基于非负矩阵分解和红外特征的图像融合方法

针对传统图像融合方法鲁棒性较差的缺点,提出了一种基于非负矩阵分解和红外特征的图像融合方法,实现源图像的目标区域和背景区域分别融合.首先将源图像作为原始数据进行非负矩阵分解得到特征基图像,特征基图像包含了源图像的整体特征;利用红外图像目标与背景灰度显著差异,通过区域生长方法从红外图像提取目标区域,将红外目标区域与特征基图像背景区域相融合得到融合图像.实验结果表明,该方法不仅简单易行,而且在保留了可见光的高空间分辨率和纹理细节信息同时,突出了红外图像对热目标敏感特点,提高了图像的可判读性.     

基于非负矩阵分解的多波段SPOT图像融合及其应用

SPOT遥感图像多光谱波段信息丰富,在土地覆盖、环境变化等诸多领域中得到广泛应用。图像融合近几年来成为学术界研究的热点,可以有效去除多光谱图像中的冗余,保留有用信息。对不同时段多光谱图像的融合进行地物变化检测,在灾害监测工作中具有重要的应用价值。文章利用基于非负矩阵分解的分时融合方法,对不同时段SPOT多波段图像进行融合,通过构造差值影像对变化区域进行检测。利用本文方法得到的图像可以清晰地表示出目标的变化区域,且正确率较高。结果表明,首先利用非负矩阵分解对不同时段图像进行融合,可以分别得到更为准确的融合图像,从而提高变化检测结果的精度。实验结果与传统方法进行了分析对比,证明了该方法的有效性。      

基于稀疏约束非负矩阵分解的人脸特征提取算法

非负矩阵分解(NMF)是最近流行的一种提取数据局部特征的算法,虽该算法已成功用于多种领域,但其并不能总是最好地表示局部特征。针对上述问题,文中在非负矩阵分解的同时加入稀疏的限制,并通过限制稀疏度从而提高局部特征的提取效果。通过在人脸图片上的实验可明显看出,加入稀疏限制的非负矩阵分解能更清楚地提取出所需的局部特征,以便于后续针对特征进行的各种工作。     

非负矩阵集分解

非负矩阵分解(Nonnegative Matrix Factorization,NMF)是一种新近被提出的方法,它以非线性的方式实现对非负多元数据的纯加性、局部化、线性和低维描述。NMF可使数据中的潜在结构、特征或模式变得清晰,因此它作为一种有效的特征提取手段已被成功应用在许多领域的研究中。但是,NMF 的处理对象本质上是向量,用NMF处理数据矩阵集时要先将被处理矩阵集中的矩阵逐一矢量化,这常使对应的学习问题成为典型的小样本问题,从而使NMF结果的描述力不强、推广性差。为克服这两个问题,并保留NMF的好的特性,该文提出了非负矩阵集分解(Nonnegative Matrix-Set Factorization,NMSF),不同于NMF处理数据矩阵的矢量化结果,NMSF直接处理数据矩阵本身。理论分析显示：处理数据矩阵集时,NMSF会比NMF描述力强、推广性好。为了说明NMSF如何实现,也为了能对NMSF的性能做实验验证,构造了NMSF实现方式之一的基于双线性型的NMSF(Bilinear Form-Based NMSF,BFBNMSF)算法。BFBNMSF和NMF的比较实验结果支持了理论分析的结论。需要指出,更佳的描述力和更好的推广性意味着NMSF比NMF更善于抓住数据矩阵的本质特征。     

改进的非负矩阵分解语音增强算法

本文提出了一种改进的非负矩阵分解语音增强算法,该算法可分为训练和增强两部分。首先,为了降低训练复杂度,采用卷积非负矩阵分解只提取噪声字典。增强时,考虑语音信号稀疏性比噪声信号稀疏性强,通过稀疏非负矩阵分解重构出语音幅度谱,采用交替方向乘子法进行优化迭代,克服了经典乘性迭代易陷入局部最优、分母只能收敛到零极限等问题。最后,基于算法融合的思想,将重构的语音幅度谱与谱减法、最小均方误差幅度谱估计得到的幅度谱进行加权融合。仿真实验中,在10种不同噪声环境中,通过多种评价标准证明所提算法能取得较好的增强效果。      

非对称代价函数的稀疏卷积非负矩阵分解方法

提出一种基于非对称代价函数的稀疏卷积非负矩阵分解方法。该方法利用板仓-斋藤距离作为目标代价函数来衡量目标矩阵与重建矩阵的差异,使得较小的矩阵元素具有较小的重建误差,并且该代价函数具有尺度不变性的特点。为了考察其在弱语音成分重建方面的优势,将本文提出的算法应用于耳语音谱分解及重建实验。实验结果表明,与基于欧氏距离和基于Kullback-Leibler(K-L)散度的卷积非负矩阵分解算法相比,本文算法对于弱语音成分具有更好的重构效果,重建后的语音信号具有较大的可懂度。      

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。     

基于非负矩阵分解的语音增强方法综述

语音增强在语音信号处理领域举足轻重,其目的在于减少背景噪声对语音信号的影响。然而,如何从极度非平稳噪声环境下有效地分离出目标语音仍然是一个具有挑战性的问题。基于非负矩阵分解(Nonnegative matrix factorization, NMF)的语音增强算法利用非负的语音和噪声基矩阵来建模语音和噪声的频谱子空间,是目前一种先进的对抑制非平稳噪声非常有效的技术。本文首先详细地介绍了非负矩阵分解理论,包括非负矩阵分解模型,代价函数(Cost function)的定义以及常用的乘法更新准则(Multiplicative update rules)。然后,本文详细地介绍了基于非负矩阵分解的语音增强方法的基本原理,包括训练阶段和增强阶段的具体过程,并进行了实验,此外,还利用一个基于非负矩阵分解的语音重构实验验证了语音基矩阵对语音频谱的建模能力。最后,本文总结了传统的基于非负矩阵分解的算法的不足,并对一些现有的基于非负矩阵分解的算法分别做了一个简单的概述,包括其创新点和优缺点,并对比分析了几种具有代表性的方法。本文从历史的角度展示了基于非负矩阵分解的语音增强方法的不断发展。     

基于非负矩阵分解的图像脆弱水印算法

提出一种基于非负矩阵分解NMF(Non-negative Matrix Factorization)的脆弱数字水印算法。算法利用用户密钥构造NMF基矩阵,并在图像NMF分解过程中保持不变,二值水印图像嵌入NMF分解系数矩阵。实验结果本算法具有较强的鲁棒性,同时用户密钥保证的算法的脆弱性。     

基于非负矩阵分解的SAR图像目标识别

 特征提取是合成孔径雷达自动目标识别的关键技术,同时也是难点问题之一。本文提出了一种基于非负矩阵分解算法与Fisher线性判别方法的合成孔径雷达图像目标识别的方法,通过基于基向量非负加权组合的形式构建SAR目标图像,能充分利用目标的局部空间结构信息提取目标特征信息实现目标识别。首先将水平集分割预处理后的SAR目标图像样本构成初始矩阵,然后利用非负矩阵分解后得到的权向量作为目标图像的特征向量,再通过依据Fisher线性判别构成的分类器,实现对MSTAR数据中3类目标的识别,并与目前已有的几种典型方案进行对比。试验结果表明该方法是可行且有效的,并能够明显提高对目标识别的稳定性和正确率。     

非负矩阵分解算法综述

本文介绍了非负矩阵分解(Non-negative Matrix Factorization,NMF)的基本原理和性质,将现有NMF算法分为了基于基本NMF模型的算法和基于改进NMF模型的算法两大类,在此基础上较为系统地分析、总结和比较了它们的构造原则、应用特点以及存在的问题,最后预测和分析了未来NMF算法研究的可能方向.     

一种应用于人脸识别的有监督NMF算法

为了提高非负矩阵分解(NMF)算法识别率,提出了一种有监督的NMF(SNMF)方法.该算法对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过UMIST人脸库和CMU PIE人脸库上的实验结果表明,该方法对光照、姿态和表情变化具有一定的鲁棒性,识别率高于NMF方法和其它子空间分析法.     

基于贝叶斯阴阳机的2kb/s NMF-WI语音编码算法

 本文提出了一种改进型的基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的特征波形(Characteristic Waveform,CW)分解算法,一方面应用惩罚次胜者竞争学习算法(Rival Penalized Competitive Learning,RPCL)和贝叶斯阴阳机(Bayesian Ying-Yang,BYY)和谐学习算法,来计算NMF分解阶数,在没有明显降低语音质量的前提下,降低了编码器的复杂度;另一方面根据CW 的能量与编码矩阵的能量间的变化关系,提出了相位谱的混合自回归合成方法,提高了语音的自然度.最后,开发出一套改进型2kb/s NMF-WI低复杂度语音编码方法,采用基于K-L散度的NMF迭代算法和收敛速度更快的基矢量Mel刻度分带初始化方法,按照基音周期的统计分布将特征波形分为6类,在CW分解模块,复杂度下降了10MOPS,语音质量提高,与采用4bit散布矢量量化相位谱的2.16kb/s NMF-WI语音编码器的语音质量相当.     

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。     

基于分块过完备稀疏表示的多聚焦图像融合

提出一种基于分块过完备稀疏表示的多聚焦图像融合算法。该方法将多聚焦源图像对应分块,采用稀疏模型进行分解,得到每个块的稀疏表示系数。考虑到稀疏系数向量的l1范数越大,带的信息量就越多,采用此因子对稀疏系数加权,求得融合系数,结合过完备字典重构融合图像。实验结果表明该图像融合方法取得较好的融合效果且优于传统小波分解融合方法。同时探讨了字典维数对所提出方法的影响。     

基于双尺度字典的极化SAR 图像稀疏去噪算法

双尺度字典;极化合成孔径雷达;稀疏表示;斑点抑制;匀质区域;非匀质区域     

基于非负矩阵分解的TerraSAR与SPOT5影像融合

合成孔径雷达具有全天候、全天时的优势,能够提供高分辨的目标图像,而多光谱遥感影像能够提供丰富的光谱信息,将两种不同影像进行融合,综合两者的优势信息可以得到质量更高、信息更丰富的图像。提出了基于非负矩阵分解算法的融合算法对SAR影像和多光谱遥感影像进行融合。通过对比研究,提出的融合算法在目视判读以及客观评价指标上和传统融合算法相比,都有较明显的改善,尤其是在细节表现力和光谱保持度方面优势显著。     

基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。此算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。     

求解非负矩阵分解的子空间共轭梯度算法

交替最小二乘法由于其理论可靠性和实际有效性成为非负矩阵分解中备受欢迎的方法之一。文中基于交替最小二乘法将界约束优化中的积极集共轭梯度法运用到非负矩阵分解当中,算法在子问题的求解中,并利用子空间的思想来划分指标集,并利用文献CHENG Wangyou文中的共轭梯度法进行变量更新,在一定条件下证明了新算法的收敛性,实验结果表明算法是有效的。