基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

基于K-SVD算法的数字图像自适应修复方法

为了提升数字图像的完整性和清晰度,提出一种基于K-SVD算法的数字图像自适应修复方法。通过FCM算法将数字图像划分成不同的图像块,将不同类别的数字图像依据K-SVD算法的稀疏编码和字典更新模块进行训练,获取各个不同类别数字图像块的字典,求出其稀疏系数,结合字典和稀疏系数更新数字图像中的每一类图像块,完成数字图像中每一类图像块的修复或重构,将修复好的图像块放回原数字图像中,实现数字图像的自适应修复。实验结果表明,该方法能够有效地恢复图像的细节和结构,修复后的数字图像均方根误差低,并且具有较高的峰值信噪比,同时,修复后的数字图像与原图像的结构相似性高达0.95,且在数字图像修复效率方面具备显著优势。

K-SVD字典在航空伽马谱数据降噪中的应用研究

为降低航空伽马谱数据中的噪声,消除统计涨落对数据产生的影响,开展了K-SVD训练字典的降噪应用研究。根据稳定性测试所采集到的航空伽马谱数据,采用K-SVD训练字典进行了降噪实验,并将信噪比、皮尔森相关系数以及均方差等值作为降噪效果的评价指标,与NASVD以及S-G算法进行了降噪效果对比分析。实验结果表明,经过K-SVD字典降噪后的上下测窗谱数据与真值数据之间的相关系数分别达到了0.9983和0.9999,其整体降噪效果要优于NASVD与S-G算法。进一步利用不同降噪方法对实际测区数据进行处理,结果表明K-SVD算法能够有效滤除噪声并还原地质体特征。分析认为K-SVD算法能够有效降低统计涨落对原始波形带来的影响,在提升波形平滑性的同时使得数据的波峰波谷等特征得到较好的还原,在航空伽马谱数据处理中具有较好的降噪效果。

基于ELM改进K-SVD算法的多特征融合物体成像识别

通过极限学习机ELM算法改进K-SVD字典学习算法,并成功应用于多特征融合物体成像识别领域。研究结果表明:通过ELM算法,字典精确度和优势在处理后的提升效果均十分显著。不论是从计算效率还是计算准确率来看,改进的K-SVD算法表现出较佳优势。K-SVD算法性能可通过ELM显著提升,算法识别准确率在多特征加入后也相应快速增长。将较低分辨率的样本从图像中筛选出来,有利于减少傅里叶叠层成像数量。

基于压缩感知的缺失机械振动信号重构新方法

针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法。AQ-ADMM算法在经典交替方向乘子算法算法迭代过程中添加二次临近项,且能够自适应选取惩罚参数。首先在数据中心建立信号参考数据库用于构造初始字典,然后将K-奇异值分解(K-singular value decomposition, K-SVD)字典学习算法和AQ-ADMM算法结合重构缺失信号。对仿真信号和两种真实轴承信号数据集添加高斯白噪声后作为样本,试验结果表明当信号压缩率在50%~70%时,所提方法性能指标明显优于其它传统方法,在重构信号的同时实现了对含缺失数据机械振动信号的快速精确修复。

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。

改进K-SVD算法在曲轴轴承AE信号的去噪研究

针对柴油机曲轴轴承声发射(Acoustic Emission,AE)信号中裂纹特征信息微弱,易与噪声混淆等问题,在K-SVD字典对信号稀疏的基础上,提出一种均值信号改进的K-SVD字典的滑动轴承AE信号去噪算法。重组均值信号和扩展到K-SVD信号矩阵中,在实现K-SVD稀疏AE信号矩阵的同时,稀疏提取均值信号的裂纹信号,利用K-SVD处理前、后的均值信号提取其中的本底信号,并采用模糊加权均值滤波器对本底信号进行去噪,去除与裂纹信号混淆的噪声,最后根据信号矩阵、稀疏的裂纹信号和去噪后的本底信号得到低信噪比的AE信号。试验结果表明,所提算法有效去除了AE信号中易与裂纹信号混淆的噪声,使故障特征更加明显,成功刻画了滑动轴承不同摩擦状态间的变化。

基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法

针对当前稻飞虱图像分类研究中存在图像识别速度慢、分类精度低的不足,该文提出一种基于K-SVD和正交匹配追踪(orthogonal matching pursuit,OMP)稀疏表示的稻飞虱图像分类方法。首先,根据稻飞虱的趋光性特点,使用团队自主研发的野外昆虫图像采集装置自动获取稻田害虫图像;然后,利用K-SVD算法对稻飞虱图像特征的过完备字典进行更新构造,结合OMP算法对原始输入图像的特征信号进行稀疏表示;最后,通过求解输入图像的重构误差对昆虫图像进行分类。在相同的试验条件下,与传统的图像分类算法(SVM、BP神经网络)进行比较。实验结果表明,该文提出的基于K-SVD和OMP算法的稻飞虱图像稀疏表示分类方法可对稻飞虱与非稻飞虱进行快速准确的分类,分类速度达到6.0帧/s,平均分类精度达到93.7%。与SVM和BP神经网络相比,分类速度分别提高了5和5.5帧/s;分类精度分别提高了15.7和28.2个百分点,为稻飞虱的防治预警工作提供了信息与技术支持。

一种快速的K-SVD图像去噪方法

图像去噪作为图像处理过程一个重要的环节,直接影响图像进一步处理的效果.在图像去噪方法中,基于稀疏表示的K-means singular value decomposition(K-SVD)方法通过将图像表示成训练字典和稀疏系数两部分来有效分离噪声以达到去噪目的,具有很好的去噪效果.然而该算法包含了复杂矩阵运算,因而去噪速度较慢.本文提出的快速的K-SVD(SK-SVD)算法综合了均值滤波的速度快及K-SVD方法对图像细节处理好的优势,将噪声图像分为背景块集与内容块集两部分,对背景块集采用均值滤波方法去噪,内容块集用K-SVD算法去噪.为达到更高的去噪精度,首先对内容块集进行聚类,再对每一类分别训练稀疏字典去噪.实验结果表明,该算法在去除噪声时不但能很好地保留图像的细节,去噪效率也有显著的提高.

一种改进的基于K-SVD字典的图像修复算法

提出一种改进的基于K-SVD字典的图像修复算法.该算法基于稀疏表示,利用待修复图像内的有效信息,以不重叠像素的方式提取图像块,采用模糊C均值聚类算法对图像块进行聚类,并使用K-SVD算法分别对各类图像块进行训练,得到与各类图像块相适应的字典,重建图像块,修复受损图像.实验结果表明,该算法能提高图像的修复质量和图像的峰值性噪比,且均方根误差较小.

基于改进K-SVD字典学习的超分辨率图像重构

针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.

一种改进的K-SVD字典学习算法

提出了一种ALM-KSVD字典学习算法,通过稀疏编码和字典更新两步迭代学习得到训练样本的字典.为了提高字典训练速度与性能,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法.为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低.进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能.

K-SVD和OMP算法在超声信号去噪中的应用

针对在线采集时超声波检测信号中存在大量噪声,降低了材料内部缺陷诊断准确性的问题,提出了一种基于广义K+奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相结合的超声回波信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典,然后基于训练完成的超完备字典,用OMP算法把一定数量的字典原子进行线性组合来构成原始信号,从而实现信号的去噪。通过仿真实验将本文方法与传统的小波阈值去噪方法进行了对比研究。实验结果表明,该方法对超声回波信号的去噪效果优于小波阈值去噪方法,且噪声越大对比越明显,不仅可更有效地滤除信号中的高斯白噪声,提高信噪比,且尽可能保留了原始信号有用信息。

基于K-SVD基的林区监测站数据采集方法研究

基于K-SVD字典学习算法(K-singular value decomposition,K-SVD)的压缩感知技术应用在林区微环境监测站中,可极大地减少数据传输数量,从而降低监测站的使用能耗,延长监测站的使用寿命。本文选用空气温度作为实验对象,验证算法的可行性,并与前人提出的基于离散傅里叶变换基(Discrete fourier transform,DFT)的压缩感知方法进行对比实验。实验结果表明,当稀疏度k相同时,K-SVD算法的平均稀疏化误差始终小于DFT算法,且误差分布范围更加集中;当稀疏度和压缩率均相同时,K-SVD算法的平均重构误差也始终小于DFT算法,且误差分布范围更加集中。在林区微环境监测站中,K-SVD算法具有更好的稀疏表示性能以及重构性能,在降低相同系统能耗的同时,也降低了数据传输的误差。

基于K-SVD的医学图像特征提取和融合

医学图像融合能够综合两种不同模态图像的信息,从而帮助医生做出准确的诊断和治疗.利用稀疏表示进行图像的特征提取和融合.首先由原始图像组成联合矩阵,通过K-SVD算法得出这个联合矩阵的冗余字典并求出联合矩阵的稀疏编码;然后将稀疏系数作为图像特征,并采用最大化选择算法合并相对应图像块的稀疏编码;最后通过稀疏编码和冗余字典得到融合图像.与3种流行的融合算法比较,结果表明所提算法在无噪声和有噪声的情况下都具有很好的性能.

基于改进K-SVD算法在牛脸识别上的应用

为了适应精准畜牧业理念,提出了一种改进的K-SVD算法用于牛的个体身份识别。在K-SVD算法基础上,更改了稀疏编码阶段字典原子的选择方式,使算法更加适用于图像分类问题。构造了包含20头牛的牛脸图像数据集IMCFR20,利用该数据集分析稀疏度与字典原子数对识别效果的影响。实验结果表明:改进后的算法识别率达到90%以上,识别效果有了较大提升,为利用图像进行牛的个体识别问题提供了可行的方案。

基于K-SVD学习字典的机织物纹理表征及应用

为更好地适应机织物纹理以及减少程序的运行时间,选取平纹、斜纹、缎纹3种组织结构采用K-奇异值分解(K-SVD)的方法训练得到一个自适应字典。以峰值信噪比、结构相似性为指标,探讨不同稀疏基数对机织物纹理图像重构的影响,针对不同的应用,选取了合适的稀疏基数T。利用该字典重构机织物纹理图像,在此基础上检测织物瑕疵。实验结果表明:T=6时,算法不仅能有效重构机织物纹理图像(PSNR和SSIM),而且重构效果要优于初始离散余弦转换(DCT)字典;T=4时,K-SVD字典能更好地适应瑕疵样本,且鉴别瑕疵的能力更强。

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。

基于K-SVD的偏微分方程模型在毫米波图像恢复中的应用

在图像被大噪声污染或具有较低分辨率时,传统的偏微分方程(PDE)模型的稳态解会产生明显的阶梯效应,恢复图像质量较差。针对此缺点,提出了一种新的基于K-奇异值分解(K-SVD)的PDE图像恢复方法,并应用于毫米波(MMW)图像的恢复。K-SVD是一种图像稀疏表示方法,对图像进行稀疏估计的同时实现去噪,对噪声方差较大的图像具有较好的去噪鲁棒性。首先采用K-SVD对MMW图像进行去噪,对去噪图像再应用全变分(TV)模型的PDE方法进行恢复。对所提出的算法分别使用模拟的MMW图像和真实的MMW图像进行测试,并进一步和K-SVD、PDE方法比较,同时使用峰值信噪比(PSNR)对恢复图像进行评价。根据不同噪声方差下的PSNR数据和恢复图像的视觉效果,实验结果证明了所提方法能够有效地恢复MMW图像。

基于图像多通道K-SVD算法的牛脸识别研究

为了实现中小型牧场实际养殖环境下牛只个体身份识别,达到精细化饲养的目的,试验提出了一种基于图像多通道K-奇异值分解(K-SVD)算法的字典学习算法来进行牛脸识别。该算法结合稀疏表示理论,通过R、G、B 3个通道获取更多图像细节和分量信息,将3个通道分量划分为n×n的网格重构输入矩阵。利用正交匹配追踪算法(OMP)对重构矩阵进行稀疏表示,结合K-SVD算法进行字典更新,为每类样本构造对应通道的学习字典。最后,利用该算法对20头牛的400张牛脸图像数据集进行验证,并与K-SVD算法和SRC算法进行比较。结果表明:图像多通道K-SVD算法的识别准确率为92.9%,在识别精度和稀疏表示能力上均优于K-SVD算法和SRC算法。说明将图像处理算法和稀疏表示理论进行结合,利用多通道信息可以提取更多的图像特征,进一步提升识别准确率。