采用稀疏表示的红外图像自适应杂波抑制

针对红外图像中弱小目标的检测问题,提出了一种基于图像稀疏表示的自适应杂波抑制方法.首先,采集500帧红外图像样本,通过训练学习构造包含图像各个层次结构特征的多成分超完备字典;然后,通过红外图像的协方差自适应地选择与图像子块对应的超完备字典对图像进行稀疏表示,利用匹配追踪算法得到子图像在超完备目标字典下的最佳表示系数;最后,根据表示系数以及对应的原子向量对图像子块进行重构,从而得到突出红外小目标的高信噪比重构图像,实现杂波抑制.不同环境下的多项实验表明,该算法可在复杂背景下自适应地抑制杂波,提高图像的信噪比;通过简单的阈值分割可以分开目标和背景,为之后的目标检测处理奠定基础.得到的性能评价指标显示:本算法计算量较小,实时性较强,鲁棒性较强,易于硬件实现.     

基于稀疏超完备表示的目标检测算法

基于视觉超完备机制的图像稀疏表示是一种新的图像表征方法.针对目标检测问题,提出了一种基于视觉稀疏超完备表示的计算模型,实现了非结构化场景中的目标检测.该方法首先基于能量模型和评分匹配(score matching)方法建立稀疏超完备计算模型,进而设计了基于神经元响应以及动态阈值策略的目标检测算法,最后通过多类型交通图像验证算法有效性.结果表明,该方法与计算机视觉方法比较具有较高的准确率,能够利用少样本实现大交通流量中目标的检测.     

基于压缩感知的人脸超分辨技术

人脸超分辨是一个欠定的求逆问题,压缩感知理论提供了一种有效的逆问题求解方法.本文提出了一种基于压缩感知的人脸超分辨方法,该方法包含三个步骤:字典学习、稀疏编码和求解全局MAP方程.第一步,使用K-SVD算法获得能稀疏表示高分辨率人脸图像的字典;第二步利用训练好的字典,求解输入低分辨率图像块的最稀疏表达,由稀疏系数和稀疏字典求得超分辨图像块,组装成超分辨图像;最后,为了满足全局一致性限制条件和改进超分辨效果,对完整图像求解MAP方程.实验结果表明,与其它同类人脸超分辨方法相比,本文方法得到了更好的超分辨效果.     

基于压缩感知的人脸超分辨技术（英文）

人脸超分辨是一个欠定的求逆问题,压缩感知理论提供了一种有效的逆问题求解方法。本文提出了一种基于压缩感知的人脸超分辨方法,该方法包含三个步骤:字典学习、稀疏编码和求解全局MAP方程。第一步,使用K-SVD算法获得能稀疏表示高分辨率人脸图像的字典;第二步利用训练好的字典,求解输入低分辨率图像块的最稀疏表达,由稀疏系数和稀疏字典求得超分辨图像块,组装成超分辨图像;最后,为了满足全局一致性限制条件和改进超分辨效果,对完整图像求解MAP方程。实验结果表明,与其它同类人脸超分辨方法相比,本文方法得到了更好的超分辨效果。     

基于低秩三分解的红外图像杂波抑制

针对红外图像中对比度较低、目标信号较弱且受背景噪声杂波干扰较大的特点,结合信号的稀疏表示理论提出了一种基于低秩三分解模型的红外图像背景杂波抑制算法。首先,分别对红外图像中目标、背景和噪声3种成份进行建模描述,得到低秩三分解模型。然后,采用二维高斯模型构造红外小目标超完备字典,利用所提出的低秩三分解模型将分块重置的图像数据矩阵分解为背景、噪声和目标3种成份。最后,对于目标分量进行阈值处理从而得到突出红外小目标的重构图像,实现杂波抑制。在3种不同情况下的实验结果表明:本文算法能够使红外图像局部信噪比提高2倍以上;与其他经典算法相比,抑制因子至少提高15%。得到的结果表明,所提算法能够有效抑制杂波,在提高红外图像信噪比的同时,对不同噪声干扰也具有较强的鲁棒性。     

稀疏分解在动态测试信号处理中的应用

针对动态测试过程采样率高,噪声大的情况,提出一种基于Gabor原子库稀疏分解的去噪压缩方法.该方法利用匹配追踪算法将信号在超完备Gabor原子库中迭代分解,并采用相干比阈值作为迭代终止条件,可以根据信号噪声水平自适应调整迭代次数.针对匹配追踪算法计算量大的缺点,引入一种自适应遗传算法加以改进,提高了计算效率.试验结果证明了该算法可以有效去除高频噪声,并且实现信号大幅压缩.     

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。     

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。     

基于内容的双字典学习及稀疏表示的图像重构

提出了一种基于内容的双字典学习和稀疏分解结合起来的算法.针对待复原图像内容间的差异性,将训练图像块采用聚类的方法得到多个分类式的字典,从中选择最合适的内容分类来进行图像的恢复,这样做使算法更具区分性,提升了图像的自适应能力.在此基础上,将高频信息分为主要高频和次要高频,并训练双重字典,结合稀疏表示的方法对图像进行重构,这比传统的基于字典学习的算法捕获了更多的图像高频信息,进一步提升了图像重构的质量.方法采用了K-SVD算法以提高稀疏字典编码的计算效率.与其他方法相比,该算法获得了更为精细的图像细节,在PSNR测试数据和主观视觉上都获得了理想的提升.     

基于张量低秩分解和稀疏表示的红外微小气体泄漏检测

为了检测石化工业生产过程中微小气体的泄漏,提出了一种应用红外成像技术的单帧红外小目标检测方法。研究了低秩稀疏分解理论和稀疏表示理论,并提出了一种新的基于张量低秩分解和稀疏表示的小目标检测方法。该方法基于张量分解的形式充分发掘背景矩阵所包含的信息;利用先验知识构造微小气体泄漏的目标字典;同时利用背景的低秩约束和小目标的稀疏表示约束分解出微小气体的泄漏目标。最后基于非精确增广拉格朗日乘子法(IALM),对本文算法进行最优化求解,并通过实验分析比较了本文方法和已有方法的优缺点。结果表明:本文方法的检测效果优于其他已有方法,并且具有较好的ROC(受试者工作特征)曲线,可以满足工业生产中对微小气体泄漏检测的要求。