基于稀疏码收缩的图像去噪

数据的描述方法对提取数据特征至关重要,通常这种描述方法是基于数据的线性变换。传统的的傅立叶变换、离散余弦变换、主分量分析等线性变换方法都是基于全局变换的思想,无法反映图像在时频域的局部特征。独立分量分析是一种多维数据线性变换的方法,它从数据间的高阶统计特性出发,提取的图像数据特征基函数在空间频域中体现了方向性和局部性,能很好的自适应图像数据,并且其所得系数具有稀疏分布的特性。用它对无噪声图像数据进行学习,利用得到的稀疏码变换矩阵对噪声图像数据进行稀疏码变换,得到稀疏成分,并结合最大似然估计得到的软门限算子对该稀疏成分进行收缩,从而达到了去除图像噪声的目的。试验表明该方法在去噪效果和保存图像细节方面明显优于传统的维纳滤波方法。     

基于多重稀疏字典的行人检测方法

针对于稀疏编码在行人检测问题中提取的特征维数高和不能够有效描述行人的问题,提出了一种基于多重稀疏字典直方图的特征提取方法。通过稀疏表示方法,预先学习多个不同稀疏度的字典,分别利用每一个字典对行人图像进行稀疏编码,统计每个字典中对应稀疏编码单元的分布直方图作为行人图像的特征描述子。该方法提取到的特征维数低,并且能够有效地描述行人,具有良好的检测性能。     

基于Contourlet变换的稀疏成分分析的高光谱图像分类研究

本文介绍了稀疏成分高光谱遥感技术发展建立在多光谱遥感技术之上[1],兴分析和Contourlet变换相关的理论知识,研究了基于Contourlet变换的稀疏成分分析的高光谱图像分类方法——将高光谱图像分类问题转化为解决源信号提取的盲源分离问题。通过实验提取分类数据,计算分类精度。比较实验数据可知,基于Contourlet变换的稀疏成分分析的高光谱图像分类精度高,取得了较好的分类效果。     

基于卷积融合字典的电路板红外图像去噪研究

由于红外图像存在噪声,电路板芯片定位困难,因此基于红外图像的机载电路板故障诊断方法在实际应用中诊断效果并不理想。针对此问题,本文在卷积稀疏编码和字典学习的基础上,提出了一种基于卷积融合字典学习的航电系统电路板红外图像去噪算法。首先,并行融合改进卷积稀疏编码结构和离散余弦变换字典形成复合初始化字典,以有效提取电路板红外图像特征;接着,建立稀疏特征矩阵,更新红外图像特征原子;最后,将稀疏特征系数带入算法对模型进行训练和测试,完成电路板红外图像的去噪重构。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,与K SVD和卷积网络去噪方法相比,本文算法在图像视觉效果,输出PSNR和SSIM方面更具优势,具有更好的去噪效果。     

基于离线双字典学习算法的图像超分辨率重建研究

为了提高图像超分辨率重建的质量,采用离线双字典学习算法。首先图像块建立字典稀疏模型,确定字典中原子数量;然后使用基于离线字典学习对图像稀疏编码,同时把稀疏编码统一到一个框架中进行优化编码;接着对字典进行分解多个子字典,将图像块中像素点的列向量在子字典展开;最后双字典与超分辨率重构中不同分辨率的异构数据进行同构化,确定控制残差条件,给出了算法实现过程。实验仿真显示本文算法重建效果清楚,峰值信噪比最大,BIQI最小。     

基于独立成分分析的高光谱图像数据降维及压缩

该文提出了一种以高光谱图像分析为目标的基于独立成分分析的高光谱图像降维和压缩方法。该方法首先通过独立成分分析提取高光谱数据的光谱特征实现高光谱图像降维,再对降维后的图像采用预测和自适应算术编码的方法进行压缩。对220波段和64波段高光谱数据的实验结果表明,该方法与基于主成分分析的降维相比,压缩比有所提高,特别是更有利于后续的分析处理,但峰值信噪比有所降低。     

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法.为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理.首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然后,对低秩和稀疏成分分别设计不同的融合规则,得到融合低秩成分和融合稀疏成分,最终得到融合图像.最后,为了验证所提方法的融合效果,将所提方法与其他方法进行对比实验.实验结果表明,所提方法在视觉效果和客观评价指标方面均取得良好的效果.     

基于稀疏表达的图像去噪方法研究

提出一种基于混合字典的图像稀疏分解去噪方法。使用小波包函数和离散余弦函数构成混合字典,采用匹配追踪算法对图像进行稀疏分解,提取含噪图像中的稀疏成分,最后利用稀疏成分进行图像重构,达到去除图像中噪声的目的。实验中与单一字典稀疏分解去噪算法进行了对比,结果表明,所提出的混合字典稀疏去噪算法可有效提取图像中的稀疏结构,改善重构图像的主客观质量。     

基于稀疏自动编码机的场景识别算法

针对场景识别中低级特征与高级概念之间的语义鸿沟问题,提出了一种基于稀疏自动编码机的场景识别方法。采用了稀疏自动编码机和空间金字塔池化相结合的特征编码技术。首先对场景图像提取局部的HOG特征,然后利用改进的稀疏自动编码机对HOG特征进行编码,得到稀疏特征,通过空间金字塔池化和局部归一化得到整张场景图像的表示,最后利用线性SVM实现分类。在标准的场景图像数据集Scene-15上进行的实验表明,该算法可以将识别的准确率提升至81.97%。     

基于稀疏自编码的无监督哈希算法

最近邻搜索在大规模图像检索中变得越来越重要。在最近邻搜索中,许多哈希方法因为快速查询和低内存被提出。然而,现有方法在哈希函数构造过程中对数据稀疏结构研究的不足,本文提出了一种无监督的稀疏自编码的图像哈希方法。基于稀疏自编码的图像哈希方法将稀疏构造过程引入哈希函数的学习过程中,即通过利用稀疏自编码器的KL距离对哈希码进行稀疏约束以增强局部保持映射过程中的判别性,同时利用L2范数来哈希编码的量化误差。实验中用两个公共图像检索数据集CIFAR-10和YouTube Faces验证了本文算法相比其他无监督哈希算法的优越性。     

基于NMFSC的特征基因提取

稀疏方法有一个重要的优点就是能减少基因表达数据的复杂度,故它具有很好的可解释性。在这篇文章中,我们利用稀疏控制的非负矩阵分解(NMFSC)来提取特征基因,因为稀疏控制的非负矩阵比其他稀疏方法更具有可解释性。在实验部分,将NMFSC应用在植物基因表达数据集上,并将其与传统的稀疏方法(SPCA)进行对比。实验证明我们的方法要比其他方法能提出更多的基因。     

用于稀疏系统辨识的低复杂度集员NLMS算法

针对现有的稀疏集员(SM,Set-Membership)自适应滤波算法,普遍存在稳态均方偏差(MSD,Mean Square Deviation)的稳定性较低及运算复杂度较高等问题,提出了一种新颖的稀疏集员NLMS(NLMS,Normalized Least Mean Square)算法.该方案提出一种运算复杂度更低的...     

基于压缩感知的欠定图像盲源分离研究

系统阐述了利用稀疏成分分析(Sparse Component Analysis,SCA)算法进行欠定图像盲源分离。首先在估计出源图像个数的基础上,利用线性聚类估计混合矩阵;其次将压缩感知(Compressed Sensing,CS)应用到恢复源图像中。为了得到自适应的过完备稀疏字典来提高分离效果,提出了利用K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)算法对过完备DCT字典循环迭代训练的思想,并对图像分块处理来减少计算复杂度;最后进行了仿真测试并对分离出的图像进行了分析和进一步处理。     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

LDPC码译码算法及性能分析

为了进一步降低低密度奇偶校验(LDPC)码译码算法的复杂度,基于经典置信传播(BP)译码算法,给出了对数域迭代后验概率对数似然比(APP LLR)算法。通过概率域的和积算法(SPA)和对数域的迭代APP LLR算法的性能仿真及分析可见,迭代APP LLR算法能以较小的性能损失换取复杂度的大幅降低。进一步选用迭代APP LLR算法,结合不同地形条件下的VHF频段信道模型,仿真了LDPC码编译码系统的性能。理论分析及仿真结果均表明,基于迭代APP LLR算法的LDPC码,实现简单,性能优异,具有良好的工程应用前景。     

基于V-BLAST的数字—模拟域混合预编码技术在多用户大规模MIMO中的应用

在大规模MIMO 系统中,全复杂度单一基带预编码（如全复杂度破零预编码FC-ZF）需要与天线阵元数目相同的射频链路,进而以高复杂度的硬件实施为代价,混合预编码（HP）技术可以大大降低射频链路数,且性能上接近全复杂度单一基带预编码技术,因此HP技术具有较高的研究价值。提出的自适应数字—模拟域混合预编码（自适应混合预编码/AHP）技术较传统数字—模拟域混合预编码（传统混合预编码）技术可以进一步有效地降低硬件的复杂度,并将其与V-BLAST技术相结合,可以同时获得阵列增益和复用增益。仿真结果表明,提出的方案具有较高的频谱效率、较低的硬件复杂度及比较理想的误码率性能。     

基于改进梯度投影算法的压缩感知超宽带信道估计

超宽带是近年来兴起的一种高速无线通信技术,考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。针对梯度投影稀疏重构算法应用于超宽带信道估计中效果不佳的问题,提出了改进的梯度投影算法。改进算法采用原始算法的目标函数形式,取消原始算法中沿负梯度方向搜索和负梯度向可行集合投影后再搜索的交替搜索方式,改为一直沿负梯度方向搜索的单一搜索方式,从而避免了原始算法的高运算复杂度和过于严格的约束条件对算法的限制,同时该目标函数相对于梯度追踪算法加上了对稀疏噪声的约束条件,变成了l₁范数优化问题。实验结果表明该算法相对于梯度投影稀疏重构算法能够显著降低运算复杂度,提高运算速度,同时相对于梯度追踪算法也有重构性能上的提升。      

OFDM信道估计中基于随机导频的OMP算法研究

信道估计是正交频分复用（OFDM）系统中非常重要的一个环节,准确的信道状态信息是数据可靠接收的重要保证.文中具体采用基于随机导频的正交匹配追踪算法（OMP）对OFDM系统进行信道估计,通过与最小二乘（LS）算法性能对比,验证了OMP算法可以使用更少的导频获得较好的估计性能.并仿真分析了OMP算法对先验信道稀疏度的依赖程度,为实际应用提供了一定参考意义.     

基于稀疏阵列的米波TR MIMO雷达低空目标测高方法

基于时间反转（Time Reversal, TR）技术的米波多输入多输出（Multiple Input Multiple Output, MIMO）雷达能够有效利用反射波能量,较大地提升信噪比,但由于多径效应的存在,其采用均匀线阵信号模型时仍面临超低空目标测高精度下降以及测高误差随俯仰角变化起伏剧烈的问题。本文以降低多径效应的影响为目的,从阵列结构和算法实现两个方面出发,将稀疏阵列应用于米波TR MIMO雷达的低空目标测高。首先,本文建立了基于稀疏阵列的单基地米波TR MIMO雷达镜面反射信号模型,然后结合广义多重信号分类算法和最大似然算法,提出了适用于该模型的低空目标测高方法。最后,仿真实验表明,本文所提出的基于稀疏阵列的米波TR MIMO雷达低空目标测高方法具有更显著的结构优越性和更优的低空目标测高性能。     

无线传感器网络数据自适应稀疏变换

针对无线传感器网络节点位置移动及传输干扰等因素可导致数据稀疏结构改变的问题,提出一种基于字典学习的无线传感器网络自适应稀疏变换方法。根据网络数据稀疏结构变化,自适应构建最优稀疏变换基,同时在字典学习问题中引入无线传感器网络数据稀疏基的可压缩约束,以满足无线传感器网络中大规模数据处理特点及稀疏变换的高实时性要求。理论分析和仿真结果表明,所提算法可有效提高无线传感器网络数据稀疏变换算法的顽健性,同时具有良好的实时性。