基于可分离字典的稀疏和低秩表示图像去噪

目的 为了有效去除图像中的椒盐噪声,提高图像质量。方法 文中将可分离字典和低秩表示结合,提出基于可分离字典的稀疏和低秩表示算法(SLRR–SD)。首先,使用可分离字典代替传统的过完备字典可分离字典可以对二维图像直接表示。其次,使用Frobenius范数对分离字典进行约束以挖掘字典内部的低秩性。此外,为了挖掘图像内部的稀疏结构,对表示系数使用稀疏约束进一步提升表示的有效性。结果 提出的算法在噪声强度为5%、10%、20%和30%下,PSNR/FSIM的平均值分别为32.736/0.975、29.769/0.957、29.295/0.951和26.768/0.921。结论 文中算法保留了相邻列之间的相关性,并且可分离字典优化过程也降低了计算负担。实验结果表明,该算法在保留原图像信息的同时能更好地完成去噪任务。     

自适应学习字典的信号稀疏表示方法及其在轴承故障诊断中的应用

信号稀疏表示的过完备字典根据构造方式分为解析字典和学习字典两大类。解析字典结构固定,自适应性差。构建解析字典需要充分分析振动信号的振荡特性,获取充足的先验知识。学习字典摆脱了先验知识的桎梏,可以直接从信号中自适应地训练学习出来,自适应性强。结合信号保真能力较好的广义极小极大凹罚函数,提出了基于自适应学习字典的信号稀疏表示方法,改进了K‐SVD算法中样本训练矩阵的构造方式,减少了运算时间,并且利用软阈值算法弥补了学习字典对噪声抵抗性较差的缺点。最后在缺乏先验知识的条件下,分别在轴承的仿真信号和实验信号的分析过程中,运用所提出方法实现故障诊断。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

Gabor特征结合Metaface学习的扩展稀疏表示人脸识别

为了克服人脸识别中存在的遮挡等闭塞问题,本文提出了Gabor特征结合Metaface学习的扩展稀疏表示人脸识别算法(GMFL)。考虑到Gabor局部特征对光照、表情和姿态等变化的鲁棒性,该算法首先提取图像的Gabor特征集;然后对Gabor特征集进行Metaface字典学习得到具有更强稀疏表示能力的新字典,同时引入Gabor闭塞字典来编码表示图像中的闭塞部分,并与新字典联合构造一组过完备字典基;最后利用过完备字典基求解稀疏系数重构样本,根据样本与重构样本之间的残差最小原则对人脸图像进行分类识别。在AR人脸库和FERET数据库上的实验结果验证了本文算法的可行性和有效性。     

一种基于动态字典学习的SAR图像目标识别算法

本文提出了一种应用于SAR图像目标识别的动态字典学习算法,该算法通过在字典学习过程中自动删除和增加字典条目来调整字典表示性能与尺寸.删除操作是在删除代价的约束下针对相关度高或利用率低的字典条目进行,而增加操作是在增加代价的约束下针对信号表示的残留误差的主分量进行,通过交替执行删除和增加操作来不断优化字典,使其表示能力达到最佳.在MSTAR数据集上的实验验证了算法性能,并给出了相应的参数调整建议.从实验结果和分析可看出,该算法具有识别率高、算法稳定等特点.     

基于字典算法的OCT图像散斑稀疏降噪

光学相干层析扫描(OCT)作为一种新型无创高分辨率扫描方式,在临床上得到广泛应用,但是OCT图像本身存在严重的散斑噪声,这大大影响了疾病的诊断。本文针对OCT图像中的乘性散斑噪声,改进了两种原始字典降噪算法。该算法首先对OCT图像进行对数变换,采用正交匹配追踪算法进行稀疏编码,以及K奇异值分解学习算法进行自适应字典的更新,最后通过加权平均以及指数变换回到空域。实验结果表明,本文改进的两种字典算法能有效降低OCT图像中的散斑噪声,获得良好的视觉效果。并通过均方误差(MSE)、峰值信噪比(PSNR)、结构相似性(SSIM)以及边缘保持指数(EPI)四个指标评价降噪效果,与两种原始字典降噪算法和传统滤波算法相比,两种改进字典算法降噪效果优于其他算法,其中自适应字典算法表现更好。     

基于自相似性与稀疏表示的超分辨率算法

目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法.该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后...     

增强稀疏编码的超分辨率重建

本文提出一种基于稀疏字典编码的超分辫率方法.该方法有效地建立高、低分辫率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辫率重建.较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效.字典训练过程中,本文选用高频信息作为高分辫率图像的特征,更有效地建立高、低分辫率图像决间的稀疏关联,所需的训练样...     

A novel region-based multimodal image fusion technique using improved dictionary learning

Recently, the sparse representation (SR) based algorithms have gained much attention from the researchers in the area of image fusion (IF). The building of a compact discriminative dictionary plays a vital role in the sparse-based IF techniques. In this context, an efficient multimodal IF method based on improved dictionary learning is investigated. The key contributions of this paper are: (a) An improved KSVD algorithm is suggested for the dictionary learning process, (b) to reduce the computational time, only the informative patches are selected using energy feature, and (c) a novel region-based fusion scheme is suggested for the first time for the problem on hand. The suggested technique is tested with a number of multimodal images from Harvard Medical School brain database. The results are compared with state-of-the-art multiscale transform-based methods and modified SR-based methods. Unlike earlier methods, our proposed technique generates an adaptive dictionary through selection of informative patches only. This results in a compact dictionary with improved computational efficiency. The experimental results reveal that our approach outperforms other methods. The potential application of the suggested method could be in pathological images for follow-up study and better treatment planning.     

改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。     

基于耦合过完备字典的红外云图超分辨率方法

针对红外云图分辨率低的问题,提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上,建立了采用稀疏表示理论的超分辨率重构框架,首先随机抽取大量高、低分辨率云图的图像块,组成训练样本,经过字典学习获取针对高、低分辨率云图块的两个字典Dh和Dl,为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示,提出一种耦合字典学习算法,该算法改变了字典对的更新策略,通过在每一步迭代中交替优化Dh和Dl,得到耦合的过完备字典对;最后对输入的低分辨率红外云图,采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm,OOMP),得到满足重构约束的高分辨率云图。实验结果表明,本文方法与其他方法相比,红外云图重构质量有较为明显的改善,而且比同类方法具有更高的计算效率。     

脊波理论:从脊波变换到Curvelet变换

本文旨较系统地评述继小波理论后,新近发展起来的具有变革意义的脊波理论的发展沿革、研究现状、应用前景和存在的问题。在信号处理、数据压缩、模式识别、统计估值等领域,获得对某些函数类的高的非线性逼近能力是至关重要的。由一维小波张成的二维小波虽然能有效表示含“点奇异”的二维函数,但对于含“线奇异”的二维函数,却不能获得最优的甚至哪怕是“近似最优”的非线性逼近阶。Candes提出的脊波变换巧妙地将二维函数中的“直线奇异”转化为“点奇异”,再用小波进行处理,能获得对含“直线奇异”的二维或高维函数最优的非线性逼近阶。正交脊波,则延续了脊波变换将“直线奇异”转化为“点奇异”进行处理的思想,并且构成一组L^2（R^2）上的标准正交基。单尺度脊波和Curvelet变换由脊波变换发展而来,分别利用了函数局部化和频带剖分的思想,将脊波理论发展到了一个更高的阶段,这两种变换都能“近似最优”的表示直线和曲线奇异,因而具有更好的应用前景。