基于二次规划的无线传感器网络数据恢复算法

为提高无线传感器网络数据压缩感知中恢复算法的实时性,提出一种基于二次规划的无线传感器网络数据恢复算法。该算法将压缩感知重构中的欠定线性方程组求解转化为有界约束二次规划问题,在此基础上结合阿米霍步长准则对二次规划进行求解,从而对网络数据进行恢复。理论分析和仿真结果表明,所提算法可准确恢复网络数据,并且相比传统压缩感知恢复算法,可明显降低数据恢复的计算复杂度,有效提高网络数据恢复算法的实时性。     

单层小波分解下图像行列压缩感知选择算法

在进行图像压缩感知时发现以行或列进行压缩感知所得到的图像重构后的峰值信噪比(PSNR)是不同的。为了提高图像压缩重构的质量,提出了单层小波分解下图像行列压缩感知的选择算法。该算法首先计算图像的行与列数据的相对方差的最大偏离值,选择较小者对应的行或列作为压缩感知的对象,然后对图像进行单层小波变换分解出高频系数,在高斯观测矩阵下,对这些系数按指定的行或列进行压缩感知,最后利用正交匹配追踪算法(OMP)分别恢复压缩感知下的高频系数,并通过小波逆变换得到经过行列压缩感知后的重构图像,实验结果证明了算法的准确性。     

基于非局部相似模型的压缩感知图像恢复算法

针对压缩感知(Compressed sensing, CS)图像恢复问题, 提出了一种基于非局部相似模型的压缩感知恢复算法, 该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性, 在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率, 恢复图像在纹理和结构保持方面都得到了很大的提升. 在该算法模型求解过程中, 使用增广拉格朗日方法将受限优化问题转换为非受限优化问题, 为减少计算复杂度, 还使用了基于泰勒展开的线性化技术来加速算法求解. 实验结果表明, 该算法的图像恢复性能优于目前主流的压缩感知图像恢复算法.     

基于改进层式DCT的压缩感知图像处理

为改善图像压缩质量,提出一种基于改进层式离散余弦变换(DCT)的压缩感知图像处理方法。该方法保留层式DCT变换的最高层系数,只对其余层高频子带系数进行压缩感知随机测量。利用正交匹配追踪算法对高频系数进行恢复,通过DCT反变换重构图像。实验结果表明,与基于层式DCT的方法相比,在相同压缩比的情况下,该方法重构图像的峰值信噪比较高。     

贝叶斯小波图像压缩感知方法

现有小波图像压缩感知方法大多利用父子小波系数的相关性来提高重构精度, 很少考虑同一尺度兄弟小波系数间的相关性关系. 鉴于此, 提出一种基于贝叶斯模型的高频系数联合重构小波图像压缩感知方法. 该算法将同一尺度水平、垂直和对角三个方向高频系数分别压缩感知采样, 然后设计分层贝叶斯模型, 充分利用此三个方向兄弟小波系数的相关性来重构图像. 实验结果表明本文提出的方法比传统的多尺度压缩感知有更高的图像重构质量.     

结合全变差与自适应低秩正则化的图像压缩感知重构

针对基于固定变换基的协同稀疏图像压缩感知(CS)重构算法不能充分利用图像自相似特性的问题,提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法。首先,通过图像块匹配法寻找结构相似块,并组成非局部相似块组;然后,以非局部相似块组加权低秩逼近替代协同稀疏表示中的三维小波变换域滤波;最后,结合梯度稀疏与非局部相似块组低秩先验构成重构模型的正则化项,并采用交替方向乘子法求解实现图像重构。实验结果表明,相比协同稀疏压缩感知重构(RCoS)算法,该方法重构图像的峰值信噪比平均可提升约2 dB,所提算法在准确描述图像非局部自相似结构特征的前提下显著提高了重构质量,更好地保留了图像的纹理细节信息。     

基于奇异值分解（SVD）和小波变换的图像压缩算法

提出一种基于奇异值分解（SVD）和小波变换的图像压缩算法,该算法通过对小波变换后的小波系数或经小波重构处理后的图像利用SVD进行二次压缩。实验结果表明,该算法性能良好,优于单纯利用小波变换的图像压缩算法。     

基于压缩感知的图像重构算法

在图像压缩感知中,梯度投影恢复算法存在收敛速度慢、迭代次数多、对数据稀疏度过分敏感的问题。为此,提出一种基于压缩感知的图像重构算法。将拟牛顿法引入稀疏梯度投影算法中,利用拟牛顿法的估计校正机制以及其全局超线性收敛性,通过对目标函数的校正,获得更精确的搜索方向,从而减少迭代次数,构成有效收敛的图像恢复算法。实验结果表明,与传统梯度投影恢复算法相比,该算法在保证较好图像恢复效果的同时具有较好的抗噪性能,并且在减少迭代次数的基础上能有效降低重构误差,得到稳定收敛的重构结果。     

小波树结构在贝叶斯压缩感知图像重构中的应用研究

结合贝叶斯和压缩感知理论,提出了一种基于小波变换的图像压缩和重建方法。这种算法充分利用了小波变换系数的结构特征和相关性,有效地提高了图像的压缩比例和重建精度。对小波变换的尺度系数采用基于预测的恢复算法;对高频系数的恢复结合了贝叶斯理论和压缩感知理论,采用了一种基于回归模型的方法,通过高斯混合参数对未知权值参数赋予确定的先验分布,以限制系数的稀疏性。该方法能够得到未知参数的一组具有较高概率的模型,从而实现系数在MMSE意义下的重建。与现有的图像压缩方法以及其它基于压缩感知的图像压缩方法相比,该算法能够获得较高的图像重建质量和较大的图像压缩比。     

多媒体传感器网络视频的帧分类联合重构

为降低多媒体传感器网络中视频压缩感知的计算复杂度,提出一种基于帧分类的多媒体传感器网络视频联合重构算法。依据视频数据的联合稀疏模型将视频帧分为关键帧和非关键帧。对于压缩感知重构中欠定线性方程组,可利用关键帧和非关键帧之间的相关边信息进行重构初始化,同时运用有界约束二次规划对其进行求解。从仿真结果可知,相对于传统的视频压缩感知算法而言,在保证视频重构质量的前提下,所提方法在重构算法复杂度上不但能有效降低,同时,在视频重构上能提高其实时性。     

自适应IQA阈值序列图像NLM超分辨重建方法

序列图像超分辨率（super resolution,SR）算法可以利用多帧低分辨率图像之间的互补信息重建出一张高分辨率结果。传统非局部均值（non-local means,NLM）超分辨率重建方法的迭代次数选取和最佳SR重建结果筛选过程高度依赖使用者经验值和主观评价,这极大地增加了算法复杂度,降低了算法的鲁棒性。为了解决这两个问题,提出一种基于图像质量评价（image quality assessment,IQA）自适应阈值的NLM超分辨重建算法。通过设计一种SR重建结果质量评价指标,将该指标引入到NLM重建算法中：一方面作为阈值,用以确定算法迭代收敛条件;另一方面作为评价标准,用以筛选多个输出结果中重建效果最佳的高分辨率图像。实验结果表明,提出的算法能在有效保证鲁棒性的同时,极大地提升NLM超分辨率重建算法的运算效率。     

基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。     

基于DCT扇形划分的压缩感知图像处理

提出了一种改进的DCT扇形划分的压缩感知方法。为了进一步提高图像重建质量,降低重建时间,使用扇形划分的形式保留低频带系数,利用不同采样率分别对中/高频带系数进行测量。利用正交匹配追踪算法（OMP）对中/高频系数进行恢复,进行DCT反变换重构图像。实验证明,在压缩率较小时,与单层小波等方法相比,该方法的重建效果得到明显提高。     

基于快速视网膜关键点算法改进的图像匹配方法

传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性,但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时,为了实现更为高效的图像匹配,引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中,并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配,并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯,得到了新的AFREAK算法。该算法既能实现完全仿射不变性,又能实现低耗时和低内存占用。实验结果表明,提出的AFREAK算法处理速度上快于ASIFT近2~3倍,并且可以得到与之相似的匹配效果。     

基于主观质量的JPEGXR量化参数选择

在JPEGXR图像标准的基础上,提出一种提高其压缩效率的编码方法。该方法利用人类视觉系统对图片的感知特点,设计基于图像内容的自适应量化参数选择算法。根据最小可觉差模型,以图像的局部纹理和局部亮度为参数,将图像压缩过程中的宏块分为6类,对每类宏块的直流、低频、高频系数赋予不同的量化参数,从而使得整幅图像的码率根据纹理复杂度和亮度合理分布,在保持主观质量不变的情况下,减小图像码率,最终提高压缩效率。实验结果表明,相对于固定量化参数算法,该算法可使图像压缩效率得到最高10％的提升。     

基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式（Local Binary Pattern,LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情（JAFFE）数据库上测试,取得了70.95%的识别率。     

Lipschitz指数与平稳小波变换在CT图像去噪中的应用

针对CT切片图像噪声特点以及应用需求,提出了基于Lipschitz指数和平稳小波的CT图像去噪算法。利用改进的中值滤波器滤除图像的脉冲噪声,然后根据图像阶梯边缘的Lipschitz指数与小波系数之间的关系,在更好地保护图像边缘细节的前提下,利用平稳小波变换的阈值去噪方法滤除高斯噪声。实验结果表明,该方法无论是在视觉效果上,还是在最小均方差意义和信噪比增益上,以及保护图像边缘细节上都有很大提高。