一种新的基于感知字典的稀疏图像重建算法研究

针对已有图像重建算法分辨率低、需要大量计算的问题,本文提出了一种基于感知字典和数据自适应性的稀疏重建算法.首先,针对图像的数据结构,对样本数据进行超完备字典的训练,继而通过针对性的字典对图像进行稀疏重建.同时,为进一步改善算法的重建性能,并充分利用图像的有效信息,本文构造了数据自适应的感知字典.实验表明,该算法在不影响图像重建精确度的前提下可以减少计算复杂度,并具有良好的鲁棒性和较高的效率.     

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。     

基于字典优化的迁移稀疏编码方法

传统的编码方法通常对字典采取随机初始化,极大影响图像分类精度。基于此,提出一种基于kmeans的字典优化方法,并将其与迁移稀疏编码相结合。先将图像中每个局部描述子投影到线性子空间,在此空间取距离特征最近的k个特征作为过完备字典,均衡的选择基向量来表达图像;同时考虑了图像的分布差异和局部特征,有效保证编码的稳定性。在三个跨域图像数据集上实验表明,与同类方法相比,该方法能显著提高跨域分类性能。     

三维锥束CT迭代重建算法对比研究

在计算机断层成像（CT）中,代数重建算法（ART）、联合代数迭代重建算法（SART）、有序子集期望值最大重建算法（OSEM）是迭代重建技术中广泛应用的3种技术,文章针对三维锥束CT情况,比较研究了上述3种迭代算法在含噪投影数据、完备投影数据以及投影数据稀疏和视角受限情况下的重建结果,并对重建结果进行了对比和分析。仿真结果表明：在一定条件下,OSEM算法重建的图像质量好于其他两种算法。     

含噪图像的快速超分辨率重建算法

现有算法大多假设输入图像是不含有噪声的。但与实际情况相反,在生活中获得的图像多数是含有噪声的。本文对含噪图像的超分辨率重建问题进行研究,并提出一种可以快速实现的算法。首先,借鉴传统算法中高、低分辨率字典的训练方法,在此基础上将低分辨率图像块的纹理结构加入字典的训练过程。值得注意的是,这里的低分辨率图像块和高分辨率图像块具有相同的图像尺寸,前者是通过双立方插值得到的。其次,由于字典训练过程中使用的实例图像是不含有噪声的,因此面对不同程度噪声的输入图像并不需要重新训练字典。在重建过程中,通过使用稀疏字典的列原子作为匹配对象从而大大降低了计算成本,并对输入的特征向量和稀疏字典做了归一化处理,提高了精度。根据输入的特征向量和匹配对象的相似程度选择k个相似块,并通过权重限制模型完成对相似块的权值分配,从而重构出对应的高分辨率图像块。最后,通过加权平均重建了原始估计的高分辨率图像和去噪后的低分辨率图像,再将两幅重建图像与迭代反投影相结合,得到最终估计的高分辨率图像。在自然图像上验证了本文算法,并与先前报道的算法进行比较,其结果优于其他算法并具有较好的鲁棒性。     

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．     

改进投影数据访问顺序的CT图像重建研究

代数重建算法是CT图像重建中较为常用的图像重建算法,重建图像的质量和速度是评价重建算法优劣的两个重要标准。传统的代数重建算法有重建质量低、速度慢的缺点。针对这些缺点,提出了一种改进投影数据访问顺序的代数重建算法。该算法通过对投影访问顺序的选择,减小了投影数据间的相关性,同时保证了投影角度的均匀分布,避免了密集访问情况的出现。实验结果证明,采用改进的算法进行CT图像重建不仅能减少图像伪影,而且能很好地改善重建图像质量,明显加快重建速度。     

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。     

基于稀疏表示的视网膜眼底图像血管检测

一般情况下,通过在血管中注入造影剂在X光下所显示的影像来检测血管会受背景噪声、血管形态模糊和目标混杂等影响,鉴于此,提出一种基于过完备字典的图像稀疏表示的血管检测方法。该方法先建立一个关于血管图像的背景图像的过完备字典,然后用SRC算法会得到一个系数矩阵,并利用系数矩阵与字典矩阵相乘,便能重构出一个底板图像。为了突出血管,只需将重构的底板图像与原图像做相减,这样得到的新图像就能去除噪声,使血管能在视网膜眼底图像中更清晰地显示出来。实验结果表明,该方法对于视网膜眼底图像处理效果良好,使视网膜眼底图像中的血管能更容易被检测到。     

基于稀疏表示的单帧超分辨率重建（英文）

为了有效提高重建后的图像质量,提出了一种基于稀疏表示的单帧超分辨率重建方法.首先,该方法使用一种基于局部方向估计的图像块聚类和主元分析相结合的字典学习方法来获得一系列具有不同方向的几何字典.然后,给每一个待处理的图像块自动分配一个具有最近方向的字典,并据此进行稀疏编码.此外,为了在图像锐化和边缘保持方面取得进一步的提高,将梯度一致性加入提出的基本框架.在自然图像上进行的2组实验表明:提出的方法在视觉和数字指标方面均优于一些先进的同类方法.     

工业GT不完全投影数据图像重建研究

工业CT(ICT)在国防工业及民用工业中获得了广泛的应用，而实际中往往检测不到完全的投影数据，针对这种不完全投影数据重建的情况，提出了利用代数重建法来进行图像重建。应用该算法对几种不完全投影数据情况下的图像重建进行了仿真实验，实验效果良好。     

感兴趣区域重建图像的算法研究

本文以重建图像的算法为研究对象,介绍了不完全投影数据相适应的重建图像统计算法.重点介绍ROI引入到EM算法进行了计算机仿真研究.     

新型混合字典学习算法改进图像超分辨率的研究

目前机器学习算法大都采用单层字典的学习训练设计,现从改进视觉效果、分辨率2个角度,设计了2层字典混合学习算法。采用经典的半耦合字典学习(SCDL)和模糊模型处理结合作为第1层字典学习,第2层则是针对第1层的残余图像进行重构,结合K值聚类以及K-SVD算法设计了第2层字典的训练过程。与经典SCSR、SCDL算法对比实验结果表明:改进算法的峰值信噪比与其他2种算法有了4%左右的提高,提高值在1 d B以上,表明了算法能够一定程度的提高重构图像的分辨率;算法的对比视觉效果看出,改进的算法能够明显改进重构质量,实现了图像视觉效果的改善。由于算法并不是以牺牲算法运算时间、速度为代价,这样其研究结果对于机器学习在图像领域的进一步推广与发展具有一定的参考价值。     

基于冗余字典的高光谱图像的稀疏分解

基于冗余字典的稀疏表示方式能够以较少的数据量,更好地描述高光谱图像中的特征信息,是一种更有效的高光谱图像表示方法。根据高光谱图像自身的特点,使用梯度下降法学习冗余字典,首先固定字典,用梯度下降法训练系数;然后固定系数,再用同样的方法训练字典,以上两步交替进行,直到算法收敛;最后将这个字典用于高光谱图像的重构。实验结果表明,该方法获得了良好的重构效果。     

基于迁移局部线性编码的跨域图像表示方法

针对传统的编码方法通常仅考虑编码的稀疏性,忽略编码的局部性,且难以处理数据域特征分布不一致的问题,将迁移稀疏编码与局部约束项相结合,提出基于迁移局部线性编码的跨域图像表示方法.通过K均值聚类均衡学习初始字典基,然后利用局部约束将样本集映射到本地坐标系中并最小化特征的重构编码,学习更具代表性的图像表示,同时考虑数据域的分布差异和几何特征,保证了编码的局部平滑性和鲁棒性.在3个跨域图像数据集上的实验表明,迁移局部线性编码方法可以有效提高跨域图像的分类精度.     

基于改进的有序子集的SAGE算法在PET图像重建中的应用

提出了一种利用修改的有序子集(MOS)方法改进空间交替广义期望最大(SAGE)算法收敛性的方法.新的可变有序子集算法(MOS-SAGE)通过修改投影数据的数目和子集的排列循序加速收敛速度.其中每一个子集中的投影数目按2,4,8,16,32,64来排列以便重建算法首先恢复高频部分信息,然后重建低频部分信息.另外新算法还使相邻子集尽可能分离以减少投影间的相关性,达到加速收敛的效果.实验中,运用MOS-SAGE算法对计算机仿真的PET投影数据和实际的临床数据进行重建.几种误差分析结果表明,MOS-SAGE算法的收敛性能比SAGE算法和有序子集期望最大算法(OSEM)要快,重建后的图像更接近仿真用的模板图像.     

图像稀疏理论及其应用初步研究

图像稀疏表示是指用很少的数据捕获感兴趣目标的重要信息的能力,通过基或字典中很少量元素的线性组合的形式来描述信号.图像稀疏表示研究已成为近年来图像表示研究的热点.本文系一文献综述,主要阐述了信号稀疏表示和图像稀疏表示的基本理论及其在压缩方面的应用,并且介绍了一种新的稀疏性正则化的泊松噪声图像去噪算法.     

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.     

基于增量学习的稀疏表示仿射目标跟踪算法研究

针对传统目标跟踪算法在背景复杂.目标形态和光照条件剧烈变化情况下跟踪效果不佳的问题,提出了一种新的目标跟踪算法.该算法在粒子滤波框架下用仿射变换和Gabor特征表示图像,用模板字典稀疏表示候选目标,并用增量学习算法对模板字典进行更新.试验部分将该算法与其他跟踪算法在Matlab平台上进行比较,试验结果表明该算法具有鲁棒性强、跟踪效果好的优点.     

基于可调子块迭代的加速SAGE算法在PET图像重建中的应用

提出了一种可调子块迭代(RBI)方法加速空间交替广义期望最大(SAGE)算法的收敛性.新的可调子块迭代的空间交替广义期望最大算法(RBI-SAGE)组合了RBI算法和SAGE算法的优点用于加速正电子发射断层(PET)图像重建.RBI-SAGE将投影数据分成不连续的子块,每一次迭代仅包含一个这样的子块.在每一个子块中用SAGE算法序列更新参数.实验中,运用RBI-SAGE算法与SAGE算法对PET图像进行重建.结果表明,RBI-SAGE收敛性能比SAGE算法优越,且重建图像质量较高.