利用结构约束和样本稀疏表示的图像修复方法

本文探讨了一种利用结构约束和样本稀疏表示,对结构信息缺损较大时的图像修复方法。利用多项式曲线拟合方式修复图像边缘信息,约束结构的修复;采用样本稀疏表示的窄带模型,优先修复结构信息;利用平移块的稀疏表示方法修复纹理信息。仿真结果表明,该方法修复图像质量高,既可较好地修复图像的边缘结构,又能保持结构的整体平滑性。     

特征分类学习的结构稀疏传播图像修复方法

针对样本图像字典自适应性差、有效信息单一、造成图像稀疏表示模糊的不足的问题,提出一种基于特征分类学习字典的结构稀疏传播图像修复方法.首先将图像块按特征分类,根据不同特征的图像样本进行样本训练得到相对应的过完备字典;然后对不同特征的待修复图像块提取不同的有效信息进行稀疏编码,使得稀疏表示具有较强的自适应能力;最后针对结构稀疏传播模型带来的偏差进行修改,完善结构稀疏的传播机制.仿真实验结果表明,该方法可以有效地修复图像结构边缘、不规则纹理和平滑部分的图像信息,修复后的图像质量有较大的提升.     

基于分布结构约束稀疏表示的图像分类方法

为了解决稀疏表示结构信息缺失的问题,从而更加准确地进行图像分类,本文提出一种新的基于结构约束的稀疏表示的图像分类方法。在对图像进行降采样的前提下,提取方向梯度直方图特征后的训练样本上构建稀疏线性编码模型,通过样本间的分布结构信息约束和?1范数最优化求解测试样本的稀疏系数x,利用稀疏系数均值法进行目标的分类识别。基于COREL图像库进行仿真验证,实验证明,基于结构约束稀疏表示的图像分类方法能够获得很好的识别性能,与非结构约束稀疏表示相比本文方法显著提高了图像分类的准确率。     

相似匹配块组的稀疏表示图像修复

目的 传统多样本块稀疏表示的图像修复过程中,容易因为匹配样本块的错误,重构出不正确的填充块,致使在边缘部分产生不连贯的现象,然而单样本匹配填充又容易产生明显的伪影,不能保证与周围结构保持连续,以致产生明显的修复痕迹,为此,本文提出一种改进的基于相似匹配块组的稀疏表示方法。方法 首先,采用颜色信息与余弦距离结合的方法定义图像块匹配准则,在目标邻域范围内获得结构变化趋势更相似的匹配块组;然后,在稀疏重构过程中,同时考虑已知信息和估计的未知信息,利用相似块与目标块的匹配程度,对稀疏系数增加不同的权重,以此来增强筛选匹配块的能力,减少纹理模糊现象;最后,根据结构稀疏度自适应地在各结构复杂度不同的区域确定样本块尺寸,减少图像修复过程中的错误传播现象。结果 实验结果表明,本文算法改善了在边缘修复过程中产生断裂或者纹理延伸的现象,不仅在主观视觉有明显的提升,其修复结果的峰值信噪比（PSNR）相较于其他相关稀疏表示修复算法提高了0.53 dB。结论 本文算法实现了对不同结构特征的彩色破损图像的修复,在结构边缘处有理想的修复效果,并且对各种形状的破损也具有良好的修复效果。     

图像块稀疏结构相似度邻域约束超分辨率方法

在利用稀疏邻域嵌入来改进视觉伪影的图像超分辨率过程中,以稀疏特征进行高频信息估计时会产生过拟合,导致图像目标的边缘纹理部分过于平滑而丢失细节信息.针对此问题,提出图像块稀疏结构相似度邻域约束超分辨率方法.首先通过建立高/低分辨率样本块对模型并进行字典对学习,同时得到样本对模型的同构稀疏表示系数;然后以图像块稀疏结构相似度作为特征,在样本对模型中进行稀疏结构相似邻域选择;最后建立图像超分辨率目标函数,将邻域加权估计、稀疏线性组合以及下采样逼近作为约束项,采用共轭梯度算法进行模型求解.利用公共数据仿真实验和实际采集图像进行实验,并对主要参数进行验证和分析,结果表明,该方法在抑制视觉伪影的同时有效地保留了图像细节信息,峰值信噪比和结构相似度等客观评价指标也有所提高.     

基于三层稀疏表示的图像修复算法

利用单一字典修复包含多种结构成分的复杂图像的效果不太理想,针对该问题,提出一种基于三层稀疏表示的图像修复算法。该算法利用离散平稳小波、曲波和波原子稀疏来表示图像的光滑、边缘和纹理部分,采用块坐标松弛算法求解对应的稀疏优化问题实现图像修复。实验结果表明,该算法可以修复包含多种结构成分的图像,有效提高图像的修复质量。     

一种自适应组稀疏表示的图像修复方法

针对组稀疏表示图像修复方法采用固定大小的图像块,致使修复结果中存在纹理和结构清晰性较差的问题,提出一种基于自适应组稀疏表示的图像修复方法。由于自然图像中纹理和结构信息不同,为了与原方法固定图像块大小的组结构作区分,首先提出一种自适应选取样本图像块大小的方法来构造自适应的组结构;然后以组为单位对其进行奇异值分解,获得该图像块组的自适应学习字典,并利用分裂伯格曼迭代(Split Bregman Iteration)算法求解目标代价函数;最后通过调整组中的图像块数量和迭代次数对每个组的自适应字典和稀疏编码系数进行更新,以获取较好的修复效果。实验结果表明,该方法不仅在峰值信噪比和特征相似性度量上有所提高,同时也提高了修复效率。     

划分特征子区域的图像修复算法

为了解决含有丰富纹理信息和复杂结构信息的大破损区域中的缺失信息修复的问题,提出了一种划分特征子区域的图像修复算法。首先,根据图像中包含的不同特征,运用特征公式进行特征提取,再通过统计特征值划分特征子区域,提高了图像修复的速度;其次,在原Criminisi算法的基础上改进了优先级的计算,通过增大结构项的影响,避免结构断裂的产生;然后,通过目标块和其最佳邻域相似块共同约束样本块的选取,确定最佳样本块集;最后,利用权值分配法合成最佳样本块。实验结果表明,所提算法相比原Criminisi算法,其峰值信噪比（PSNR）提升了2~3 dB,相比基于稀疏表示的块优先权值计算的算法,其修复效率有明显的提高。所提算法不但适用于一般小尺度的破损图像的修复,而且对于含有丰富纹理信息和复杂结构信息的大破损图像的修复效果也更佳,并且修复后的图像更加符合人们视觉上的连通性。     

基于群结构稀疏表示的图像修复

针对基于稀疏表示的图像修复方法存在稀疏系数先验知识表达不足等问题,考虑图像的纹理自相似性和原子系数的群结构稀疏性,提出了群结构约束的稀疏表示模型,通过选取合适的群结构约束稀疏系数,使字典中相邻基对应的稀疏系数之间建立联系,并统一对输入图像的有效数据图块与训练样本进行稀疏编码来进一步训练字典,使其具有相同的稀疏模式,从而建立联合稀疏关联,并将其作为先验知识指导图像修复。通过区域目标剔除、像素缺失修复等实验验证其性能,实验结果表明,该方法有较强的自适应性,修复效果较好。     

基于监督学习的稀疏编码及在数据表示中的应用

针对稀疏编码在数据表示时没有利用样本类别信息的问题,提出一种基于监督学习的稀疏编码算法,并应用于数据表示.首先利用样本的类别信息构建图,直接提取样本的鉴别结构信息;然后利用基向量拟合鉴别结构特性向量,进而在基向量中嵌入样本的鉴别信息;最后对样本逐个进行稀疏表示.在COIL20和PIE图像库的实验结果表明,相比几种无监督矩阵分解算法,所提出的算法更利于样本的表示和分类.     

基于稀疏表示的SAR图像压缩方法研究

基于过完备字典的图像稀疏表示是一种新的图像表示理论,利用过完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示。采用基于过完备字典稀疏表示的方法实现SAR图像的压缩。为了得到表示图像所需要的信息,只需要存储稀疏分解的系数极其对应的坐标,实现压缩的目的。采用K-SVD算法实现过完备字典的构造。K-SVD算法是一种基于学习的算法,由于训练样本全部来自于图像本身,因此字典能够更好地逼近图像本身的结构,实现稀疏表示。仿真表明对于SAR图像的压缩,算法是有效的,并且优于基于DCT的Jpeg算法和基于小波变换的EZW和SPIHT算法。     

图正则化迁移稀疏概念编码的跨域图像分类

为克服不同图像域之间的特征“差异”，跨越分布“鸿沟”，提出了一种基于正则化迁移稀疏概念编码的跨域图像分类方法。将图像域间的分布差异性和标签相关性信息融入稀疏编码模型中，以学习跨域图像的鲁棒性稀疏表示，从高维的图像特征空间中挖掘图像低维流形结构，形成基向量集，构造跨域图像的迁移稀疏概念编码。该方法挖掘不同图像域之间的共同特征表达，实现了图像标签的跨域迁移。通过在多个图像数据库中的比较实验表明，该方法获得更为鲁棒的图像特征表达，其分类性能显著优于其他相关比较方法。     

基于非局部自相似性的遥感图像稀疏去噪算法

基于非局部自相似性的遥感图像稀疏去噪方法研究,在为后续的图像分析、识别以及较高层次的处理提供保证方面具有重要意义。针对遥感图像中存在非局部自相似性和稀疏性,在分析传统稀疏去噪模型的基础上,将具有相似结构的非局部块构建成组,用组作为稀疏表示单元,利用基于组正则化稀疏模型进行图像去噪。此外,针对采用整幅图像进行字典学习具有高计算复杂度,分析组特点,为每个组自适应学习一个字典。最后,为获得有效的去噪结果,利用迭代收缩阈值算法解决L0最小化问题。以"资源三号"遥感图像为数据进行实验,结果表明,该算法能较好地去除遥感图像的噪声,提高图像的峰值信噪比,保持图像结构信息。基于非局部自相似性的遥感图像稀疏去噪算法能够充分利用图像块信息有效的去除图像中的噪声,提高图像质量。     

基于类别相关近邻子空间的最大似然稀疏表示鲁棒图像识别算法

为了构建一个快速鲁棒的图像识别算法, 提出基于类别相关近邻子空间的最大似然稀疏表示图像识别算法. 考虑到每个测试样本的不同分布特性及训练样本选择的类别代表性原则, 不再将所有训练样本作为稀疏表示的字典, 而是基于距离相近准则选择合适子空间, 从每个类别中选取自适应数量的局部近邻构成新的字典, 在减少训练样本的同时保留了稀疏表示原有的子空间结构. 然后基于最大似然稀疏表示识别方法, 将稀疏表示的保真度表示为余项的最大似然函数, 并将识别问题转化为加权的稀疏优化问题. 在公用人脸与数字识别数据库上的实验证明该算法的合理性, 提高识别速度的同时保证了识别精度和算法的鲁棒性, 特别是对于遮挡与干扰图像具有较好的适应性.     

基于Criminisi的结构组稀疏表示图像修复算法

结构组稀疏表示(structural group sparse representation,SGSR)算法对结构组的估计值进行奇异值分解得到字典,然后用Split Bregman Iteration算法求解优化模型得到稀疏解,最后借助字典和稀疏解来修复图像。该算法在一定程度上解决了传统稀疏表示算法忽略图像块之间相似性导致重构图像的结构和纹理不够自然的问题。但该算法中,结构组的估计值采用双线性插值算法得到,因此对块状缺失图像的修复效果一般。为了更准确地计算结构组的估计值,提出用Criminisi算法代替双线性插值算法,并由此时的估计值生成更合理的字典和稀疏解,得到重构的结构组,进而更准确地修复图像。实验数据表明,与SGSR算法相比,所提出的算法在峰值信噪比和相似结构性指数上分别平均提高了2.66 dB和0.0017,且在结构和纹理上取得了更自然的主观视觉效果。     

基于流形学习和稀疏约束的快速特征提取算法

针对稀疏保持投影算法在特征提取过程中无监督和L1范数优化的计算量较大的问题,提出一种基于流形学习和稀疏约束的快速特征提取算法。首先通过逐类PCA构造级联字典,并基于该字典通过最小二乘法快速学习稀疏保持结构;其次构造用于描述不同子流形距离的局部类间散度函数;然后整合所学习到的稀疏表示信息和局部类间散度信息以达到既考虑判别效率又保持稀疏表示结构的目的;所提算法最终转化为一个求解广义特征值问题。在公共人脸数据库(Yale,ORL和Extended Yale B)中 的 测试结果验证了该方法的可行性和有效性。     

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。