小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

基于稀疏表示与小波特征的人脸识别分层框架

基于稀疏表示的人脸识别研究,非线性特征的选择研究较少。提出分层使用人脸图像的小波特征,进行稀疏表示人脸识别框架。框架首先对样本人脸进行小波变换,构造小波低频和小波高频过完备人脸字典;识别阶段首先使用人脸图像的小波低频特征进行稀疏表示,计算类别模糊稀疏,然后根据模糊系数输出类别标签或进行高频特征的稀疏表示与识别。实验结果表明,基于小波特征和稀疏表示的人脸识别分层框架提高了识别的准确率,且对遮挡很鲁棒。     

一种基于à trous小波和联合稀疏表示的遥感图像融合方法

采用训练字典的稀疏表示方法能反映信号的本质特征和内在结构。针对遥感多光谱图像和全色图像融合存在的光谱失真问题,提出了一种基于àtrous小波和联合稀疏表示的融合方法。首先对多光谱图像进行IHS变换,然后对全色图像和变换后的多光谱亮度分量进行àtrous小波变换,对其低频分量进行字典训练,采用联合稀疏表示模型进行分解得到公共成分和独特成分,最后对稀疏系数进行融合。通过对山区和城区不同场景的IKONOS遥感数据进行实验,融合结果不仅在空间分辨率得到了提高,并且光谱分辨率保持较好,目视判读和量化分析表明其多数性能优于目前常用的传统算法。     

基于倾斜时间窗口的高效数据流偏向最近聚类分析算法

提出一种基于倾斜时间窗口的数据流偏向最近聚类算法。该算法首先通过将滑动窗口中数据等长分割形成不重叠的数据块——基本窗口,然后对每一基本窗口以Haar小波变换提取窗口数据的特征,通过改变所取各基本窗口小波变换系数个数达到保留较多最近数据细节特征的目的,即对于越近的基本窗口保留越多的小波系数而越旧的基本窗口保留越少的小波系数,最后通过定义数据流偏向最近距离,完成基于倾斜时间窗口的偏向最近聚类算法。该算法计算速度快,能高效地实现数据流偏向最近聚类分析。仿真实验验证了该算法的有效性。     

基于提升静态小波变换与联合结构组稀疏表示的多聚焦图像融合

为抑制传统小波变换在多聚焦图像融合中产生的伪吉布斯现象,以及克服传统稀疏表示的融合方法容易造成融合图像的纹理与边缘等细节特征趋于平滑的缺陷,提高多聚焦图像融合的效率与质量,采用一种基于提升静态小波变换（LSWT）与联合结构组稀疏表示的图像融合算法。首先对实验图像进行提升静态小波变换,根据分解后得到的低频系数与高频系数各自不同的物理特征,采用不同的融合方式。选择低频系数时,采用基于联合结构组稀疏表示的系数选择方案;选择高频系数时,采用方向区域拉普拉斯能量和（DRSML）与匹配度相结合的系数选择方案。最后经逆变换重构得到最终融合图像。实验结果表明,改进的算法有效地提高了图像的互信息量、平均梯度等指标,完好地保留图像的纹理与边缘等细节信息,融合图像效果更好。     

稀疏表示的无参考图像质量评价方法

现有的无参考图像质量评价算法多采用支持向量回归、神经网络等作为映射,训练过程需要大量样本,且泛化性能差(即在一个数据集上的训练识别效果好,在另一个数据集上可能很差),从而提出了基于稀疏表示的无参考图像质量评价算法。利用梯度幅值与拉普拉斯变换图像的联合统计信息和小波变换子带相关性组成特征字典,并对测试图像特征进行稀疏表示,最后综合稀疏系数与字典图像DMOS值获得预测质量得分。多数据库中大量实验结果表明,新算法在少量训练样本条件下即可获得优良而稳定的结果,且具有更好的泛化性能和稳定性。     

多变换域马尔可夫树图像去噪算法*

针对图像去噪时单一变换方法的不足,提出了一种新的基于Contourlet变换和小波变换的多变换分级图像降噪算法。根据Wavelet变换和Contourlet变换系数对图像中不同频带信号的稀疏表示特点,利用隐马尔可夫树（HMT）模型可以描述相邻尺度变换域系数的互相关性。首先使用小波域HMT方法进行第一级降噪,然后将其作为先验估计,利用Contourlet变换进行迭代阈值降噪。通过与几种传统的小波域HMT和Contourlet域HMT去噪算法相比,本算法改善了去噪图像的可视性并使PSNR值有所提高。     

基于Curvelet的边缘纹理特征提取及表情识别

针对小波变换在提取图像边缘特征上的局限性,提出一种使用Curvelet变换进行边缘纹理特征提取的表情识别方法。Curvelet变换在表达图像的边缘曲线上的奇异性时比小波变换更能得到稀疏的图像表示。在表情识别中,对表情图像使用Curvelet变换得到Curvelet系数作为边缘纹理特征能更好地反映表情的变化,使用K最邻近结点算法进行了识别。结果表明在表情识别中该方法比小波变换更有效。     

基于视觉特性的图像稀疏表示

提出利用过完备多分辨率变换并结合视觉特性的图像稀疏表示方法。该算法用双树复数小波模拟视觉皮层简单细胞的感受野,结合相邻细胞间抑制和增强特性,用局部竞争抑制的方法从变换系数中选取少量系数稀疏表示图像。实验结果表明,其重构图像的效果较其他方法有明显的改善。     

小波域中双稀疏的单幅图像超分辨

目的 过去几年,基于稀疏表示的单幅图像超分辨获得了广泛的研究,提出了一种小波域中双稀疏的图像超分辨方法。方法 由小波域中高频图像的稀疏性及高频图像块在空间冗余字典下表示系数的稀疏性,建立了双稀疏的超分辨模型,恢复出高分辨率图像的细节系数;然后利用小波的多尺度性及低分辨率图像可作为高分辨率图像低频系数的逼近的假设,超分辨图像由低分辨率图像的小波分解和估计的高分辨率图像的高频系数经过二层逆小波变换来重构。结果 通过大量的实验发现,双稀疏的方法不仅较好地恢复了图像的局部纹理与边缘,且在噪声图像的超分辨上也获得了不错的效果。结论 与现在流行的使用稀疏表示的超分辨方法相比,双稀疏的方法对噪声图像的超分辨效果更好,且计算复杂度减小。     

基于小波密度估计的数据流离群点检测

为能及时发现数据流上的局部离群点,分析数据流已有的离群点挖掘算法,提出基于小波密度估计的离群点检测算法。利用小波密度估计多尺度和多粒度的特点,通过小波概率阈值判断数据流中当前滑动窗口内的数据点是否为离群点,并对数据流中离群点检测过程进行讨论。仿真结果表明,与核密度估计算法相比,该算法的检测效率与精度较高。     

基于动态网格的数据流离群点快速检测算法

离群点检测问题作为数据挖掘的一个重要任务,在众多领域中得到了应用.近年来,基于数据流数据的挖掘算法研究受到越来越多的重视.为了解决数据流数据中的离群点检测问题,提出了一种基于数据空间动态网格划分的快速数据流离群点检测算法.算法利用动态网格对空间中的稠密和稀疏区域进行划分,过滤处于稠密区域的大量主体数据,有效地减少了算法所需考察的数据对象的规模.而对于稀疏区域中的候选离群点,采用近似方法计算其离群度,具有高离群度的数据作为离群点输出.在保证一定精确度的条件下,算法的运行效率可以得到大幅度提高.对模拟数据集和真实数据集的实验检测均验证了该算法具有良好的适用性和有效性.     

基于距离的数据流离群点挖掘算法

传统的离群点挖掘算法无法有效挖掘数据流中的离群点。针对数据流的无限输入和动态变化等特点,提出一种新的基于距离的数据流离群点挖掘算法。通过Hoeffding定理及独立同分布中心极限定理,对数据流概率分布变化进行动态检测,利用检测结果自适应调整滑动窗口大小对数据流离群点进行挖掘。实验结果表明,该算法在人工数据集和真实数据集KDD-CUP99中可以对数据流中的离群点进行有效挖掘。     

基于低秩模型的电力状态数据异常检测

智能电网在国民生计中扮演着至关重要的角色,智能电网的稳定性和安全性是网络建设中需要特别考虑的问题。在智能电网的建设和运营中,如何从日常监测数据中及时检测出异常信息和有害信息,比如网络入侵数据和系统隐患数据,对智能电网的稳定性和安全性有着举足轻重的影响。提出一种基于低秩模型的电力数据异常检测算法,将系统观测数据分解为低秩部分和稀疏部分,用低秩部分表达干净的观测,用稀疏部分表达异常数据。然后,通过增广拉格朗日方法来优化目标方程。在公开数据集上的实验结果验证了所提出算法的有效性。     

Fault detection based on robust characteristic dimensionality reduction

In this paper, a novel fault detection method is developed based on robust characteristic dimensionality reduction (RCDR). The time-constrained sparse representation (TCSR) method is firstly introduced by considering the space and time characteristics of industrial process monitoring data simultaneously. It can remove space-related outliers, time-related outliers and noises by solving an optimization problem. Then, a new RCDR method is proposed, which fully utilizes the constructed robust adjacency graph and considers the data characteristics. Its scatter matrices are specially designed by consideration of the data characteristics of fault detection. The within-class scatter matrix only characterizes normal data set with a classic covariance matrix, while the inter-class scatter matrix characterizes the separability between normal data and fault data through a pre-defined scatter matrix. It is worth mentioning that our method does not make Gaussian assumptions about the distribution of the fault data, and the number of projection directions is not limited as well. The TCSR is also embedded into our proposed dimensionality reduction method, enabling it to handle the fault detection problem under strong disturbances. Simulations on Tennessee Eastman process (TEP) and a case study of electric multiple unit (EMU) braking system of high-speed trains fully demonstrate the effectiveness and applicability of our proposed fault detection method.     

基于鲁棒主成分分析的智能电网虚假数据注入攻击

基于主成分分析（PCA）的盲攻击策略仅对具有高斯噪声的测量数据有效,在存在异常值的情况下,上述攻击策略将被传统的坏数据检测模块检测。针对异常值存在的问题,提出一种基于鲁棒主成分分析（RPCA）的盲攻击策略。首先,攻击者收集含有异常值的测量数据;然后,通过基于交替方向法（ADM）的稀疏优化技术从含有异常值的测量数据中分离出异常值和真实的测量数据;其次,对真实测量数据进行PCA,得到系统的相关信息;最后,利用获得的系统信息构造攻击向量,并根据得到的攻击向量注入虚假数据。该攻击策略在IEEE 14-bus系统上进行了测试,实验结果表明,在异常值存在的情况下,传统的基于PCA的攻击方法将被坏数据检测模块检测,而所提方法基于鲁棒PCA的攻击策略能够躲避坏数据检测模块的检测。该策略使得在异常值存在的情况下虚假数据注入攻击（FDIA）仍然能够成功实施。     

演化数据流上的连续异常检测

基于滑动窗口的异常检测是数据流挖掘研究的一个重要课题,在许多应用中数据流通常在一个分布网络上传输,解决这类问题时常采用分布计算技术,以便获得实时高质量的计算结果。对分布演化数据流上连续异常检测问题,进行形式化地阐述,提出了两个基于核密度估计的异常检测定义和算法,并通过大量真实数据集的实验,表明该算法具有良好的高效性和可扩展性,完全适应数据流应用的需求。     

基于K-means的数据流离群点检测算法

针对数据流中离群点挖掘问题,在K-means聚类算法基础上,提出了基于距离的准则进行数据间离群点判断的离群点检测DOKM算法。根据数据流概念漂移检测结果来自适应地调整滑动窗口大小,从而实现对数据流的离群点检测,与其他离群点算法的一系列实验验证和对比结果表明,DOKM算法在人工数据集和真实数据集中均可以实现对离群点的有效检测。     

基于Shearlet的双正则化图像压缩采样恢复

针对图像压缩采样中正交小波变换方向有限和单一正则化的问题,提出了一种基于Shearlet的双正则化图像压缩采样恢复算法。该算法用Shearlet作为图像的稀疏表示,用交替最小化对联合正则化模型进行求解。实验结果表明,该算法恢复的图像与单一的全变分正则化方法和小波变换相比有更好的视觉效果,更高的峰值信噪比。     

稀疏特征选择在过程工业故障诊断中的应用

提出一种基于稀疏表达的特征选择方法,用训练样本的均值和方差组成优化算法的样本矩阵,测试样本采用与样本矩阵对应的指示向量,采用同伦算法求解优化问题。给出了算法的详细流程,并与传统的B距离法和小波包变换特征选择方法以及近年来常用的稀疏表达分类、稀疏投影保持和稀疏主元分析针对田纳西-伊斯曼过程进行故障诊断结果比较,结果表明所提出的方法故障诊断的误报率较低。