基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于低秩表示的鲁棒判别特征子空间学习模型

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。     

低秩矩阵恢复下的自适应图像超分辨率重建

低分辨率自适应图像的像素密度过于稀疏,导致图像清晰度达不到超分辨标准。为此提出低秩矩阵恢复下的自适应图像超分辨率重建方法。构建低秩矩阵恢复模型,计算峰值信噪比参数,完成低秩矩阵恢复下的自适应图像降噪处理。在图像区域中提取自适应特征,根据超分辨率判别条件定义具体的重建函数表达式,完成低秩矩阵恢复下自适应图像超分辨率重建方法的设计。实验结果表明,该方法的应用可使图像有效去噪,信噪比高于31 dB,重建后图像分辨率均值达到100 PPI,实现了超分辨重建。     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于矩阵分解和非凸秩近似的低秩表示算法

针对低秩表示模型的一般求解算法存在针对核范数存在近似矩阵秩不精确的问题,用矩阵分解技术与对数行列式函数替代矩阵核范数来近似矩阵秩函数。提出了基于矩阵分解和非凸秩近似的低秩表示模型,并设计了一种交替方向乘子法求解,最后用谱聚类方法进行聚类,通过数值实验对比,证明提出的算法有效性。     

自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别

面部表情识别很大程度上受限于来自相同条件、相同个体和大量标记样本这些假设,当突破上述假设条件时,识别性能将会显著下降。针对这个问题,提出一种自适应非负加权约束低秩稀疏表示的跨数据集面部表情识别方法,通过自适应非负加权矩阵约束加强图像数据表示中重要特征的作用并减少无用特征的干扰。通过映射矩阵的约束,使基于低秩与稀疏表示的子空间能够学习鲁棒的相似图像以便实现最终的跨数据集面部表情识别。在公开的JAFFE和CK+两个跨数据库上的对比实验结果表明,文章算法对于跨数据集面部表情识别的性能更优。     

Sparse representation for face recognition by discriminative low-rank matrix recovery

This paper proposes a discriminative low-rank representation (DLRR) method for face recognition in which both the training and test samples are corrupted owing to variations in occlusion and disguise. The proposed method extends the sparse representation-based classification algorithm by incorporating the low-rank structure of data representation. The DLRR algorithm recovers a clean dictionary with enhanced discrimination ability from the corrupted training samples for sparse representation. Simultaneously, it learns a low-rank projection matrix to correct corrupted test samples by projecting them onto their corresponding underlying subspaces. The dictionary elements from different classes are encouraged to be as independent as possible by regularizing the structural incoherence of the original training samples. This leads to a compact representation of a corrected test sample by a linear combination of more dictionary elements from the corrected class. The experimental results on benchmark databases show the effectiveness and robustness of our face recognition technique.     

基于低秩表示和学习字典的高光谱图像异常探测

提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法.相对于其它低秩矩阵分解方法如鲁棒主成分分析,低秩表示方法更为契合高光谱图像的线性混合模型.该算法将低秩表示模型应用到高光谱图像异常探测问题上来,引入表征背景信息的学习字典,大大增强了低秩表示模型对初始参数的鲁棒性.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地提高了异常的探测率,同时对初始参数具有较好的鲁棒性,可以作为一种解决高光谱图像异常探测的有效手段.     

基于低秩矩阵恢复的SAR图像相干斑抑制方法

针对合成孔径雷达(SAR)图像相干斑噪声的特点,提出了一种基于低秩矩阵恢复的SAR图像相干斑抑制算法。该算法首先对SAR图像进行对数变换,将SAR图像相干斑乘性噪声转化为加性噪声;然后对变换后图像等步长遍历提取图像子参考块,利用局部块匹配技术寻找子参考块的相似块组建相似子集,合并数据集中所有相似子集,构建近似低秩的矩阵;再通过低秩矩阵恢复算法将矩阵分解为低秩矩阵部分和稀疏矩阵部分;最后将低秩矩阵部分逆变换回图像块,基于图像块灰度值对图像的每个像素进行加权重构,生成相干斑抑制后的SAR图像。实验表明,文中所提出的算法能够有效抑制SAR图像中的相干斑噪声,同时很好地保留了边缘细节特征。     

一种基于全变分正则化低秩稀疏分解的动态MRI重建方法

针对应用迭代软阈值(IST)算法对基于低秩稀疏矩 阵(L＋S,low rank and sparse)分解模型的动态磁共振成像(MRI)图像 进行重建存在重建精度一般和重建速度慢的问题,提出在矩阵L＋S分解模 型的基础上引入全变分(TV)正则项,达到进一步去噪声和去伪影,提高重建精度目的;利用 非精确增广拉 格朗日算法(IALM)达到快速重建的目的。通过对心脏灌注动态MRI成像和心电影MRI成 像的仿真实 验表明:对于L＋S低秩稀疏矩阵分解模型的重建,IALM比IS T算法速度更快,精度更高;模型引入TV正则项 后再利用IALM重建,重建速度虽然比之前的IALM有所降低,但依然优于IST算法, 并且重建精 度高于之前的IALM。在L＋S分解模型中引入TV正则项 提高了MRI重建精度,运用IALM进行求解加快了重建速度,结合TV正则项和IALM达到了 快速、高精度重建的目的。     

Denoising by low-rank and sparse representations

Due to the ill-posed nature of image denoising problem, good image priors are of great importance for an effective restoration. Nonlocal self-similarity and sparsity are two popular and widely used image priors which have led to several state-of-the-art methods in natural image denoising. In this paper, we take advantage of these priors and propose a new denoising algorithm based on sparse and low-rank representation of image patches under a nonlocal framework. This framework consists of two complementary steps. In the first step, noise removal from groups of matched image patches is formulated as recovery of low-rank matrices from noisy data. This problem is then efficiently solved under asymptotic matrix reconstruction model based on recent results from random matrix theory which leads to a parameter-free optimal estimator. Nonlocal learned sparse representation is adopted in the second step to suppress artifacts introduced in the previous estimate. Experimental results, demonstrate the superior denoising performance of the proposed algorithm as compared with the state-of-the-art methods.     

低秩遮挡图像去噪方法

为获得清晰的低秩图像,提出一种将低秩矩阵填充 (LRMC)与低秩矩阵恢 复(LRMR)联合的新模型,基于非精确增广拉格朗日乘子(IALM)法进行求解,运用LRMC去除遮 挡并填充缺失部 分,再利用LRMR去除噪声,得到完整的图像。以恢复时间、信噪比(SNR)、峰 值信噪比(PSNR)、差错率(err)等做评价标准,对3幅受噪声污染的图像的恢复结果表明, 本文提出的联合LRMC与LRMR的新模型,既能去除遮挡又能够填充图像的缺失部 分,能够达到理想的恢复效果。