合成孔径压缩感知超声成像中的高效能稀疏字典设计

针对目前常见的稀疏字典缺乏针对性,在合成孔径医学超声成像中的应用效果不佳,难以在低压缩率下保证重构图像质量的问题,本文设计了一种高效能的稀疏字典。根据超声回波信号是由发射脉冲信号经过不同延时衰减后叠加的特点,利用发射脉冲作为基函数构造稀疏字典,回波信号在该稀疏字典确定的变换域中具备很好的稀疏性,理论上能使其稀疏表示系数的稀疏度等于超声阵元接收到的反射回波数。通过FieldⅡ对简单点目标和复杂目标的仿真结果表明:在相同的重构算法和压缩率下该稀疏字典重构的平均绝对误差明显小于常见的稀疏字典,其值仅为DWT的几分之一,DFT和DCT的几十分之一,能让回波信号以更低的压缩率实现相同的恢复效果。本文最后使用体模的实际采集数据对算法的实际效果进行检测,实验结果也与仿真结果基本一致。基于该稀疏字典的压缩感知算法可以进一步减少合成孔径成像所需存储的数据量、降低系统的复杂度。     

结合稀疏表示与神经网络的医学图像融合

临床辅助诊断对医学图像视觉效果提出了较高的要求,但非下采样轮廓波变换(NSCT)分解获得的低频子带系数不具有稀疏性,不利于保持源图像的细节信息。针对上述问题,提出了一种结合稀疏表示与脉冲耦合神经网络(PCNN)的医学图像融合算法。首先,通过NSCT将源图像分解成低、高频子带系数;其次,利用K奇异值分解(K-SVD)法训练低频子带系数获取过完备字典D,利用正交匹配追踪(OMP)算法稀疏编码低频子带系数,完成低频子带稀疏系数的融合。然后,利用高频子带的空间频率激励脉冲耦合神经网络,根据点火次数选择高频子带的融合系数。最后,将融合的低、高频子带系数通过NSCT逆变换重构出融合的医学图像。实验结果表明:对于边缘信息传递因子Q~(AB/F)指标,该算法灰度和彩色图像融合结果相比于对比算法约提升了34%和10%,且融合结果综合性能优于现有算法。     

基于稀疏表示法的绝缘子单片红外图谱的 故障诊断方法

以3伞瓷质劣化绝缘子单片为研究对象,利用红外成像技术采集成像,对获取图像依次进行分层切割、同态滤波去噪,形成绝缘子单片集。基于绝缘子单片的红外故障图像的稀疏特性,以单片集中的单张红外图谱作为原子构建过完备字典,利用贪婪思想下的正交匹配追踪算法,迭代求解被识别图像在此字典的稀疏表示系数,根据系数中的非零项来诊断被识别的绝缘子单片是否劣化。经过测试分析,基于稀疏表示的绝缘子故障诊断模型具有较好的识别准确率,对于劣化绝缘子的初期发热也具有极高的识别能力,对背景因素的干扰也具有较高的抗噪性。     

基于图像边缘提取的油水界面检测算法的比较研究

图像边缘包含图像的大量重要信息,它主要存在于目标与目标、目标与背景、区域与区域之间。图像边缘的图像的边缘检测是获取图像信息的一个重要环节。图像边缘的检测结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。本文将Sobel算子、形态学梯度、Canny算子三种边缘提取方法应用于油水界面检测,实验对比了这三种方法的油水界面检测效果,可以看出每一种算法的特性和他们各自的适用状况。     

基于局部敏感自调制字典的压缩感知矿井图像重构

本文针对现存的稀疏字典学习模型存在的计算负担重、训练速度慢、需要大量训练样本等问题,基于压缩感知和字典学习理论,提出了一种局部敏感自调制字典学习模型。该模型使用分块图像的压缩感知测量学习字典,加入局部约束条件,保证字典稀疏表示图像的能力,且能够快速得到解析解。实验结果表明,本文模型学得的字典相比其他字典,在矿井图像重构上体现了较好的优越性,重构的矿井图像保留了较真实的非平滑的结构特征,并且具有较好的鲁棒性,可以达到矿井图像自适应重构的目的。     

一种新的鲁棒无监督显著性目标检测方法

针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法——三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。     

基于显著性稀疏表示的图像超分辨率算法

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比(PSNR)增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

压缩感知算法在数字图像处理中的研究与应用

随着压缩感知理论研究工作的深入,压缩感知在信号和图像处理领域已引起众多研究者的关注。理论已经证明自然图像本身具有稀疏的表示特性,符合人类所接触的很多信号和图像的处理。近年来,压缩感知理论已被大量应用到信号和图像处理的各个领域[1]。如何构造一个适合不同模态图像的变换字典,并设计相应的快速而有效的稀疏分解算法是本项目中稀疏分解矩阵建立研究的重要内容;提出快速、准确、鲁棒性好的CS重建算法也是本项目研究的主要内容之一。     

一种符合视觉感知的视频运动模糊帧检测方法

为了更准确地检测视频中的场景运动模糊帧,首先利用稀疏表示的图像模糊特征,结合恰可察觉模糊概念,定义1种敏感的图像模糊度度量,用于检测视频序列中的非清晰帧;然后通过计算相邻帧之间的单应矩阵,估计相机的运动速度,并根据运动速度从非清晰帧中选择出观看过程中产生模糊感受的场景运动模糊帧。实验结果表明,所提出的算法可以有效地检测出视频场景运动模糊帧,相比于传统图像模糊检测算法,检测结果更符合人眼观看视频的主观感受。     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。