区域栅格差异程度;利用ArcGIS软件计算评价因子,以此划分等级,预测土地复垦规划空间。由实验结果可知,该算法预测的空间规划基本适宜度比例最大,其次是不适宜度、中度适宜度、临界适宜度,与理想规划结果一致。

基于非局部相似块低秩的压缩感知图像重建算法

传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(Nonlocal Self-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.

基于非局部低秩和加权全变分的图像压缩感知重构算法

为准确有效地实现自然图像的压缩感知(CS)重构,该文提出一种基于图像非局部低秩(NLR)和加权全变分(WTV)的CS重构算法。该算法考虑图像的非局部自相似性(NSS)和局部光滑特性,对传统的全变分(TV)模型进行改进,只对图像的高频分量设置权重,并用一种差分曲率的边缘检测算子来构造权重系数。此外,算法以改进的TV模型与NLR模型为约束构建优化模型,并分别采用光滑非凸函数和软阈值函数来求解低秩和全变分优化问题,很好地利用了图像的自身性质,保护了图像的细节信息,并提高了算法的抗噪性和适应性。仿真结果表明,与基于NLR的CS算法相比,相同采样率下,该文所提算法的峰值信噪比最高可提高2.49 dB,且抗噪性更强,验证了算法的有效性。

基于时间的局部低秩张量分解的协同过滤推荐算法

传统的推荐模型是静态的,忽略了时间因素。部分推荐算法虽然将时间因素考虑在内,但只是简单使用最近的数据或者降低过去数据的权重,这样可能会造成有用信息的丢失。针对这一问题,提出了一种考虑时间因素的局部低秩张量分解推荐算法。在传统的推荐算法的基础上,放松用户对项目的评分矩阵是低秩的这一假设,认为整个评分矩阵可能不是低秩的而是局部低秩的,即特定用户项目序偶的近邻空间是低秩的;同时又考虑时间因素,把评分矩阵看作是用户、项目和时间3个维度的张量,将传统的推荐算法延伸到张量领域。实验表明,所提算法能显著提升排名推荐性能。

基于非局部矩阵填充的文物修复技术研究

文物图像包含了丰富的内容,使用传统偏微分方法很难有效地恢复文物图像。为了有效恢复原图像,提出一种基于非局部矩阵填充的文物修复方法。该算法充分利用图像的冗余信息,在搜索窗口内,通过比较像素点周围一个矩形邻域内的多个像素点的相似性,找到一定数量的相似块转换为列向量,构成相似块组矩阵。由于相似块组矩阵为低秩或者近似低秩的,再通过矩阵填充的原理对损坏像素点进行填充修复。对于文物图像中出现的不同比例像素点丢失、有划痕、有文字破损的修复实验结果表明,该算法能够很好地保留结构细节信息,拥有较好的视觉特性,使目标轮廓边缘特征清晰,有效地恢复出文物图像的原貌,具有良好的修复能力。

基于低秩非局部稀疏表示的图像去噪模型

在去除加性高斯白噪声的过程中,为克服图像失真,提高图像视觉质量,使图像之间联系更加密切,本文提出了一种基于低秩非局部稀疏表示的去噪算法模型。在该模型中,首先通过PCA方法线训练字典得到稀疏字典集,然后用奇异值分解求解低秩问题,最后用欧拉-拉格朗日方法得到去噪图像的能量泛函,从而重构图像。仿真实验结果表明,提出的新算法不仅能克服图像失真,改善图像视觉质量,还提高了峰值信噪比和图像相似度。

基于低秩和局部约束矩阵估计的链接预测方法

在大数据时代,互联网社会网络和其他复杂网络中的链接预测问题研究成为热门领域。链接预测相关的方法已被广泛地应用于社会网络关系挖掘、个性化推荐和生物制药等领域。在链接预测问题中,通常使用相似性矩阵来表示网络中任意节点之间存在链接的可能性,因此相似性矩阵的计算是链接预测中至关重要的一步。近年来的研究中,大多数方法是基于已知网络中数据的分析,通过网络潜在结构设计机器学习算法构造相似性矩阵。在全局低秩的网络结构假设下,结合网络中节点特征的局部约束,提出了一种基于数据的链接预测优化算法,并针对复杂网络数据链接预测问题设计了可扩展的分治方法,便于分布式环境中对大规模数据进行求解。通过在多个真实数据集上的实验和结果分析,基于低秩结构和局部约束矩阵估计的链接预测分治方法能够取得较好的效果,并对复杂的网络结构数据具有较强的可扩展性。

基于非局部双边随机投影低秩逼近图像去噪算法

该文提出一种基于非局部双边随机投影的低秩逼近图像去噪新方法。首先,对每个图像块通过非局部搜索寻找相似匹配块簇,然后对相似匹配块簇进行双边随机投影,用投影后的低秩结构恢复原图像。实验结果表明,所提方法比奇异值分解方法有较低的计算复杂度,比单边随机投影方法有较小的重构误差。特别是和3维块匹配方法相比,所提方法能保持相近的信噪比和较好的视觉质量。

基于非局部的图像去噪方法的发展现状综述

通过对图像的相似块做处理从而达到去噪目的,是当前较为新颖的去噪方法,在对国内外利用相似块去噪文献进行理解和分析的基础上,回顾相似块去噪研究的发展,阐明相似块去噪的原理,并总结了相似块去噪的各种方法。最终基于对相似块去噪方法的分析,提出了对其研究方法的展望。

基于全局约束的局部融合线性嵌入算法的轴承故障诊断

提出一种基于全局约束的局部融合线性嵌入方法,该方法首先在原始空间对数据进行低秩约束,捕捉数据的全局子空间结构,同时去除数据噪声;其次分别在低秩子空间和原始空间中挖掘数据的两种几何结构;然后,通过重构误差评估两种结构的重要性,实现两种结构的线性融合;最后,构建数据的低维重构函数,完成数据显著特征的提取。在标准的轴承数据集与实验室采集的数据集上进行验证,结果表明:所提方法能够很好地利用数据的全局信息以及局部重构信息,更具鲁棒性,故障识别率也得到了相应的提高。

基于非局部相似及加权截断核范数的高光谱图像去噪

受仪器噪声干扰,高光谱图像(Hyperspectral Image,HSI)往往会受到高斯噪声的破坏,严重影响图像后续处理的精度,因此图像去噪是一项重要的预处理工作。此外,由于高光谱数据维度极高,因此算法效率成为模型应用能力的重要指标。为实现高效HSI去噪,文中首先将高维高光谱图像投影到低维光谱子空间上,从中学习一个正交基矩阵,然后结合高光谱的空间非局部相似性与全局光谱低秩性对低维子空间进行去噪,最后将复原后的低维图像与正交基结合恢复成原始数据维度。其中,非局部去噪过程要先通过图像的非局部相似性以邻域匹配方法寻找相似张量块组成具有强低秩属性的张量群组。针对各张量群组,文章联合加权核范数与截断核范数各自的优势,提出加权截断核范数作为低秩约束正则项,能更好地逼近本质秩属性。进一步,为快速获取模型的最优解,提出改进的近端加速梯度(Accelerated Proximal Gradient,APG)算法对低秩项进行优化求解。通过两组高光谱图像和一组多光谱图像对所提算法进行实验验证,结果表明,所提方法在视觉效果和时间效率上取得了良好的平衡,综合性能明显优于其他基于非局部去噪的对比算法。

基于剪切波和低秩稀疏表示的噪声图像融合算法研究

多源图像在获取和传输过程中不可避免地会引入一些噪声,如何利用有效的数学工具和方法设计具有抗噪声的图像融合算法特别受到关注.提出了一种基于剪切波多尺度变换和低秩稀疏表示的图像融合去噪算法.首先对两幅多聚焦噪声图像进行剪切波变换,对变换后获得的低频子带采用基于区域能量匹配度的融合规则;而对所获得的高频方向子带则采用低秩稀疏表示的融合规则,即分别通过低秩准则和稀疏准则来捕捉高频子带的整体结构和局部结构信息,同时对经过低秩稀疏分解所获得的噪声矩阵进行去噪.大量实验表明,所提出的方法可有效实现多聚焦图像的融合,更好的保留了图像的细节纹理信息,同时能够很好地对源图像中的噪声进行去除,使融合后的图像更加清晰.

基于快速低秩编码与局部约束的图像分类算法

针对快速低秩编码算法存在特征重建误差较大,以及特征间局部约束条件丢失的问题,提出一种强化局部约束的快速低秩编码算法。首先,使用聚类算法对图像中特征进行聚类,得到局部相似特征集合及其对应的聚类中心;其次,在视觉词典中采取K最近邻(KNN)策略查找聚类中心对应的K个视觉单词,并将其组成对应的视觉词典;最后,使用快速低秩编码算法获得局部相似特征集合对应的特征编码。改进算法在Scene-15和Caltech-101图像库上的分类准确率比快速低秩编码算法提高4%到8%,编码效率比稀疏编码算法提高5~6倍。实验结果表明,改进算法使得局部相似特征具有相似编码,从而更加准确地表达图像内容,能有效提高分类准确率及编码效率。

正则化技术和低秩矩阵在稀疏表示超分辨率算法中的应用

为了有效地利用图像的特征作为指导重建的先验知识,解决常规超分辨率算法对边缘与结构等细节恢复不足的问题,提出一种改进的超分辨率算法.对待重建图像进行低秩分解,得到不同特征的低秩子图像和稀疏子图像;对于低秩子图像,提出采用基于正则化技术的稀疏表示超分辨率算法进行重建,先通过在低秩子图像中寻找相似图像块构造非局部相似正则化项,得到图像的非局部冗余,以保持边缘信息;再通过局部线性嵌入方法构造流形学习正则化项,获得图像的结构先验知识,以增强结构信息.对于稀疏子图像则不参与稀疏表示超分辨率重建,而是采用双三次插值法进行重建.实验结果表明,与其他算法相比,无论在主观视觉效果上,还是在峰值信噪比和结构相似性指标上,文中算法都有显著的提高.

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。

L1-2空谱全变差正则化下的高光谱图像去噪

针对高光谱图像的复原问题,提出了一种基于局部核范数最小化和全局L1-2空谱全变差正则化的高光谱复原模型.首先,将高光谱图像划分成局部交叠的三维图块,在提高局部低秩性的同时减少核范数最小化带来的信息损失;然后,建立稀疏表达能力更强的L1-2空谱全变差正则项,不仅能表示空间稀疏先验,而且还能发掘光谱稀疏先验;最后联合两者的优势,在局部上利用核范数最小化惩罚光谱低秩性,在全局上利用L1-2空谱全变差约束高光谱的空间和光谱稀疏性,建立新的高光谱图像复原模型.该模型不仅能够有效去除高斯噪声、脉冲噪声、死线噪声及其混合噪声,而且减少了对噪声独立同分布假设的依赖,能部分抑制与结构相关的噪声.通过对模拟的和真实的高光谱图像进行大量的实验仿真,并与经典的基于低秩和全变差的复原方法相比,本文模型复原结果的平均峰值信噪比提高1.36 dB,平均结构性相似指标提高0.004,而Q-测度降低1.35,平均光谱角降低0.64,复原精度大幅度提高.

基于非局部低秩和自适应量化约束先验的HEVC后处理算法

经高效视频编解码标准HEVC压缩后的视频在高压缩比、低码率的情况下存在明显的压缩效应。针对该问题,提出了一种基于非局部低秩(Non-local Low-rank,NLLR)和自适应量化约束(Adaptive Quantization Constraint,AQC)先验的HEVC后处理算法。该算法首先构造在最大后验概率框架下的优化问题,然后利用解码后的压缩视频和量化参数QP获取非局部低秩和自适应量化约束先验信息,最后利用split-Bregman迭代算法来解决所提的优化问题,从而有效去除压缩效应,提升重建视频质量。其中,非局部低秩先验通过构建基于相似块聚类的非局部低秩模型来获得;自适应量化约束先验通过联合不同量化参数QP下的约束特性与视频的DCT域块活动性来获得。实验结果表明,在同等码率的情况下,与HEVC标准相比,所提算法在帧内编码模式下可以达到平均0.2597 dB的PSNR提升,在帧间编码模式下可以达到平均0.2828 dB的PSNR提升。

基于四元数非局部低秩和全变分的图像混合噪声去噪算法

许多彩色图像去噪算法没有充分利用图像块间和颜色分量间的相关性,在去噪时丢失大量细节,容易导致颜色失真,从而影响后续处理.此外,真实的图像噪声通常是高斯-脉冲混合噪声而不是单一类型的,导致许多成熟的仅针对加性高斯噪声或脉冲噪声的去噪算法无法直接使用于真实场景.为解决这些问题,本文提出了基于四元数非局部低秩和全变分的图像混合噪声去除算法.该算法首先将彩色图像从空间域转换至四元数域,然后计算图像的非局部结构相似性和局部梯度,利用四元数域下的L1范数最小化模型,最终实现图像去噪.与现有的彩色图像去噪算法相比,该算法能更有效地保留图像块间、块内以及颜色分量间的相关性.去噪实验结果表明,本文算法在峰值信噪比和结构相似性上分别提高0.21~3.04 dB和1.51%~14.51%,并能在有效去噪和抑制伪影的同时,更好地保持图像细节和颜色信息,对噪声类型和强度变化更具鲁棒性.

基于快速三因子分解和组稀疏正则化的高光谱图像去噪

为了有效去除高光谱图像中噪声带来的干扰,提升图像质量,在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先,将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵,在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵,对核心矩阵添加L_(2,1)范数最小化约束;其次,对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束;最后,将低秩矩阵的三因子分解和全局组稀疏正则化结合,可以充分挖掘图像的局部低秩和稀疏的先验信息,并去除各种混合噪声。在三个数据集上与五种经典模型相比,该模型的各项评价指标更高,去噪图像保留了更多细节信息,去噪效果更好。