改进的稀疏表示超分辨率图像重建

为了能从单幅低分辨率图像中利用超分辨率技术重建出高分辨率图像,提出一种基于稀疏表示的改进算法。首先求出在低分辨率图像过完备字典上的稀疏表示系数,将稀疏表示系数与高分辨率图像的过完备字典相结合,得到高分辨率图像块,再联合输入的低分辨率图像块与生成的高分辨率图像块,求解出其在高低分辨率字典对上的稀疏系数,最后结合高分辨率图像字典,得到更加精确的高分辨率图像块。经仿真实验验证,该改进方法有效提升了重建图像质量,增强了重建图像的还原度。     

基于稀疏表示与密写的数字图像分存

提出了一种基于稀疏表示与密写的数字图像分存方法.将稀疏表示、信息隐藏、分存技术三者有机结合,利用的(r,n)门限方案生成n份影子图像;再用稀疏表示及密写编码的方案分别将它们伪装在n幅有意义的载体图像中.与传统的基于拉格朗日插值以及LSB(Least Significant Bit,最不重要比特位)替换的方法相比,在嵌入秘密信息量相同的情况下,该方法在很大程度上减少了对载体图像的修改量,极大地降低了信息隐藏引起的失真,并通过实验验证了该算法的有效性和优越性.     

一种用于图像识别的稀疏增强概率协同表示分类算法

稀疏表示分类方法在图像遮蔽、弱光等情况下具有良好的应用及识别效果,但在测试样本少的环境下仍具有一定局限.将稀疏表示分类算法联合概率协同表示分类算法,以稀疏表示系数增强概率系统表示分类算法的表示系数,采用FERET、Multi-PIE与FRGC人脸数据库进行实验测试.结果显示,稀疏增强概率协同表示分类算法能够显著提升人脸...     

基于人工鱼群算法的信号MP稀疏分解在图像压缩中的应用

信号的MP稀疏分解可以将信号分解为很简洁的近似表达形式,但因分解计算量巨大,难以满足实时性要求.人工鱼群算法具有收敛速度快、鲁棒性强等优点,将人工鱼群算法运用到信号的稀疏分解中,可以快速寻找分解过程中每一步的最佳原子,在此基础上对图像信号进行压缩.实验结果表明该解压图像具有较好的主观图像质量.     

基于图结构正则化稀疏表示的双层伯格曼图像插值算法

为了提高图像插值的恢复效果,提出了一种基于图结构正则化稀疏表示的双层伯格曼迭代算法．该迭代算法的外层用于约束图像观测数据,内层用于更新图像块的学习字典和稀疏表示系数．引入的图结构正则化稀疏表示约束可以有效地自适应图像块的局部结构,对于严重受损的情形也能得到精确的恢复结果．此外,在内层迭代中改进的稀疏表示和简洁的字典更新策略使算法能快速地趋于收敛．数值实验结果表明,所提出的算法可以有效地恢复图像,在主观视觉效果和客观量化标准上要优于目前已有的算法．     

?_1范数极小化的稀疏表示模型与算法

现有?1范数极小化的稀疏表示算法可大致分为三类:约束优化算法、Proximal算法及Homotopy算法,其中主要有交替方向法、增广拉格朗日算法和LASSO Homotopy算法.算法的特点有:(1)对简单场景的数据处理效果显著,但对复杂场景的数据处理效果甚微;(2)运行时间较长;(3)普遍稳定性较差,算法准确性和鲁棒性都有待加强;(4)初始值的选择较单一;(5)参数选择对该类算法影响甚大,但有关参数选取的研究很少.因此,该算法广泛应用于信号处理、图像处理、机器学习、计算机视觉中,特别是在图像去噪、去模糊、修复、超分辨率,视频跟踪,图像分类,图像分割等方面,尤其在视频跟踪方面具有很大潜力.     

基于稀疏表示的单幅图像超分辨率重建研究

针对传统超分辨率重建方法计算复杂度高、重建效果差等问题,提出一种基于稀疏表示的图像超分辨率重建模型。该模型利用稀疏表示方法,结合自回归原理将原始图像表示为若干个图像块的线性组合,并根据图像边缘特征将图像块进行划分,以提高算法效率,最后结合分治思想、变量分离技术以及增广拉格朗日方法对模型进行求解。实验结果表明,与传统插值算法相比,该算法对图像重建效果更好。     

基于低秩近似与非局部稀疏的图像去噪

基于低秩近似方法进行图像去噪逐渐成为图像处理领域研究的热点。将图像块分解成一个低秩矩阵和噪声矩阵,利用矩阵的秩来约束图像块的相似性,且现有的非局部稀疏表示算法利用图像块的自相似性进行去噪。鉴于此,提出低秩近似与非局部稀疏的图像去噪模型。该算法加强了图像分解的全局稀疏性约束,更好地保留了图像的细节和边缘信息。     

基于字典学习的医学图像融合

稀疏表示能够有效地表示图像的固有特征,利用KSVD学习算法对30幅自然图像训练得到了鲁棒的字典,利用“滑窗”策略对两幅源图像进行分块,使用OMP算法在字典上对各图像块进行稀疏分解,分解后的系数采用系数绝对值选大法进行融合,进而得到融合后和图像块.理论分析与实验结果表明,该方法能够有效地对已配准的待融合图像进行融合,融合后的结果无论是视觉效果还是客观评价参数均优于文中对比方法的效果.     

压缩感知框架下快速字典的学习算法

信号稀疏基的构造,关系信号稀疏表示的程度,进而影响应用压缩感知对信号进行恢复重构的效果。针对这一问题,多种字典学习算法如KSVD,OLM等予以提出;这些算法使用重叠的图像块来构建字典,产生了大量稀疏系数,从而导致过拟合及计算过缓,且不能确保收敛;基于此,设计一种基于近端梯度的快速字典学习算法。算法在分析近端梯度求解多重凸优化问题的基础上,将其应用于字典学习涉及的优化求解上,降低了每次迭代的复杂度,减少了迭代开销,同时能够确保收敛。在合成数据上的实验表明,该算法字典学习速度快,所耗时间短,且获得的字典更好。     

基于稀疏表示与加权核范数最小化的图像去噪算法

为解决一部分纹理数据在运用加权核范数最小化处理低秩矩阵逼近时出现丢失的问题,提出一种基于稀疏表示与加权核范数最小化的图像去噪算法。稀疏表示用于辅助重构清晰图像,加权核范数最小化用于图像块样本的低秩矩阵逼近。通过分析纹理数据找出熵较大的非平滑块,运用一种奇异值维纳滤波,从其差异矩阵中找出丢失的部分纹理信息,并将其与低秩去噪结果融合。实验结果表明,该算法能够保持图像的细小纹理,去噪效果更好,具有良好的鲁棒性与泛化性。     

基于稀疏表示的摩尔纹噪声去除方法

为去除常出现在图像采集和日常摄影中的摩尔纹噪声,提出一种由样条小波生成的紧框架下的稀疏信号恢复算法.该算法利用摩尔纹噪声的频域特性确定受影响的傅里叶频谱区域;利用图像在给定紧框架下的稀疏性,根据压缩感知理论实现数据在傅里叶频谱上的非线性插值.实验结果表明,相比传统频域滤波算法,该算法恢复图像的峰值信噪比更高,更符合人的...     

基于组稀疏残差去噪的磁共振图像重构

为了克服磁共振图像重构精度低的问题,方便医生诊断与治疗,提出一种将组稀疏残差去噪和近似消息传递相结合的磁共振图像重构算法.在基于迭代软阈值的去噪近似消息传递(D-AMP)重构算法中,滤波的去噪算法将使用基于组稀疏残差约束(GSRC)的图像去噪实现.实验结果表明,基于组稀疏残差去噪的磁共振图像重建算法可有效缓解重建图像局...     

Two-level Bregman method for MRI reconstruction with graph regularized sparse coding

In this paper, a two-level Bregman method is presented with graph regularized sparse coding for highly undersampled magnetic resonance image reconstruction. The graph regularized sparse coding is incorporated with the two-level Bregman iterative procedure which enforces the sampled data constraints in the outer level and updates dictionary and sparse representation in the inner level. Graph regularized sparse coding and simple dictionary updating applied in the inner minimization make the proposed algorithm converge with a relatively small number of iterations. Experimental results demonstrate that the proposed algorithm can consistently reconstruct both simulated MR images and real MR data efficiently, and outperforms the current state-of-the-art approaches in terms of visual comparisons and quantitative measures.     

热力参数软仪表在电厂中的应用

为了解决电厂中热力参数失效和优化运行的问题,提出了一种基于稀疏高斯过程的软测量建模方法,它基于Bayes在线学习算法,通过构造序列的相关子样本来给出高斯过程的预测输出.通过利用参数化和再生核Hilbert空间范数的投影技巧,得到优化后的参数和后验过程的稀疏高斯逼近.高斯过程的稀疏表达使得基于高斯过程的软仪表能够满足大规模数据集的实时应用需要,所提出的热力参数软仪表对于电厂经济运行有着重要的意义.     

基于变换域的压缩感知快速重构算法

压缩感知是信号处理领域热门研究课题,其应用前提为原信号是稀疏或可压缩的。时域非稀疏信号可以变换为频域稀疏信号,但变换后的信号和传感矩阵表示形式为复数,增加了重构复杂度。为了降低复杂度,提高信号重构效率,提出一种基于实变换的重构算法,该算法将复数形式的稀疏信号和传感矩阵的实部和虚部分离后再参与重构。与传统重构算法相比,该算法改善了重构信号的均方误差,明显缩短了重构时间,极大提高了信号重构效率。     

基于压缩感知的电能质量信号重构算法研究

为解决传统电能质量信号在采样时面临的采样率高,采样资源浪费和硬件成本高的问题,压缩感知理论被引入到电能质量信号的采样与重构过程。信号的稀疏表示是压缩感知理论中的关键问题,一般选择正交基作为压缩感知中的稀疏变换基。基于多重扰动的电能质量信号,本文提出了基于不同干扰的电能质量模型来选择不同的信号稀疏变换基的压缩感知重构算法。实验证明与整个信号采用单一DCT变换基或FFT变换基的压缩感知重构算法相比,本文提出的方法具有更好的信号重构性能。