基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法.首先,对原始HSI进行最优分数阶傅里叶变换.然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量.最后,构建背景协方差矩阵,通过马氏距离检测异常目标.实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能.     

基于小波包分解的图像特征提取及其应用

提出了一种基于小波包分解的提取图像特征的算法，将图像在不同尺度下的小波包变换模极大值组成一个矩阵，采用奇异值分解得到该矩阵的奇异值矢量作为描述信号调制样式的特征向量。该算法克服了传统的通过各种频域变换提取图像特征时对图像特征难以充分描述的不足，提取的特征向量的维数相对不高，便于实现。计算机仿真结果表明，这种方法具有稳健的抗噪性和良好的扩展性。     

稀疏编码在静息态核磁共振图像中的应用

为了提取静息态的默认网络,降低核磁共振图像中的数据运算量,本文提出了数据降维和非线性变换的方法。首先,对核磁共振图像进行主成分分析,降低运算维度和数据复杂度。然后,对静息核磁数据进行稀疏编码学习,提取默认网络。实验结果表明,稀疏编码学习的效果优于传统的独立成分分析,且前者提取默认网络更加迅速,噪声更低。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于时频图像处理方法的多分量信号分离

针对传统时域或频域分析方法对时域、频域交叠但时频域不交叠的多分量信号分离能力不足的问题,提出了一种基于图像处理技术的分离方法.首先对多分量信号进行短时傅里叶变换(STFT),在获取多分量信号时频图像的基础上,引入图像处理技术,实现时频图像二值化,得到多分量信号的二值图像,并利用连通区域标记法对各分量进行定位;最后利用透分量消除法,将定位后的各分量依次提取出来,从而实现时频平面上的各分量分离.仿真实验表明,该方法能够实现多分量信号的有效分离,为后续信号的识别和参数估计奠定了基础.     

基于SVD的小波变换图像去噪方法

针对传统SVD图像去噪方法的不足,提出了一种基于SVD分解的小波分解图像去噪方法。通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分。实验结果表明该文提出的方法适用于图像信号的提取,与传统的SVD去噪方法相比,它提取出的信号特征成分更完整,信噪比更高。     

基于Contourlet变换的稀疏成分分析的高光谱图像分类研究

本文介绍了稀疏成分高光谱遥感技术发展建立在多光谱遥感技术之上[1],兴分析和Contourlet变换相关的理论知识,研究了基于Contourlet变换的稀疏成分分析的高光谱图像分类方法——将高光谱图像分类问题转化为解决源信号提取的盲源分离问题。通过实验提取分类数据,计算分类精度。比较实验数据可知,基于Contourlet变换的稀疏成分分析的高光谱图像分类精度高,取得了较好的分类效果。     

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

基于自适应过完备稀疏表示的红外图像滤波方法

针对传统滤波算法在滤除红外图像噪声时会损失部分有用信息的问题,提出一种基于自适应过完备稀疏表示的红外图像滤波方法。该方法采用K-SVD算法以待滤波的红外图像为样本训练出自适应过完备原子库;采用正交匹配跟踪算法将红外图像信号在该过完备原子库上稀疏分解为稀疏成分和其他成分,稀疏成分对应红外图像中的有用信息,其他成分对应红外图像中的噪声,由稀疏成分重建图像,从而达到消除噪声的目的。实验结果表明:该方法相比传统方法具有更好的滤波效果,重建图像质量较高。     

基于二维小波变换和独立分量分析的SAR图像去噪方法

该文给出了一种基于离散小波变换和独立分量分析的SAR图像斑点噪声抑制方法。首先利用小波变换对图像进行分解,然后将分解出的各部分子图像分别进行独立分量分析,提取出相应的独立源,去除噪声分量,最后依次进行ICA重构和小波重构。该文还同时比较了采用不同小波基函数时斑点噪声的抑制效果,研究了它们对斑点抑制的影响。对MSTAR实测SAR图像的实验结果表明该方法能够有效地抑制图像中的斑点噪声,且在性能上优于ICA和Lee滤波方法。     

Multi-stage image denoising based on correlation coefficient matching and sparse dictionary pruning

We present a novel image denoising method based on multiscale sparse representations. In tackling the conflicting problems of structure extraction and artifact suppression, we introduce a correlation coefficient matching criterion for sparse coding so as to extract more meaningful structures from the noisy image. On the other hand, we propose a dictionary pruning method to suppress noise. Based on the above techniques, an effective dictionary training method is developed. To further improve the denoising performance, we propose a multi-stage sparse coding framework where sparse representations are obtained in different scales to capture multiscale image features for effective denoising. The multi-stage coding scheme not only reduces the computational burden of previous multiscale denoising approaches, but more importantly, it also contributes to artifact suppression. Experimental results show that the proposed method achieves a state-of-the-art denoising performance in terms of both objective and subjective quality and provides significant improvements over other methods at high noise levels.     

基于稀疏分解的指静脉图像去噪

手指静脉识别技术因其独特的优势,受到广泛的关注。然而由硬件系统获取的手指静脉图像常常含有严重的噪声、阴影等问题,所以对低质量的静脉图像的去噪成为了整个识别过程的关键。本文提出了一种基于稀疏分解的指静脉图像去噪新方法。基于稀疏分解的图像去噪是将含有噪声的图像信息进行稀疏分解,分解成稀疏成分和其他成分。其中的稀疏部分是有用信息,其他部分被认为是噪声,再由图像的稀疏部分重建原始信号,达到恢复原始信号并去除噪声的效果。本文根据指静脉图像的静脉的特点,应用高斯函数构造了过完备库。用合成图像和真实指静脉图像分别对新算法进行实验验证。实验结果证明,与传统的去噪算法相比,峰值信噪比提高1-2dB。      

稀疏表达的自适应遥感图像融合算法

本文提出一种基于稀疏表达的图像融合算法。该算法利用稀疏系数中的非零元素所对应的基向量作为图像特征,首先分离相同基向量和相异基向量,然后采用加权求和算法合并相对应的稀疏系数,并重构得到融合图像。该算法对相同特征和相异特征分别进行融合,克服了融合图像中相异特征清晰度下降的问题。并且由于稀疏表达具有很好的去噪功能,本文算法也可以同时进行图像融合和去噪。通过与4种流行的融合算法比较,本文算法得到较好的视觉效果。      

基于独立分量分析的图像去噪研究

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪声信号的独立分量分析,使用最大似然估计对有噪声的ICA模型进行去噪处理,并研究了基于ICA的软门限图像去噪方法。在仿真实验中与其他的图像去噪方法进行了比较,突出了该方法在噪声方差较小时对非高斯信号的去噪优势。     

利用HSSIM和残差比阈值的3维激光扫描图像去噪

为了更好地实现3维激光扫描图像的去噪,提出一种融合直方图结构相似度(HSSIM)和残差比阈值的改进稀疏去噪算法。利用初始化过完备字典进行稀疏分解,以相似因子代替重构误差作为保真项,利用残差比阈值作为正交匹配追踪算法的迭代终止条件对图像进行去噪,获得了去噪后图像的峰值信噪比及HSSIM指标。结果表明,与基于db2小波变换、多尺度曲波变换和离散余弦变换的去噪方法相比,该算法能获得更好的峰值信噪比和HSSIM数据。在有效去除图像噪声的同时还能更有效地保留图像的细节特征。     

A robust method based on ICA and mixture sparsity for edge detection in medical images

In this paper, a robust edge detection method based on independent component analysis (ICA) was proposed. It is known that most of the ICA basis functions extracted from images are sparse and similar to localized and oriented receptive fields. In this paper, the L ^p norm is used to estimate sparseness of the ICA basis functions, and then, the sparser basis functions were selected for representing the edge information of an image. In the proposed method, a test image is first transformed by ICA basis functions, and then, the high-frequency information can be extracted with the components of the selected sparse basis functions. Furthermore, by applying a shrinkage algorithm to filter out the components of noise in the ICA domain, we can readily obtain the sparse components of the noise-free image, resulting in a kind of robust edge detection even for a noisy image with a very low SN ratio. The efficiency of the proposed method for edge detection is demonstrated by experiments with some medical images.     

Speaker Adaptation Using ICA‐Based Feature Transformation

Speaker adaptation techniques are generally used to reduce speaker differences in speech recognition. In this work, we focus on the features fitted to a linear regression‐based speaker adaptation. These are obtained by feature transformation based on independent component analysis (ICA), and the feature transformation matrices are estimated from the training data and adaptation data. Since the adaptation data is not sufficient to reliably estimate the ICA‐based feature transformation matrix, it is necessary to adjust the ICA‐based feature transformation matrix estimated from a new speaker utterance. To cope with this problem, we propose a smoothing method through a linear interpolation between the speaker‐independent (SI) feature transformation matrix and the speaker‐dependent (SD) feature transformation matrix. From our experiments, we observed that the proposed method is more effective in the mismatched case. In the mismatched case, the adaptation performance is improved because the smoothed feature transformation matrix makes speaker adaptation using noisy speech more robust.     

基于峰度的ICA算法

独立分量分析(ICA)是一种通过最大化多维观察向量元素的统计独立性寻找一个线性变换的统计方法，其作为有效的盲源分离技术是信号处理领域的热点。提出了一种基于峰度的快速ICA算法，此算法常用于盲信号分离和特征抽取。先从峰度的定义入手说明峰度作为代价函数的可行性，并详细介绍如何将神经网络学习规则转换成固定点准则，从而使得算法简单，且不依赖任何人为定义的参数。选取3个非高斯独立向量作为信号源进行Matlab仿真，分离效果良好。     

基于稀疏表达的图像去噪方法研究

提出一种基于混合字典的图像稀疏分解去噪方法。使用小波包函数和离散余弦函数构成混合字典,采用匹配追踪算法对图像进行稀疏分解,提取含噪图像中的稀疏成分,最后利用稀疏成分进行图像重构,达到去除图像中噪声的目的。实验中与单一字典稀疏分解去噪算法进行了对比,结果表明,所提出的混合字典稀疏去噪算法可有效提取图像中的稀疏结构,改善重构图像的主客观质量。     

Compression of facial images using the K-SVD algorithm

The use of sparse representations in signal and image processing is gradually increasing in the past several years. Obtaining an overcomplete dictionary from a set of signals allows us to represent them as a sparse linear combination of dictionary atoms. Pursuit algorithms are then used for signal decomposition. A recent work introduced the K-SVD algorithm, which is a novel method for training overcomplete dictionaries that lead to sparse signal representation. In this work we propose a new method for compressing facial images, based on the K-SVD algorithm. We train K-SVD dictionaries for predefined image patches, and compress each new image according to these dictionaries. The encoding is based on sparse coding of each image patch using the relevant trained dictionary, and the decoding is a simple reconstruction of the patches by linear combination of atoms. An essential pre-process stage for this method is an image alignment procedure, where several facial features are detected and geometrically warped into a canonical spatial location. We present this new method, analyze its results and compare it to several competing compression techniques.