结构相似度稀疏编码及其图像特征提取

将结构相似度引入到稀疏编码模型中,提出基于结构相似度的稀疏编码模型。基于该模型提取出图像的稀疏编码特征。实验结果表明,改进后的稀疏编码模型更好地保持了结构信息,更加符合人眼视觉系统特性。将文中提出的模型应用到特征提取中,可获得结构信息保持得更好的图像特征。     

非局部约束下的局部稀疏保持投影及其在故障检测中的应用

局部保持投影,保持数据的邻域关系,已成功应用于过程监测.然而,局部保持投影忽略了非局部结构信息,不能保证远距离样本之间的关系.最近提出的局部保持稀疏模型,利用稀疏编码获得一组超完备基,较好地表征原始数据的内在结构特征.鉴于稀疏编码能够较好地实现过程数据的局部稀疏表示,提出了非局部约束下的局部稀疏保持投影方法.首先,利用稀疏编码获取表征全局结构信息的稀疏码;其次,在非局部关系约束下保持局部结构特征,估计出不同稀疏码的概率密度,赋以相应权重,以便突出其对故障的贡献度;然后,融合过程状态信息构建合成统计量指标实施故障检测;最后,将提出的方法用于数值系统和TE化工过程仿真验证,并与现有的几种模型进行对比,结果表明了该方法的优越性.     

拉普拉斯稀疏编码的图像检索算法

由于稀疏编码中过完备的码本和独立的编码处理,在编码过程中图像块相似性信息被丢失。为了保留块与块之间的相似性信息,提出了拉普拉斯稀疏编码的图像检索算法。给定编码特征的初始稀疏码,计算拉普拉斯矩阵,将相似性合并到稀疏目标函数,结合特征符号搜索算法和黄金分割线搜索算法,逐个更新每个稀疏编码系数。实验表明,拉普拉斯稀疏编码增强了稀疏编码的鲁棒性,与SPM模型算法相比,拉普拉斯稀疏编码的图像检索算法有较高的准确率。     

一种改进的非负稀疏编码图像编码方案

稀疏编码就是对人类等哺乳动物视觉系统主视皮层强大图像编码能力的成功模拟,具有自适应性,且得到的图像基具有空间的局部性、方向性和频域的带通性。在稀疏编码基础上发展而来的非负稀疏编码,克服了特征间的相互抵消现象,编码性能更为优越。而利用经验模态分解技术加入图像结构信息的非负稀疏编码方法,在兼顾非负稀疏编码特性的基础上能更好地体现图像的结构性特征。本文提出了基于图像基的图像压缩方法,把这种改进的非负稀疏编码算法用于图像压缩,在保证较好图像解码质量的情况下,获得了理想的压缩比。     

改进的Salbayes算法在图像识别中的研究

当面对大量图像时,人眼会结合自底向上和自顶向下的两部分信息,快速对图像进行识别.在众多模拟人眼视觉的算法模型中,Itti提出的基于显著性的视觉注意力模型[1]得到了广泛的应用.SalBayes模型就是在此算法基础之上,结合Bayesian分类模型,通过建立学习对象的视觉特性的概率模型,从而实现快速地进行大批图像的分类和搜索.本文对SalBayes算法中的概率分布函数(PDF)进行了改进,通过用混合高斯模型(GMM)代替单一高斯模型来提高算法的分类效率.理论分析和实验结果表明,对于同一个图像库ALOI[8](Amsterdam Library of Object Images),本文算法相对于SalBayes算法而言,在图像识别的准确率有较大提高.     

基于感知的视点自动选取

为了在三维模型浏览系统中自动选取一个好的视点,使用户能够更有效地获取模型信息,提出一种自动视点选取算法.该算法基于视点信息熵理论和人眼的视觉感知理论,构建出一个与视点相关的模型视觉特征度量函数,并采用类随机梯度下降法来优化求解该目标函数,得到该度量标准下的最佳视点.实验结果证明,与已有算法相比,采用文中算法自动得到的最...     

一种SPIHT的改进算法

针对原SPIHT算法存在扫描的重复且没有充分考虑人眼的视觉特性(HVS)等不足,通过引入人眼视觉特性、DPCM编码及建立最大值表等思想对原算法进行了改进.仿真结果表明,改进算法较原算法在重构图像的主观效果、峰值信噪比和编解码效率上都得到了提高.     

基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。     

基于局部特征的非负稀疏编码神经网络模型

在非负稀疏编码(NNSC)的基础上,考虑特征基向量的稀疏度约束和特征基的局部性,提出一种基于局部特征的NNSC神经网络模型。该模型利用梯度和倍增因子相结合的优化算法实现特征系数的学习;利用倍增算法实现特征基的学习。对掌纹图像进行特征提取测试,结果表明,与传统NNSC模型和局部非负矩阵分解(LNMF)方法相比,该模型能有效提取图像的局部特征,收敛速度较快,可模拟初级视觉系统处理自然界信息的稀疏编码策略。     

基于稀疏表示的图像模糊度评价方法

根据自然图像稀疏表示基函数类似V1区简单细胞感受野的反应特性,以及系数反映神经元响应程度的特性,提出基于稀疏表示的图像模糊度评价方法.将输入图像分成互不重叠的块,采用训练好的词典对各块进行稀疏分解,并计算每块的关注度系数.将每块稀疏系数的p范数与关注度系数的加权和作为模糊度评价的依据.实验结果表明,该算法计算的模糊度相对于图像的模糊程度是单调的,具有较好的抗噪性,符合人眼视觉系统特性.     

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.     

Multi-layer sparse coding model-based ship detection for optical remote-sensing images

Ship detection plays an important role in remote-sensing image processing. In this article, we propose a multi-layer sparse coding model-based ship detection (MSCMSD) method, integrating bottom-up and top-down mechanisms, for ship detection with high-resolution remote-sensing images. The multi-layer sparse coding model was designed to reveal the way how information is processed by human visual system. It is adopted in MSCMSD to detect candidate regions containing ships before any further processing. To detect ships from candidate regions, an omnidirectional solution is also proposed for deformable parts model-based ship detection. As demonstrated in the experiments, MSCMSD can detect ships from optical remote-sensing images with a higher accuracy than other state-of-the-art algorithms.     

融合结构与非结构信息的自然图像恰可察觉失真阈值估计

目的 研究表明,图像的恰可察觉失真（JND）阈值主要与视觉系统的亮度适应性、对比度掩模、模块掩模以及图像结构等因素有关。为了更好地研究图像结构对JND阈值的影响,提出一种基于稀疏表示的结构信息和非结构信息分离模型,并应用于自然图像的JND阈值估计,使JND阈值模型与人眼视觉系统具有更好的一致性。方法 首先通过K-均值奇异值分解算法（K-SVD）得到过完备视觉字典。然后利用该过完备字典对输入的自然图像进行稀疏表示和重建,得到该图像对应的结构层和非结构层。针对结构层和非结构层,进一步设计基于亮度适应性与对比度掩模的结构层JND估计模型和基于亮度对比度与信息不确定度的非结构层JND估计模型。最后利用一个能够刻画掩模效应的非线性可加模型对以上两个分量的JND估计模型进行融合。结果 本文提出的JND估计模型利用稀疏表示将自然图像的结构/非结构信息进行分离,然后采用符合各自分量特点的JND模型进行计算,与视觉感知机理高度一致。实验结果表明,本文JND模型能够有效地预测自然图像的JND阈值,受污染图的峰值信噪比（PSNR）值比其他3个JND对比模型值高出35 dB。结论 与现有模型相比,该模型与人眼主观视觉感知具有更好的一致性,更能有效地预测自然图像的JND阈值。     

改进的非负稀疏编码图像基学习算法

图像基学习是图像特征提取与表示的重要方法之一。非负稀疏编码不仅具有标准稀疏编码算法的自适应性、空间的局部性、方向性和频域的带通性,而且更能反应哺乳动物的视觉机制。本文在非负稀疏编码的基础上,利用经验模态分解技术加入了图像的结构信息,提出了结合经验模态分解的非负稀疏编码算法,保证了系数矩阵的稀疏性与所提取图像特征的结构性。学习得到的图像基不仅具有非负稀疏编码的特征,而且更好地表示出图像的结构信息。     

Bidirectionally aligned sparse representation for single image super-resolution

It has been demonstrated that the sparse representation based framework is one of the most popular and promising ways to handle the single image super-resolution (SISR) issue. However, due to the complexity of image degradation and inevitable existence of noise, the coding coefficients produced by imposing sparse prior only are not precise enough for faithful reconstructions. In order to overcome it, we present an improved SISR reconstruction method based on the proposed bidirectionally aligned sparse representation (BASR) model. In our model, the bidirectional similarities are first modeled and constructed to form a complementary pair of regularization terms. The raw sparse coefficients are additionally aligned to this pair of standards to restrain sparse coding noise and therefore result in better recoveries. On the basis of fast iterative shrinkage-thresholding algorithm, a well-designed mathematic implementation is introduced for solving the proposed BASR model efficiently. Thorough experimental results indicate that the proposed method performs effectively and efficiently, and outperforms many recently published baselines in terms of both objective evaluation and visual fidelity.     

Robust object tracking via multi-scale patch based sparse coding histogram

There are many visual tracking algorithms that are based on sparse representation appearance model. Most of them are modeled by local patches with fixed patch scale, which make trackers less effective when objects undergone appearance changes such as illumination variation, pose change or partial occlusion. To solve the problem, a novel appearance representation model is proposed via multi-scale patch based sparse coding histogram for robust visual tracking. In this paper, the appearance of an object is modeled by different scale patches, which are represented by sparse coding histogram with different scale dictionaries. Then a similarity measure is applied to the calculation of the distance between the sparse coding histograms of target candidate and target template. Finally, the similarity score of the target candidate is passed to a particle filter to estimate the target state sequentially in the tracking process. Additionally, in order to decrease the visual drift caused by partial occlusion, an occlusion handling strategy is adopted, which takes the spatial information of multi-scale patches and occlusion into account. Based on the experimental results on some benchmarks of video sequences, our tracker outperforms state-of-the-art tracking methods.     

基于RGB-D融合特征的图像分类

当前经典的图像分类算法大多是基于RGB图像或灰度图像,并没有很好地利用物体或场景的深度信息,针对这个问题,提出了一种基于RGB-D融合特征的图像分类方法。首先,分别提取RGB图像dense SIFT局部特征与深度图Gist全局特征,然后将得到的两种图像特征进行特征融合;其次,使用改进K-means算法对融合特征建立视觉词典,克服了传统K-means算法过度依赖初始点选择的问题,并在图像表示阶段引入LLC稀疏编码对融合特征与其对应的视觉词典进行稀疏编码;最后,利用线性SVM进行图像分类。实验结果表明,所提出的算法能有效地提高图像分类的精度。     

基于多视觉词典的显著性加权图像检索方法

针对视觉词典在图像表示与检索方面的应用需求,本文提出了一种基于多视觉词典与显著性加权相结合的图像检索方法,实现了图像多特征的显著性稀疏表示。该方法首先划分图像为小块,提取图像块的多种底层特征,然后将其作为输入向量,通过非负稀疏编码分别学习图像块多种特征对应的视觉词典,将得到的图 像块稀疏向量经过显著性汇总方法引入空间信息并作显著性加权处理,形成整幅图像的稀疏表示,最后采用提出的SDD距离计算方式进行图像检索。在Corel和Caltech通用图像集上进行仿真实验,与单一视觉词典的方法对比,结果表明本文方法能够有效提高图像检索的准确率。