基于NSCT变换和相似信息鲁棒主成分分析模型的图像融合技术

针对传统的图像处理是以单个像素点为基础进行融合而忽略了信息的相似性以及存在信息丢失的问题,提出了基于非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)和相似信息鲁棒主成分分析(Robust principle component analysis,RPCA)模型的图像融合技术。首先对源图像获取图像块构造初始矩阵,通过对构造矩阵进行NSCT分解获得高频和低频部分,利用提出的具有相似信息低秩矩阵模型将低频成分分解成低秩矩阵和稀疏误差矩阵,再分别对两幅图像的低秩矩阵、稀疏误差矩阵及高频成分采用绝对值最大法融合规则进行融合,最后通过逆变换得到融合图像。MRI和CT的脑部图像的实验分析结果表明,本文算法可以更好地保留源图像中的边缘和纹理信息。     

改进的Retinex低照度图像增强算法研究

针对Retinex算法处理低照度图像时会出现细节丢失、边缘模糊等现象,本文采用引导滤波和低秩分解对Retinex算法进行了改进。该算法在采用多尺度Retinex提升图像亮度、得到反射分量后,采用引导滤波和高频提升对图像的反射分量进行细节增强;然后,运用全局低秩分解算法去除稀疏噪声,有效地消除了低照度图像中的噪声,以及高频提升过程中产生的噪声。实验表明:该算法不仅能够有效的提高图像的亮度和对比度,同时也保留了原始图像中丰富的边缘和细节信息,并有效去除了图像噪声,图像的视觉效果与客观评价结果也都取得了较大提升。将该算法应用于低照度环境下的人脸检测,检测率也得到了提高。     

基于迭代对数阈值的加权RPCA非局部图像去噪

针对传统图像去噪算法的不足,提出了基于迭代对数阈值的加权RPCA非局部图像去噪方法,该算法首先根据图像的自相似性,对含有噪声的图像进行相似块匹配,获得低秩的相似块组矩阵,再构建RPCA模型,对模型中的低秩部分进行加权,利用迭代对数阈值的方法来求解目标函数.实验结果表明,无论是对于低噪声图像还是高噪声图像,都能够有效去除噪声,提高图像的峰值信噪比和结构相似指数,且能够很好的保持图像的结构纹理,图像视觉效果有明显改善.     

基于低秩表示投影的无监督人脸特征提取

为了构造数据之间的自适应邻接图,同时克服稀疏表示系数和协同表示系数互相独立、提取全局信息弱的缺陷,提出采用低秩表示(low-rank representation, LRR)系数构造权重矩阵的流形学习算法,即低秩表示投影(low-rank representation projections, LRRP)和判别低秩表示投影(discriminative low-rank representation projections, DLRRP)。在新算法中,将低秩表示系数表征的样本之间的邻接关系保留在特征空间;同时利用低秩系数的聚类性质,在优化目标中加入类内散度最小化项,计算出具有判别性的投影矩阵。试验结果表明,在真实人脸图像库上与其他几种流形学习算法相比,LRRP和DLRRP能够取得更好的识别率。提出的新算法是有效的特征提取算法,能够丰富流形学习框架。     

基于秩-1矩阵摄动的递归主元分析算法

针对传统主元分析（PCA）算法仅适用于定常系统监测的不足,提出了一种基于秩-1矩阵摄动的递归主元分析（RPCA）算法以适应实际工业过程的时变特性.RPCA算法首先对初始化样本协方差矩阵进行特征值分解,得到特征向量矩阵与特征值矩阵;然后在各时刻采用秩-1矩阵摄动算法对这两个矩阵递归更新并对其各向量与各元素排序,同时以累计方差百分比（CPV）为标准选取主元数目,从而显著降低了运算复杂度,节省了存储量.青霉素间歇发酵过程在线监测的仿真结果表明,RPCA算法大大降低了系统的误警率,并及时监测出过程中存在的故障.     

基于权重曼哈顿非负矩阵分解的图像修复和聚类方法

当数据中存在大量椒盐噪声时,传统的鲁棒非负矩阵分解方法无法获得更具有鲁棒性的低维特征.为了解决该问题,本文提出了一种更具有鲁棒性的权重曼哈顿非负矩阵分解来修复被污染的数据点以及通过曼哈顿矩阵分解获得鲁棒的特征表示.本文提出的模型可以被看作为非凸非光滑的优化问题,可以通过加速梯优化理论和最小一乘法求其局部最优解.通过对人脸图像ORL数据集加入椒盐噪声,实验结果表明本文提出的算法在图像修复和学习特征表示方面更有效、更鲁棒.     

隐低秩结合低秩表示的多聚焦图像融合

为使多聚焦图像的融合结果能保持全局性、保留局部的细节且对未配准源图像具有鲁棒性,提出了一种隐低秩表示结合低秩表示的多聚焦图像融合算法。该算法通过对源图像进行隐低秩表示,得到图像的低秩(全局)部分和显著(细节)部分,然后对低秩部分和显著部分分别使用滑动窗口技术分块,并将分块使用4个方向的Sobel算子进行分类学习子字典,将子字典合成完整字典后进行低秩表示,接着对低秩部分和显著部分的低秩系数分别进行融合,融合过程中引入导向滤波增强空间连续性,最后将融合的低秩系数分别乘以字典得到融合后的低秩部分和显著部分,两者相加则得到最终的融合图像。为验证算法的有效性,实验过程中选取3组数据,包括2组完全配准的多聚焦图像以及1组未完全配准的多聚焦图像,分析融合结果与源图像的残差,并使用4个融合质量评价指标进行量化分析。实验结果表明,该算法在主观视觉效果和客观质量评价分析方面都优于当前主流的多聚焦图像融合算法。     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

一种用于人脸识别的非迭代GLRAM算法

利用二维主成分分析算法通过协方差矩阵获得右投影变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出了一种矩阵广义低秩逼近的新的非迭代算法．ORL和AR人脸数据库的实验研究表明,新的非迭代算法在图像重建和图像识别都取得了和矩阵广义低秩逼近的迭代算法相近的效果,同时节省了大量的训练时间,而较二维主成分分析,新算法以较大的压缩率取得了更好的图像重建效果和识别率．     

分块鲁棒主成分分析的撞击坑图像检测识别

针对遥感图像地形背景复杂的问题,提出分块鲁棒主成分分析的撞击坑候选区域自动提取方法.基于图像分块,采用交替方向乘子算法进行结构稀疏的低秩分解,低秩成分表示冗余相似的背景,稀疏成分代表包含潜在撞击坑的显著区域.针对显著的区域图采用数学形态运算分割获取候选的撞击坑图像,并通过对候选图像进行稀疏表示的分类,识别出真实撞击坑.基于火星和月球图像的实验结果表明,该方法能有效去除复杂地形和光照的干扰,检测率达到91.7%.