基于稀疏表示的SAR图像目标识别方法

为了准确地进行SAR图像目标识别,提出一种基于稀疏表示的SAR目标识别方法,在用主成分分析（PCA）进行降维的前提下,利用降维后的训练样本构建稀疏线性模型,通过 ξ1范数最优化求解测试样本的稀疏系数解x,利用系数的稀疏性分布进行目标的分类识别。基于MSTAR数据进行了仿真验证,实验证明,基于稀疏表示的SAR目标识别方法在一定的特征维数下能够获得很好的识别性能,在目标方位角未知的情况下识别率仍可达到98%以上。     

基于NSST-IHS 变换稀疏表示的SAR 与可见光图像融合

针对合成孔径雷达(SAR)与可见光图像成像原理不同,其融合图像常常存在感兴趣 目标不突出及光谱失真的问题,提出了一种基于NSST-IHS 变换稀疏表示的融合算法。对源图 像进行IHS 和NSST 变换,在所得低频分量上采用基于结构相似性和亮度差异性的稀疏表示融 合规则,高频分量上则采用基于改进的拉普拉斯能量和的融合规则,融合结果再通过NSST 和 IHS 逆变换得到。实验以哨兵1 号SAR 图像与landsat-8 可见光图像进行验证,并与传统的IHS、 Wavelet、NSCT、IHS-Wavelet-SR 和NSST-IHS 算法进行比较。结果表明,该算法不论视觉还 是评价指标都有了明显提高,空间结构信息和光谱信息得到有效的保持,有利于后续目标检测 与识别工作。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

基于多尺度稀疏表示的图像融合方法

针对目前基于稀疏表示的常用图像融合算法计算复杂度高以及忽略图像局部特征的问题,提出多尺度稀疏表示(multi-scale sparse representation,MSR)的图像融合方法.充分利用小波多尺度分析较好突出图像局部特征的特点,将其和过完备稀疏表示有效结合;待融合图像在小波解析域中进行小波多层分解,对每个尺度的特征运用K-SVD (kernel singular value decomposition)多尺度字典进行OMP (orthogonal matching pursuit)稀疏编码,并在小波域中各个尺度中进行融合.实验结果表明,与传统的小波变换、轮廓波变换、稀疏表示融合算法相比,该算法更能保证图像局部特征的完整性,实现更好的性能.     

基于稀疏表示和决策融合的图像分类方法

利用多个稀疏表示分类器融合的决策信息对图像进行分类,可避免单个特征对图像分类的影响。提出一种自适应调节权重的多稀疏分类器融合图像分类方法。对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器;根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重;融合各子分类器的输出结果进行最终类别判断。基于Cifar-10图像数据集进行多组实验,结果表明,相对仅提取单特征的图像分类方法,该方法有效提高了图像分类准确率。     

基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别

针对含有残缺图像的遥感图像目标识别问题,提出一种基于旋转扩展和稀疏表示的目标识别方法.首先对训练集进行旋转扩展,使得测试图像能近似用训练集稀疏表示,然后通过求解一个l1范数最小化问题得到测试图像相对于训练集的一个稀疏表示,进而根据不同类对应的稀疏表示对测试图像的近似程度进行识别.与代表性的方法进行比较,实验结果与分析表明,该方法识别率优于已有方法,对残缺图像的识别有较好的鲁棒性,且在小样本、低采样率情况下也能保持较好的识别性能.     

基于引导滤波和shearlet稀疏的遥感图像融合算法

针对遥感图像空间分辨率和光谱分辨率不可兼得的情况,结合多尺度变换与稀疏表示,提出一种shearlet稀疏基与引导滤波共同作用的遥感图像融合算法。以IHS融合模型为基础,利用引导滤波作拟合处理,再用shearlet变换分解亮度图像和全色图像,得到图像的高低频子带系数。对低频子图进行稀疏化处理并获取最优稀疏系数,稀疏系数以图像块活跃度取大的标准进行替换融合。基于区域能量和区域方差融合处理对应的高频子图,再利用shearlet反变换获取融合结果。实验结果表明,本文算法能提高图像清晰度以及光谱保留度,在图像完整度和细节考量上远好于其他算法。     

基于引导滤波和shearlet稀疏的遥感图像融合算法

针对遥感图像空间分辨率和光谱分辨率不可兼得的情况, 结合多尺度变换与稀疏表示,提出一种shearlet稀疏基与引导滤波共同作用的遥感图像融合算法。以IHS融合模型为基础,利用引导滤波作拟合处理,再用shearlet变换分解亮度图像和全色图像,得到图像的高低频子带系数。 对低频子图进行稀疏化处理并获取最优稀疏系数,稀疏系数以图像块活跃度取大的标准进行替换融合。 基于区域能量和区域方差融合处理对应的高频子图,再利用shearlet反变换获取融合结果。 实验结果表明,本文算法能提高图像清晰度以及光谱保留度,在图像完整度和细节考量上远好于其他算法。     

基于改进的稀疏表示和PCNN的图像融合算法研究

为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络（pulse coupled neural network,PCNN）的图像融合。利用非下采样剪切波变换（non-subsampled shearlet transform,NSST）对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解（K-singular value decomposition,K-SVD）算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。     

基于图像表示和稀疏表示的图像分类

为了更好地实现图像分类任务,论文提出了一种新的图像分类算法,该算法可以更好地保留原始图像的大尺度信息,有效地利用原始图像的全局特征,同时减小了同一物体在其不同图像中的差异性,显著地提高了图像分类准确率。该算法首先通过新的图像表示算法生成虚拟图像,然后分别对原始图像和虚拟图像使用图像分类算法获得相应的分类误差,最后通过简单高效的误差融合方案得到最终的分类误差。实验结果表明该算法有效地降低了图像分类的错误率。     

基于NSCT的SAR与可见光图像融合方法

为了更好地将可见光图像与噪声干扰严重的合成孔径雷达图像融合, 提出了一种最大尺度硬阈值去噪的方法, 在此基础上设计了一种融合规则, 根据噪声和信号在NSCT(nonsubsampled Contourlet transform)域的分解系数特性, 将NSCT分解的最大尺首先进行硬阈值去噪, 其他高频尺度与最大尺度对应的像素点取值方式保持一致, 在低频系数采用“简单绝对值取大”的融合规则, 最后进行NSCT逆变换得到融合图像。实验结果表明, 该方法能有效抑制斑点噪声, 并能充分保留源图像重要特征。     

基于边缘保留分解和改进稀疏表示的医学图像融合

针对多模态医学图像融合中容易产生伪影且存在细节缺失的问题,提出一种利用多尺度边缘保留分解和稀疏表示的二尺度多模态医学图像融合方法框架.首先利用边缘保留滤波器对源图像进行多尺度分解,得到源图像的平滑层和细节层.然后,将改进的稀疏表示算法用于融合平滑层,并在此基础上提出一种基于图像块筛选的策略来构建过完备字典的数据集,再利...     

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类（Sparse Representation for Classification,SRC）算法是一种基于[L1]范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解[L1]范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。     

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。     

基于稀疏表示的雷达辐射源信号级融合识别算法

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题,提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法。该方法将接收信号投影到稀疏域并进行压缩,从而在稀疏域完成融合,最后利用融合后的稀疏系数进行识别。该方法既降低了通信数据量,又较好地保证了信息的完整性。仿真实验表明,相对于单一传感器和决策级融合,所提出的方法可有效提高信号识别性能。     

基于稀疏表示的医学图像融合

针对传统基于K阶奇异值分解(KSVD)的字典学习算法时间复杂度高,学习字典对源图像的表达能力不理想,应用于医学图像融合效果差的问题,提出了一种新的字典学习方法:在字典学习之前对医学图像的特征信息进行筛选,选取能量和细节信息丰富的图像块作为训练集学习字典;根据学习得到的字典建立源图像的稀疏表示模型,运用正交匹配追踪算法(OMP)求解每个图像块的稀疏系数,采用"绝对值最大"策略构造融合图像的稀疏表示系数,最终得到融合图像.实验结果表明:针对不同的医学图像,提出的方法有效.