稀疏贝叶斯字典学习空时机动目标参数估计算法

针对基于稀疏恢复的空时自适应处理(STAP)目标参数估计方法中字典失配导致估计性能下降的问题,该文提出一种基于稀疏贝叶斯字典学习的高精度目标参数估计方法。该方法首先通过目标方位信息补偿多个阵元数据构建联合稀疏恢复数据,然后对补偿后的每个阵元数据利用双线性变换进行加速度和速度项分离。最后构建速度参数和加速度参数的泰勒级数动态字典,对机动目标参数进行高精度贝叶斯字典学习稀疏恢复。仿真实验证明,该方法能有效提高字典失配情况下目标参数估计精度,估计性能优于已有字典固定离散化的稀疏恢复空时目标参数估计方法。     

一种应用于图像修复的非负字典学习算法

提出了一种基于非负稀疏字典学习的图像修复算法,在非负矩阵分解(NMF)的目标函数中增加稀疏约束项,再通过稀疏编码和字典更新两步迭代学习得到训练样本的非负字典,稀疏编码采用的是非负正交匹配追踪(OMP)算法,字典更新则类似经典的KSVD算法;最终根据字典通过光滑L0范数算法得到待修复图像的稀疏系数,进而实现图像的修复。图像修复实验结果表明,本文算法能够对不同类型缺失的图像做到较好的修复,修复的视觉效果和技术指标都优于当前主流算法。     

非局部学习字典的图像修复

该文提出一种新的基于学习的图像修复算法。与经典的稀疏表示模型不同,该文将非局部自相似图像块统一进行联合稀疏表示,训练高效的学习字典,并使自相似块间保持相同的稀疏模式。该方法既确保自相似块投影到稀疏空间后也具有相似性,也较好地保留了自相似块间的相关性信息,更有效地建立了它们的联合稀疏关联,并将这种关联作为先验知识来指导图像的修复。该算法使用大量自然图像样本来训练初始的过完备字典,既利用了样本图像的先验知识,又充分考虑了待处理图像本身的相关信息,自适应性强。通过对自然图像进行大﹑小范围图像修复和文字去除实验,该文方法均取得不错的修复效果。     

基于结构聚类和字典学习的多帧图像超分辨率重建

提出了一种基于结构聚类和字典学习的超分辨率重建方法,用于多帧或视频图像的高分辨率重建;该方法采用导控核提取图像的局部结构特征,对图像分块进行结构聚类,并通过构建自适应的字典,最终实现稀疏约束重建。给出了实际视频图像的超分辨率重建结果,实验结果验证了本文方法的有效性,且具有较好的重建质量。     

具有新目标函数的改进型变分贝叶斯

针对变分贝叶斯迭代运算中参数集分解所带来的问题,定义表观信息作为新的目标函数,提出了一种改进型的变分贝叶斯方法.该方法应用于线性高斯动态系统时,等价于Kalman滤波方法.推导过程还得出了Kalman增益的简化计算方程.     

一种基于多字典学习的图像分割模糊方法

本文提出一种基于多字典学习的图像分割模糊模型和算法.在模型中,结合多字典学习和模糊方法,考虑了分割区域内部的一致性和边界的正则性：一方面使用区域块均值和带有类标的结构字典重构图像块,利用重构误差和l2正则能量共同度量分割区域内部的一致性,该度量能够刻画图像不同区域的灰度信息和纹理模式;另一方面采用小波系数稀疏正则保持分割区域边界的几何结构.基于交替方向乘子法和字典学习方法给出新模型的快速求解算法.在该算法中,除了小波阈值,每一步都是显示表达式,因此简单易用.一系列实验结果验证了本文算法的有效性.     

基于混合方式的贝叶斯网络等价类学习算法

贝叶斯网络(BN)是不确定知识表示和推理的主要方法之一,是人工智能中重要的理论模型.针对现有混合方法学习BN结构不稳定、容易陷入局部最优等问题,本文将图论中的最大主子图分解理论与条件独立(CI)测试相结合,同时引入少量的局部评分搜索,提出一种新的基于混合方式的BN等价类学习算法.新算法通过确定所有变量的Markov边界构造网络的无向独立图,并对无向图进行最大主子图分解,从而将高维的结构学习问题转化为低维问题,然后利用低阶CI测试和局部评分搜索识别子图中的V结构.理论证明以及实验分析显示了新算法的正确性和有效性.     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

应用字典学习算法改善Bayer格式图像彩色恢复效果

利用单片探测器获取彩色图像,插值算法的优劣对结果起着决定性的作用。为了改善恢复效果,该文设计了一种基于字典学习的非线性Bayer格式图像彩色插值算法。根据图像梯度的变化,首先,在上下左右方向利用局部方向插值方法(LDI)对Bayer格式图像进行合并计算,用高斯混合模型(GMM)分类法训练字典,运用主分量分析(PCA)方法提取训练结果中的主要分量为学习提供样本,通过学习,得到R,B通道缺失的G^分量。然后,应用G^分量,插值得到另外两种缺失分量R^和B^,从而得到彩色图像。选取McMaster图像集作为字典,分别用算法对标准图像和使用DALSA公司彩色CMOS探测器开发的相机实际拍摄的图像进行插值恢复,较其它几种算法,视觉上伪彩色最少,峰值信噪比最优。整体性能优于现有的很多其它插值算法。     

基于自适应多字典学习的单幅图像超分辨率算法

自适应字典学习利用图像结构自相似性,将图像自身作为训练样本,通过字典学习使图像中的相似块在字典下具有稀疏表示形式.本文将全局字典学习中利用图像库获取附加信息的思想融入到自适应字典学习的过程中,提出了一种基于自适应多字典学习的单幅图像超分辨率算法,从低分辨率图像自身与图像库同时获取附加信息.该算法对低分辨率图像金字塔结构中的图像块进行聚类,在聚类结果的引导下将图像库中的图像块进行分类,利用各类中的样本分别构建针对各类的多个字典,从而确定表达重建图像块的最优字典.实验表明,与ScSR、SISR、NLIBP、CSSS以及mSSIM等算法相比,本文算法具有更好的超分重建效果.     

一种三阶多项式相位信号去噪的字典学习算法

在加性高斯白噪声的影响下,对于三阶多项式相位信号(CPS),经典的字典学习算法,如K-means Singular Value Decomposition(K-SVD), 递归最小二乘字典学习算法(RLS-DLA)和K-means Singular Value Decomposition Denoising (K-SVDD)得到的学习字典,通过稀疏分解,不能有效去除信号的噪声。为此,该文提出了针对CPS去噪的字典学习算法。该算法首先利用RLS-DLA对的字典进行学习;其次采用非线性最小二乘(NLLS)法修改了该算法对字典更新的部分;最后对训练后的字典通过对信号的稀疏表示得到重构信号。对比其它的字典学习算法,该算法的信噪比(SNR)值明显高于其它算法,而均方误差(MSE)显著低于其它算法,具有明显的降噪效果。实验结果表明,采用该算法得到的字典通过稀疏分解,信号的平均信噪比比K-SVD, RLS-DLS和K-SVDD高出9.55 dB, 13.94 dB和9.76 dB。     

结合字典学习技术的ISAR稀疏成像方法

鉴于稀疏ISAR成像方法的成像质量受到待成像场景的稀疏表示不准确的限制,该文将字典学习(DL)技术引入到ISAR稀疏成像中,以提升目标成像质量。该文给出基于离线DL和在线DL两种ISAR稀疏成像方法。前者通过已有同类目标ISAR图像进行学习,获得更优稀疏表示,后者在成像过程中从现有数据中通过优化获得稀疏表示。仿真和实测ISAR数据成像结果表明,结合离线DL和在线DL的成像方法均可获得比现有方法更优的成像结果,离线DL成像优于在线DL成像,而且前者计算效率优于后者。     

基于结构偏移映射统计和多方向特征的MRF图像修复算法

为使目标移除后的修复效果更好地满足人眼视觉要求,本文提出基于结构偏移映射统计和多方向特征的修复方法.一方面,为更好地保持修复后图像结构部分的连贯性,首先基于Curvelet变换获得的边缘特征将待修复图像划分为结构部分和非结构部分,分别统计相似块之间的偏移映射,在此基础上选择主要的偏移映射作为两部分的候选标签.另一方面,为更好地保持填充区域内相邻像素间的连续一致性,构造引入多方向特征的全局能量优化方程.实验结果表明本文所提出的图像修复算法性能优于多种现有算法.     

利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

一种新的基于时空马尔可夫随机场的运动目标分割技术

在图像处理领域,视频图像序列中的运动目标分割技术是一个被广泛研究的热点课题。该文提出一种新的基于时空马尔可夫随机场的运动目标分割技术。首先,对视频序列的前后3帧图像进行处理,获得两帧初始标记场;随后,对两帧初始标记场进行“与”操作,获得共同标记场;最后,以原始图像的色彩聚类图像作为先验知识,重新定义Gibbs能量函数,并利用迭代条件模型（ICM）实现最大后验概率（MAP）的估算问题,获得优化标记场。实验结果表明：该模型克服了传统时穿马尔可夫随机场模型因运动产生的晶露遮挡现象,同时减弱了运动一致性造成的空洞现象并削弱了噪声的影响。     

基于高斯-马尔科夫随机场模型的脑血管分割算法研究

由于脑血管具有分枝众多、形态细小以及位置特殊和形态复杂等特性,在医学图像中精确地提取脑血管成为一项比较棘手的问题。该文提出了一种新颖的统计学分割方法,有效地实现了脑血管的精确分割。首先,充分利用各血管像素的空间邻域信息,将马尔科夫随机场信息加入到统计学模型的方法中,提出了新的马尔科夫统计模型;然后,利用随机期望最大化(Stochastic versions of the Expectation Maximization, SEM)算法来对统计模型中的多个参数进行估计,寻找最优解,进而实现了脑血管的3维分割。实验结果表明,该方法不仅能够分割出较大的血管分支,而且因其考虑了血管邻域信息,对细小血管的分割也有较好的效果,因此对脑血管疾病的临床预防和诊断具有深远的意义。     

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于${H / {\bar \alpha }}$目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。     

基于阵列天线和稀疏贝叶斯学习的室内定位方法

由于多径和非同源等因素的影响,传统基于蓝牙信号强度的室内定位方法的性能精度和稳定性都不高。针对基于蓝牙信号的复杂室内环境定位问题,该文提出基于低成本阵列天线的室内定位方法,该方法利用单通道轮采极化敏感阵列天线对蓝牙信号进行采样,然后结合暗室测量获得的准确阵列流形和极化快收敛稀疏贝叶斯学习(P-FCSBL)算法实现信源的角度估计,最后通过角度实现定位。该方法充分利用极化信息和角度信息来实现目标和多径信号的分离,同时对单信源的同时采样保证了估计的稳定性。最后通过实测数据处理验证了该方法的有效性。

     

基于稀疏贝叶斯学习的空间紧邻信号DOA估计算法

离格(off-grid)波达方向(DOA)估计解决的是实际DOA和假设网格点的失配问题。对于空间紧邻信号的DOA,稀疏的网格点会导致精度和分辨率的下降,密集的网格点虽然可以提高估计精度却显著增加计算负担。针对此问题,该文提出基于稀疏贝叶斯学习(SBL)的空间紧邻信号DOA估计算法,主要包括3个步骤。首先,通过最大化阵列输出的边缘似然函数,推导了信号在拉普拉斯先验下的新不动点迭代方法,进行超参数的预估计,相比其他经典SBL算法提高了收敛速度;其次,利用新网格插值方法优化网格点集,并二次估计噪声方差和信号功率以分辨空间紧邻信号的DOA;最后,推导了似然函数关于角度的最大化公式以改进离格DOA搜索。仿真表明该算法比其他经典SBL类算法对空间紧邻信号的DOA具有更高的精度和分辨率,同时有计算效率的提升。