一种快速的超分辨率图像重构算法

基于稀疏表示的超分辨率(SR)图像重构算法需要求 解l₁范数优化问题,时间效率不高。 本文在该方法的基础上加入平移不变性约束条件,并且考虑到稀疏参数对重构结果影响不 大,对重构算法进行简化,避免了求解复杂的l₁范数优化问题,实现了一种快速的图像SR重构。数值实验结果表明,本文算法具有更高的时间效率。     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于联合稀疏矩阵恢复的DOA估计算法

基于联合稀疏矩阵恢复的思想,提出一种新的窄带信号DOA 估计算法。算法通过对计算得到的各帧阵列协方差矩阵进行矢量化操作,构造伪数据矩阵;然后构建过完备的阵列方向矩阵字典,形成联合稀疏信号模型;接着利用联合l_2,0 逼近法求出联合稀疏矩阵的优化解,由此得到信号DOA 的估计值。由于二阶统计量的矢量化操作扩展了阵列孔径,算法能够分辨多于阵元数的信号,同时适用于窄带短时平稳或平稳信号,且不需要预先估计信号源数。计算机仿真结果证明了算法的有效性。     

一种基于单像素相机的压缩感知图像重建优化算法

基于压缩感知图像重构和单像素相机成像的基本原理,对单像素成像系统中的图像重建算法进行了改进优化。基于最小范数类优化算法,结合凸优化算法和非凸优化算法各自的优点,设计了一种逼近L₀范数的数学模型,从而实现了从凸优化向非凸优化算法的迭代逼近,即逼近光滑L₀范数算法。该新型算法以更高的效率和更大的概率逼近原始信号全局最优且尽可能稀疏的解。相较于传统压缩感知图像重建的贪婪类算法和最小范数类算法,该算法使压缩感知重建图像的质量和单像素相机的成像效果均得到了有效提升,并通过实验仿真和实际场景的成像实验验证了该优化算法的可行性。     

SAR图像目标超分辨的变范数正则化算法

 基于正则化变分的框架,提出了SAR图像目标超分辨的变范数算法.考虑目标在成像区域中的稀疏特性,利用广义高斯分布对目标区域的幅度进行建模,在Bayes估计的框架下,推导了l_p范数约束的正则化变分模型和广义高斯分布形状参数的关系.采用迭代的方法在逐次估计真实图像的过程中,将p的取值与逐次估计结果相关联,逐步估计目标区域分布的形状参数,并修正l_p范数的具体形式,由此得到变范数的正则化模型.该方法克服了通过经验选取p值的局限,以及由观测数据估计p值的误差.仿真和实测SAR图像的处理结果表明了该方法的有效性.     

基于SDBN和BLSTM注意力融合的端到端视听双模态语音识别

提出一种端到端的视听语音识别算法。在该算法中,通过具有瓶颈结构的深度信念网络（deep belief network,DBN）中引入混合的l_1/2范数和l₁范数构建一种稀疏DBN（sparse DBN,SDBN）来提取稀疏瓶颈特征,从而实现对数据的特征降维,然后用双向长短期记忆网络（bidirectional long short-term memory,BLSTM）在时序上对特征进行模态处理,之后利用一种注意力机制将经过模态处理的唇部视觉信息和音频听觉信息进行自动对齐、融合,最后将融合的视听觉信息通过一个附加了Softmax层的BLSTM进行分类识别。实验表明,该算法能有效地识别视听觉信息,在同类算法中有很好的识别率和顽健性。     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。     

基于非铅钙钛矿Cs3Cu2I5闪烁体的X射线成像研究

最近报道的卤化物钙钛矿具有光致发光量子产率高、发射带窄的特性,可作为一种新 型X 射线探测材料,但仍存在光和热稳定性低、铅毒性等问题。本文研究一种低温溶液法 制备的无机非铅钙钛矿Cs₃Cu₂I₅纳米晶材料,分析其在X射线辐射下的发光特性, 并探究 不同厚度Cs₃Cu₂I₅纳米晶材料的转换效率与X 射线源管电压之间的关系。在成像实 验中, 本文设计一种高效的Cs₃Cu₂I₅材料闪烁体转换屏,研制基于Cs₃Cu₂I₅材料闪烁 体转换屏的X 射线成像系统,分别对剃须刀刀片和蜗牛壳进行X射线成像。实验结果表明:在X射线辐 射下钙钛矿Cs₃Cu₂I₅的发射峰在波长为460 nm时达到峰值;在 厚度为0.30 mm 时, Cs₃Cu₂I₅材料转换效率较高;成像结果显示图像轮廓清晰、物体内部结构层次分明 。研究 表明:非铅钙钛矿Cs₃Cu₂I₅纳米晶材料可以作为一种新型闪烁体,在X射线探测与成 像 方面有着巨大的应用潜力。     

基于全变分的高分辨SAR联合特征增强成像算法

稀疏约束下的合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术,通过对稀疏先验建模的稀疏特征进行增强,能有效获取目标特显点的有用信息,但无法对目标的结构特征进行恢复,且对不可避免的非系统误差十分敏感。为此,提出一种依靠交替方向多乘子法（Alternating Direction Method of Multipliers,ADMM）面向结构特征增强的稀疏恢复高分辨SAR成像（Structure-feature Enhancement-ADMM,SE-ADMM）算法。该算法引入全变分（Total Variation,TV）正则项建模结构特征,起到增强结构的作用;引入范数建模稀疏特征,起到压制噪声作用;引入最小熵范数建模聚焦特征,以保证算法对非系统乘性误差的不敏感性。在ADMM多特征优化框架下,利用“局部-全局”的运算机制,首先分别进行三个特征的邻近算子推导,以获得对应特征解析解,再进行目标全局优化保证特征解之间的协调平衡,以实现目标的多特征增强。另外,ADMM多特征优化框架下变量分裂和多正则项的引入,保证了算法的效率和稳健性。实验部分先后选取SAR仿真数据与实测数据来验证算法的有效性,通过相变热力图定量分析所提算法的恢复性能,进而验证了所提SE-ADMM算法的稳健性与优越性。     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。     

OFDM系统双选择性慢衰落信道的压缩感知估计

为了增强压缩感知框架里Sl0(Smoothedl0-norm)重构算法的抗噪性能,该文在其目标函数里添加一个误差容允项,并提出了一种改进型重构算法l2-Sl0(Smoothed l0-norm regularized least-square)。另外通过对多径信道的时延和多普勒频移参数构成的时频2维有界区域进行量化,将OFDM时频双选择性慢衰落信道估计问题建模为压缩感知理论中的稀疏信号重构问题,提出了一种采用l2-Sl0估计信道时频参数的方法。仿真结果表明在相同的噪声环境里,l2-Sl0的重构性能优于Sl010 dB左右;运用l2-Sl0的信道估计方法可获得接近于理想最小二乘法的估计性能,且该方法在低信噪比的场景里也能获得较高的估计准确度。     

基于自适应模型更新的实时跟踪算法

为提高分层卷积特征目标跟踪算法的速度和精度,文中提出了一种基于自适应模型更新的单层卷积特征目标跟踪算法。首先提取Pool4层的多通道的卷积特征对训练样本的类标函数进行调整,在确保跟踪精确度的同时提高了算法的速度。该算法引入了平均峰值能量比,通过比值变化情况反馈目标跟踪的结果,与稀疏模型更新策略相结合,对跟踪器进行自适应更新,提高了算法对遮挡和相似物干扰的鲁棒性。对于目标快速尺度变化问题,文中采用尺度金字塔对尺度进行评估,提高了跟踪器的泛化能力。在OTB2013和OTB2015上测试新算法,实验结果表明,该算法的平均距离精度分别为91.0%和86.8%,平均速度约43 帧/s,局域良好的鲁棒性和实时性。     

基于稀疏度约束与动态组结构稀疏编码的鲁棒视觉跟踪

目标编码系数的稀疏性使得L1跟踪成为解决遮挡目标跟踪的有效方法之一,但是现有稀疏编码算法没有利用L1跟踪中编码系数的特殊稀疏结构.本文基于目标模板系数稀疏度约束要求和小模板系数的空间连续性结构,利用块坐标优化原理提出一种两阶段稀疏编码算法用于视觉跟踪.在第一阶段,该算法利用正交匹配追踪求解具有约束稀疏度的目标模板系数,在第二阶段,该算法利用动态组稀疏编码求解具有空间连续性的小模板系数.在粒子滤波框架下,利用提出的稀疏编码算法实现了鲁棒的视觉跟踪.实验结果表明本文提出的跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度.     

A unified framework for damaged image fusion and completion based on low-rank and sparse decomposition

Image fusion can integrate the complementary information of multiple images. However, when the images to be fused are damaged, the existing fusion methods cannot recover the lost information. Matrix completion, on the other hand, can be used to recover the missing information of the image. Therefore, the step-by-step operation of image fusion and completion can fuse the damaged images, but it will cause artifact propagation. In view of this, we develop a unified framework for image fusion and completion. Within this framework, we first assume that the image is superimposed by low-rank and sparse components. To obtain the separation of different components to fuse and restore them separately, we propose a low-rank and sparse dictionary learning model. Specifically, we impose low-rank and sparse constraints on low-rank dictionary and sparse component respectively to improve the discrimination of learned dictionaries and introduce the condition constraints of low-rank and sparse components to promote the separation of different components. Furthermore, we integrate the low-rank characteristic of the image into the decomposition model. Based on this design, the lost information can be recovered with the decomposition of the image without using any additional algorithm. Finally, the maximum $l_1$-norm fusion scheme is adopted to merge the coding coefficients of different components. The proposed method can achieve image fusion and completion simultaneously in the unified framework. Experimental results show that this method can well preserve the brightness and details of images, and is superior to the compared methods according to the performance evaluation.     

基于稀疏贝叶斯学习的时域流信号鲁棒动态压缩感知算法

块效应和未知且时变的噪声强度会降低时域流信号动态稀疏重构的性能,为解决该问题,本文基于重叠正交变换和稀疏贝叶斯学习框架,提出一种对时域流信号进行动态压缩感知的鲁棒稀疏贝叶斯学习重构算法.该算法在消除块效应的同时,能够处理噪声强度未知且时变情形下的动态稀疏重构问题,相比现有的流信号稀疏贝叶斯学习算法具有更强的抗噪鲁棒性.尽管现有的时域流信号压缩感知的有效算法并不多,但实验表明,本文算法的重构信误比和重构成功率均明显高于现有的基于稀疏贝叶斯学习的流信号重构算法和基于L1-同伦的流信号重构算法,且达到相同的重构成功率所需的观测数目少于另两种算法,计算量和运行效率则与稀疏贝叶斯学习算法相近.     

基于无监督特征选择的高光谱图像分类方法

在高光谱图像分类中,丰富的数据提升了其地物 识别能力。然而,由于样本特 征数大且有标记训练样本点少,导致“维度灾难”问题。本文提出一种基于无监督特征选择 的高光谱图像分类方 法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优 化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函 数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归 到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问 题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用 于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高 分类的精度。