基于过完备线性预测字典的压缩感知语音重构

基于语音信号帧内样值间的相关性和冗余域的稀疏性,针对采用离散余弦转换矩阵及基追踪方法对压缩感知采样语音进行重构时,语音稀疏性不够好导致大压缩比采样后重构效果差的缺点,提出采用过完备线性预测字典做转换矩阵,用基追踪重构算法对压缩感知采样语音进行高质量重构。该方法预先由训练语音的预测系数聚类构造过完备字典,不需要测试语音的预测系数;基于过完备线性预测字典重构信号性能良好。对利用基追踪重构的语音进行了主客观评价,得出结论:同样的观测数目下,基于过完备线性预测字典比基于离散余弦变换矩阵压缩感知采样语音重构信噪比高出3～8 dB。     

低秩聚类被动压缩鬼成像

低采样率下的高质量鬼成像（GI）对于科学研究和实际应用具有重要意义,为了在低采样率条件下重建高质量图像,提出了一种高质量的被动式压缩鬼成像重构算法（PCGI-LRC）。基于图像的非局域相似块堆叠而成的矩阵具有低秩和稀疏奇异值的假设,从理论和实验上证明了一种对最小二乘问题与非局域相似块低秩近似问题进行联合迭代求解的方法,能够在低采样率（6.25%～50%）条件下实现高质量鬼成像。实验结果表明：与基于稀疏基约束的GI(GI-SBC)和基于全变分约束的GI(GI-TVC)相比,PCGI-LRC在峰值信噪比、结构相似性系数和视觉观测等方面均更优,在抑制重构噪声的同时保持了目标的细节信息,其中PSNR提升效果优于1.1 dB,SSIM提升效果优于0.04。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

基于压缩感知的频域OCT图像稀疏重构

为了减轻频域光学相干断层扫描成像(Frequency Domain Optical Coherence Tomography,FD-OCT)中高数据量导致的后续数据采集与处理系统的压力,同时解决成像时间和成像质量之间的矛盾,引入了压缩感知技术,并对该技术中的重构算法进行了重点研究。首先,通过分析压缩感知技术的框架,利用离散余弦变换(Discrete Cosine Transform,DCT)获得频域OCT图像的稀疏表示。接着,利用高斯随机矩阵对OCT图像进行线性观测。然后,研究了FOCUSS(Focal Underdetermined System Solver)重构算法的原理,并在算法中结合分块思想、引入正则项lp范数以及嵌入各向异性平滑算子。最后,组合所有小图像块,得到整幅频域OCT图像的压缩感知重构结果。实验结果表明:改进重构算法的运行时间由78.65 s缩短为1.89 s,并且显著改善了图像块效应,将重构图像的PSNR值提高了1.6～2.7 dB,SSIM值可达到0.938 3。压缩感知技术可以用较小的采样数据量精确重构出原始频域OCT图像,改进FOCUSS重构算法可以在一定程度上实现频域OCT图像重构效率和重构质量的平衡。     

基于稀疏处理的多能X射线分离成像

利用独立成分分析(Independent Component Analysis,ICA)并结合多能X射线图像的丰富信息可以将二维X射线图像中重叠目标分离成像,但是海量的图像数量,以及高像素数的要求均会使内存占有量和计算速度面临挑战,因此本研究将压缩感知(Compressed Sensing,CS)与ICA相结合进行分离成像,以提高计算速度和分离成像性能。研究过程中,首先根据被拍摄物体的物质组成确定拍摄多能X射线图像数量,并选取CS技术中K均值奇异值分解(K-means SingularValue Decomposition,K-SVD)稀疏基将多能X射线图像进行稀疏表示,然后利用ICA将此稀疏表示进行盲源分离得到独立源,最后采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)将独立源进行重构实现分离成像。研究结果表明:采用ICACS技术比仅采用ICA进行目标分离成像的运行时间减少了46.14s(23.3%)、内存占有率降低了21%、重构图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高了2.665dB、边缘梯度提高了0.001、信息熵提高了0.09。     

振动信号过完备字典完整训练样本重构性能研究

针对用于训练过完备字典的样本集合中信号类型不足会影响到后续分析、分类和识别精度的问题,提出了一种基于过完备字典完整训练样本的滚动轴承振动信号压缩重构方法。该方法首先构造了用于字典学习的样本集合,使其尽可能多地包含各种信号成分;然后从所构造的多信号样本集合中随机选取K个原子作为初始字典,采用K-SVD算法对初始字典进行训练更新得到过完备字典,获得信号在K-SVD过完备字典上的最稀疏表示;最后利用高斯随机测量矩阵对振动信号进行压缩测量,并基于压缩测量数据采用正交匹配追踪(OMP)算法对原始信号进行重构。仿真实验结果表明,不同的训练样本集合对信号的重构精度有着很大的影响,且基于K-SVD过完备字典对信号进行稀疏表示时在较低的采样率下依然有着精确的重构性能。该方法在不丢失原始振动信号主要信息的情况下重构精度更高、重构时间更短。     

基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法

针对目前机械振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法。首先分析了振动信号在基于K-奇异值分解(K-Singular value decomposition,K-SVD)字典学习算法得到的过完备字典上的近似稀疏性,即可压缩性;然后利用高斯随机矩阵对振动信号进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。仿真测试结果表明,当振动信号压缩率在60%~90%时,基于K-SVD字典学习算法构造的过完备字典比基于离散余弦过完备字典压缩感知重构相对误差小。该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。     

一种超光谱图像分层压缩方法

根据超光谱图像有很强谱间相关性的成像特点,设计了一种预测算法结合变换编码算法的图像分层压缩方法。采用几个相邻波段图像共享同一有损图像作为预测图像,克服了预测算法对传输误差的敏感性。预测图像是通过对原始图像进行局部熵为代价函数的四叉树分割后,再经小波变换得到的。用各个原始图像减去共享预测图像来去除谱间相关性,并得到相应残差图像,再对残差图像采用局部离散余弦基变换方法去除空间相关性,实现近无损压缩。研究结果表明,各波段峰值信噪比(PSNR)为40dB左右时,压缩比(CR)高于7.2,分层压缩方法具有很好的压缩效果。     

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。     

航空视频图像实时压缩算法的优化设计

提出了一种针对航空视频图像的编码优化方法,在工控计算机上实现了两路PAL制式彩色视频的同时实时压缩存储.选择离散余弦变换(DCT)去除图像的相关性,在比较各种DCT方法后,对AAN算法进行优化改进,并给出优化的依据,同时优化了可变长编码(VLC)中VLC表的检索方式.通过对视频压缩算法中运算量最大的两个算法模块进行优化改进,在P4 3.0G处理器上实现了8 ms内压缩一帧768×576的彩色图像.算法在32∶1的压缩比下,峰值信噪比(PSNR)为29.47,接近小波压缩算法在该压缩比下的PSNR值,确保了压缩质量.实验结果表明,优化方案在压缩速度、压缩率与压缩质量3者间取得了平衡,能很好地满足航空视频图像实时压缩的需求.     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

基于群稀疏系数估计的图像重构算法

基于稀疏表示的图像先验信息模型被广泛用于实现图像的重构中。针对稀疏表示中字典选择与系数估计的关键问题,提出了基于稀疏表示与非局部自相似性相结合的图像重构方法。首先通过欧氏距离的块匹配寻找相似图像块,并利用左右字典分别对相似图像块集合进行局部稀疏与非局部稀疏表示,以获得更稀疏准确的稀疏表示系数。进一步针对传统阈值收缩法对稀疏系数估计精度不足的问题,利用伯格曼迭代算法快速有效地求解重构模型,并采用线性最小均方误差估计准则(LMMSE)实现稀疏系数的估计,以保证对包含图像纹理细节信息的小系数的精确估计。实验结果表明,本文方法不仅在PSNR等客观指标上达到了目前先进水平,而且重构后图像拥有更为丰富的细节信息,整体视觉效果更加清晰。     

数据保真项与稀疏约束项相融合的稀疏重建

本文针对低光子计数成像过程中产生的泊松高斯混合噪声,提出了一种数据保真项与稀疏约束项相融合的稀疏重建方法。首先,基于泊松高斯噪声相互独立的混合噪声模型,建立了数据保真项与稀疏约束项相融合的稀疏重建目标函数;在图像块聚类的基础上,应用改进贪婪算法实现类内稀疏分解和字典更新;最后,稀疏分解和字典更新交替迭代求解干净图像。针对强烈泊松高斯噪声污染图像的重建实验显示,本文方法与对比方法相比,重建结果的PSNR值平均提升了5.5%,MSSIM值也有明显提升。这些结果表明:本文方法对具有强烈泊松高斯混合噪声的图像有较好的图像复原和噪声去除效果。     

基于跨尺度字典学习的图像盲解卷积算法

在模糊核未知情况下利用模糊图像对清晰图像进行复原称为图像盲解卷积问题,这是一个欠定逆问题,现有的大部分算法通过引入模糊核和清晰图像的先验知识来约束问题的解空间.本文提出了一种基于跨尺度字典学习的图像盲解卷积算法,采用降采样图像训练稀疏表示的字典,并将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中....     

基于Gabor特征和遮挡字典的带遮挡人耳识别

通过引入遮挡字典来编码图像受遮挡部分,稀疏表示分类方法在带有遮挡情况下的人耳识别中能够取得较好的识别性能。然而,常规的利用单位阵作为遮挡字典的方法会对稀疏模型求解带来很大的计算量。提出了一种基于Gabor特征和Gabor遮挡字典的稀疏表示分类方法。利用图像的Gabor特征构造无遮挡字典,因为这种局部特征在姿态变化或遮挡情况下具有一定的鲁棒性。通过学习算法计算出比单位阵遮挡字典更为合理的Gabor遮挡字典,使得图像中被遮挡部分在遮挡字典上的稀疏编码具有更大的稀疏度。在两个人耳图像库上的实验结果表明,相比已有的基于稀疏表示的人耳识别方法,该方法在遮挡情况下能够取得更好的识别效果;对真实环境中存在头发遮挡的人耳识别,也能够取得较好的识别性能。     

基于低秩矩阵分解的光场稀疏采样及重构

光场成像技术中光场的采集和数据的压缩处理是亟待解决的问题。为了实现光场的稀疏采样和恢复,建立了基于光场低秩结构的压缩采样相机系统,研究了光场矩阵的结构特征及压缩采样下光场图像的重构问题。根据静态光场各视点图像之间的内容相似性,将这些图像向量化并按列组合成一个二维矩阵,该矩阵呈现出低秩或近似低秩的状态。对光场图像矩阵进行低秩分解,结果表明偏离低秩的部分呈现出很强的稀疏性性质,低秩和稀疏各自表征不同的数据冗余度。然后,对基于掩膜的相机采样系统进行随机Noiselets变换测量,鉴于重构过程是一个低秩稀疏相关性约束下的优化求解问题,采用贪婪迭代求解分别重构出光场矩阵的低秩部分和稀疏部分。仿真结果表明,重构图像的PSNR维持在25dB以上,且保留了光场视点间的视差信息,能够满足稀疏采样中对光场图像的要求。     

Image denoising via overlapping group sparsity using orthogonal moments as similarity measure

Recently, sparse representation has attracted a great deal of interest in many of the image processing applications. However, the idea of self-similarity, which is inherently present in an image, has not been considered in standard sparse representation. Moreover, if the dictionary atoms are not constrained to be correlated, the redundancy present in the dictionary may not improve the performance of sparse coding. This paper addresses these issues by using orthogonal moments to extract the correlations among the atoms and group them together by extracting the characteristics of the noisy image patches. Most of the existing sparsity-based image denoising methods utilize an over-complete dictionary, for example, the K-SVD method that requires solving a minimization problem which is computationally challenging. In order to improve the computational efficiency and the correlation between the sparse coefficients, this paper employs the concept of overlapping group sparsity formulated for both convex and non-convex denoising frameworks. The optimization method used for solving the denoising framework is the well known majorization–minimization method, which has been applied successfully in sparse approximation and statistical estimations. Experimental results demonstrate that the proposed method offers, in general, a performance that is better than that of the existing state-of-the-art methods irrespective of the noise level and the image type.