基于图像表示和稀疏表示的图像分类

为了更好地实现图像分类任务,论文提出了一种新的图像分类算法,该算法可以更好地保留原始图像的大尺度信息,有效地利用原始图像的全局特征,同时减小了同一物体在其不同图像中的差异性,显著地提高了图像分类准确率。该算法首先通过新的图像表示算法生成虚拟图像,然后分别对原始图像和虚拟图像使用图像分类算法获得相应的分类误差,最后通过简单高效的误差融合方案得到最终的分类误差。实验结果表明该算法有效地降低了图像分类的错误率。     

基于椭圆傅里叶描述子的形状表示的研究

形状表示是模式识别和计算机视觉中最重要的研究内容之一。针对传统形状表示算法对形状的整体特征和细节信息不能同时描述、通用性不高的问题,提出了一种基于高斯多尺度分析下的椭圆傅里叶描述算子。提出的算法利用高斯函数与目标形状的复坐标函数进行卷积,通过选择高斯曲线的参数,将形状的边界信息呈现到不同的尺度空间之中;利用椭圆傅里叶变换将其展开得到表示该形状的特征向量。实验结果表明,该方法的优点在于描述同类形状时,特征向量之间的相关系数高,具有很好的平移、旋转以及尺度不变性;在描述不同类形状时,相关系数低,有很强的形状区分能力。该方法在形状分类实验中也有较高的检索准确率。     

基于稀疏表示和决策融合的图像分类方法

利用多个稀疏表示分类器融合的决策信息对图像进行分类,可避免单个特征对图像分类的影响。提出一种自适应调节权重的多稀疏分类器融合图像分类方法。对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器;根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重;融合各子分类器的输出结果进行最终类别判断。基于Cifar-10图像数据集进行多组实验,结果表明,相对仅提取单特征的图像分类方法,该方法有效提高了图像分类准确率。     

基于多尺度通用傅里叶描述子的灰度图像检索

灰度图像相似性匹配是图像检索系统的一个重要组成部分。为了把多尺度分析和通用傅里叶描述子相结合来得到多尺度通用傅里叶描述子，并将其用于灰度图像检索系统对。实验结果表明，多尺度通用傅里叶描述子具有多尺度分析效果，不仅能较好地克服图像灰度噪声带来的干扰，并且具有旋转、比例不变性，在灰度图像检索中能取得较好的结果。     

傅里叶描述子和Hough变换检测封闭边界运动

运动检测广泛的应用于机器视觉和基于对象的视频编码以及生物医学的运动功能分析等领域。文章分析了平面封闭边界运动和傅里叶描述系数的变化关系,提出了基于边界傅里叶描述子和Hough变换检测平面封闭边界的运动,并通过计算机仿真证明该方法的可行性。     

基于稀疏表示的多示例图像分类

为了有效地解决多示例图像分类问题,基于稀疏表示提出了一种新的多示例图像分类方法.该方法将图像看作多示例包,图像中的区域作为包中示例,利用示例嵌入策略计算包特征;然后将待分类图像包特征表示为训练图像包特征集上的稀疏线性组合,利用Z1优化方法求得稀疏解;最后根据稀疏系数提出一个为待分类图像预测标记的方法.在Corel数据集上的实验结果表明,与其他方法相比,所提方法具有更高的分类精度.     

基于分水岭分割和稀疏表示的高光谱图像分类方法

近年来,高光谱图像的分类受到了广泛的关注。许多机器学习的方法都在高光谱图像上得到了应用,如SVM、神经网络、决策树等。但光谱图像可能存在“同物异谱”和“同谱异物”的情况,这给高光谱图像的精确分类带来了一定挑战。针对该问题,提出了利用分水岭分割得到的空间信息与稀疏表示来得到更精确的分类结果。首先利用分水岭得到图像区域信息,然后以区域为单位,对每个区域的样本进行分类。在两幅图像上对该方法的有效性进行了验证,结果表明该方法优于其它一些同类方法。     

香农熵加权稀疏表示图像融合方法研究

针对传统稀疏表示同步超分图像融合模型中对于 LL （Low-low frequency）、LH （Low-high frequency）、H （High frequency）三部分等比例加权,不能突出重点信息之不足,本文提出一种香农熵多视角加权稀疏表示同步超分图像融合方法. 该方法引入香农熵加权技术,针对 LL、LH、H三部分根据图像特征进行自适应加权,突出重点频率段的影响,从而提高了图像融合的效果. 在多组不同类型图像上进行了实验,实验结果表明所提方法无论从融合视觉效果还是评价指标上均显示出有效性.     

基于分布结构约束稀疏表示的图像分类方法

为了解决稀疏表示结构信息缺失的问题,从而更加准确地进行图像分类,本文提出一种新的基于结构约束的稀疏表示的图像分类方法。在对图像进行降采样的前提下,提取方向梯度直方图特征后的训练样本上构建稀疏线性编码模型,通过样本间的分布结构信息约束和?1范数最优化求解测试样本的稀疏系数x,利用稀疏系数均值法进行目标的分类识别。基于COREL图像库进行仿真验证,实验证明,基于结构约束稀疏表示的图像分类方法能够获得很好的识别性能,与非结构约束稀疏表示相比本文方法显著提高了图像分类的准确率。     

一种二维极坐标傅里叶描述子在图像检索中的应用

在图像检索中,形状描述是图像内容描述的关键部分。目前已经存在的大多数形状描述符均是基于某一特定应用的,不具有通用性。文章提出了一种基于二维极坐标傅里叶变换的傅里叶描述子对目标形状的描述方法,分析并实验验证了该方法的各个性质,并讨论了它的实际计算问题。实验结果表明,该描述符通用性强,鲁棒性高。     

基于稀疏表示的差分图像估计方法研究

差分图像能够显示目标场景随时间的变化。采用一种基于图像特征的方法,由目标场景的一组压缩测量数据得到差分图像。该方法主要包含两方面的内容:首先设计最优的采样矩阵以得到压缩测量数据;采用闭环的迭代方法得到差分图像的估计值,包括基于l_2和l_1的方法。采用基于l_2范数的方法能够由压缩测量值直接估计出差分图像而不需要首先重建目标场景。这种方法主要利用了目标场景在连续时间点空间和时间上的相关性。基于l_1范数的方法主要采用一种改进的全变差方法和基追踪降噪方法。仿真表明了该方法的有效性。     

基于非抽样小波字典和稀疏表示的图像去噪方法

图像去噪是图像处理中的关键问题之一,也是图像后续处理的基础,结合近年来兴起的稀疏表示理论,能更好地处理图像去噪问题。通过引入图像稀疏表示框架,从含噪图像自身中优化训练字典,初始字典选择构造非采样小波字典来更好地捕获图像信息,通过反复迭代学习获得高度自适应的过完备稀疏字典,重构图像时构造先验概率矩阵,结合后验概率估计与传统的正交匹配算法提出改进的图像重构算法。实验结果表明,与其他去噪方法相比,该算法具有良好的去噪能力,能较好地保持图像的边缘和细节特征,去噪后的图像更为清晰。     

基于稀疏表示的自适应图像融合方法研究

图像融合是将两幅或两幅以上由不同传感器在同一时间或不同时间获取的关于某个具体场景的图像或图像序列信息融合为一幅图像,使得融合图像更有利于人们分析和理解。基于目前经典的图像融合方法的基础,提出一种新的基于稀疏表示的自适应图像融合算法。首先根据训练的超完备字典将两幅源图像表示为两组稀疏系数,然后根据系数的特征自适应地选取融合规则对系数进行融合,最后由融合系数和字典进行重构得到融合图像。该算法在稀疏表示的过程中能够有效地避免产生块效应且能去除噪声,从而提高图像质量。实验结果表明该方法在主观和客观评价上均优于其他算法。     

基于平均区域划分的Laplacian稀疏编码的图像分类

针对稀疏编码方法中编码过程不稳定和金字塔匹配的划分方法无法使得融合后的特征很稀疏这两个问题,提出基于平均区域划分的Laplacian稀疏编码LSCARD(Laplacian sparse coding based on average region division)的图像分类方法。首先,对原始图像进行局部不变特征转化(SIFT)特征提取;然后,在稀疏编码方法中加入Laplacian正则化对局部特征进行编码,使相似的特征具有相似的码字;再利用平均区域划分以及最大值融合将编码后的特征向量进行融合;最后,采用多类SVM分类器对图像进行分类。在几个标准图像数据集上的实验结果表明,LSCARD算法具有更高的分类精度。     

改进的基于稀疏表示的图像超分辨率重建算法

为改善单帧退化图像的分辨率,提出一种改进的基于超完备字典的图像超分辨率稀疏重构算法。该算法主要在字典训练过程中引入联合训练的思想以确保高、低分辨率图像块在其对应的过完备字典上具有相同的表示系数,并在图像重建过程中,利用迭代反投影加强全局重建约束。实验表明,与现有的几类算法相比较,该算法的重建图像无论在峰值信噪比还是结构相似性上均有明显提高。并且可应用于单帧模糊图像的超分辨率重建,有效地提高了图像的分辨率。     

基于稀疏表达和改进的LBP算子的人脸表情识别

基于局部二值模式(LBP)算子在人脸表情识别中直方图维数高、判别能力差、具有冗余信息等缺点,提出一种中心二值模式(CBP)算子并对人脸表情关键部位(眉毛、眼睛及嘴巴部分)提取特征。最后利用稀疏表达分类器对提取的表情特征进行识别。实验结果表明,该算法的识别效果有了极大的提高。     

使用稀疏表示的彩色图像增强

提出一种对图像DCT(离散余弦变换)系数使用稀疏表达的彩色图像增强算法。该算法改进了传统算法在边缘保留和噪声抑制方面的一些不足,例如增强高频成分中的纹理信息的同时抑制噪声。传统的图像增强算法往往认为图像的高频成分主要为噪声区域,在这样的前提下高频成分中的纹理信息和噪声区域就很难加以区分。所提出的算法主要依据图像上不同区域DCT系数的不同分布特征识别图像的噪声和非噪声频率成分,进行噪声抑制和边缘增强,并且使用Kaiser加窗处理来解决因保留低频成分产生的块效应。实验结果表明,与传统图像增强算法相比,所提出的算法不仅抑制了图像噪声,而且增强了图像的纹理和边缘,改善了图像的视觉效果。     

融合稀疏表示和字典学习的脑部MR图像分割

针对脑部磁共振图像中白质、灰质和脑脊液的分割精度问题,提出一种融合稀疏表示和字典学习的图像分割方法。首先,利用基于块的输入数据来训练过完备字典;然后,根据学习到的字典获得最优稀疏表示的高维特征;最后,结合每个像素局部和非局部重构误差实现分割。在模拟和真实图像数据库上的实验结果表明,该方法能利用带有距离因子和稀疏因子的公式准确分割MR图像,在稳定性方面优于其他MR分割方法。     

自适应结构化稀疏表示的海上目标跟踪研究

针对海上目标图像背景结构复杂,目标间相似度大,且遮挡和碰撞时常发生的特点,提出一种基于结构化局部稀疏表示的对角块外观模型构造方法,通过对外观表现稳定的图像块赋予较大权重来增加跟踪的稳定性。建立递推的目标跟踪模型,通过卡尔曼滤波算法解决每帧瞬时目标和跟踪结果之间的后验稀疏向量表示问题。最后实现帧目标搜索,瞬时目标与基函数词典之间残差最小的目标作为最优跟踪结果,同时采用增量主成分分析法重构跟踪结果以减少遮挡影响。将此方法与经典的目标跟踪算法进行比较,实验表明此方法具有较好鲁棒性和稳定性。