联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

基于稀疏和低秩恢复的稳健DOA估计方法

该文针对有限次采样导致传统波达方向角(DOA)估计算法存在较大估计误差的问题,提出一种基于稀疏低秩分解(SLRD)的稳健DOA估计方法。首先,基于低秩矩阵分解方法,将接收信号协方差矩阵建模为低秩无噪协方差及稀疏噪声协方差矩阵之和;而后基于低秩恢复理论,构造关于信号和噪声协方差矩阵的凸优化问题;再者构建关于采样协方差矩阵估计误差的凸模型,并将此凸集显式包含进凸优化问题以改善信号协方差矩阵估计性能进而提高DOA估计精度及稳健性;最后基于所得最优无噪声协方差矩阵,利用最小方差无畸变响应(MVDR)方法实现DOA估计。此外,基于采样协方差矩阵估计误差服从渐进正态分布的统计特性,该文推导了一种误差参数因子选取准则以较好重构无噪声协方差矩阵。数值仿真表明,与传统常规波束形成(CBF)、最小方差无畸变响应(MVDR)、传统多重信号分类(MUSIC)及基于稀疏低秩分解的增强拉格朗日乘子(SLD-ALM)算法相比,有限次采样条件下所提算法具有较高DOA估计精度及较好稳健性能。     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。     

基于低秩稀疏分解的湍流退化图像序列的盲去卷积算法

针对湍流退化图像序列存在像偏移、像抖动和像 模糊的问题,提出一种基于低秩稀疏分解和多帧去 卷积的图像复原算法。首先分析大气湍流下图像序列的退化特征,然后在低秩稀疏分解的思 想下,采用非增广拉格朗日乘子(IALM)法优化由低秩 矩阵的核范数和稀疏 矩阵的Frobenius范数之和构成的目标函数,将湍流退化序列分解为低秩稳像和稀疏湍流两 部分;最后利用 多帧去卷积算法复原对齐的稳像。实验结果表明,本文算法能够有效校 正湍流像素偏移,在提高复原质量和速度方面取得了明显的效果。     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

非控场景下主成分稀疏表示与低秩分解的人脸识别

针对非受控场景下人脸识别率低的问题,提出一种非控场景下基于主成分稀疏表示与低秩分解的人脸识别算法。首先通过核心基础信息平台收集的数据自构建基础人脸库,然后采集课堂照片并对采样照片通过主成分稀疏表示和低秩分解算法进行分割,最后以基础人脸库为样本进行匹配识别,并将未进行低秩分解的情况与低秩分解后的结果进行比较。实验结果表明,在非受控场景下通过主成分稀疏表示叠加低秩分解的识别效果对光照变化影响的鲁棒性较强,对遮挡情况受到的影响相对明显,总体识别正确率最高达到92.4%,达到较好非控场景下人脸识别效果。该算法对开放型非受控场景下的人脸识别及由此衍生出的表情识别、行为识别等研究都有积极助益。     

基于改进低秩表示模型的光纤环缺陷检测

针对目前光纤环缺陷检测方法可靠性低、实用性差的问题,提出一种基于改进低秩表示模型的光纤环缺陷检测算法。基于低秩表示理论对缺陷检测问题进行模型构建,将无缺陷的光纤环图像建模为低秩结构,将缺陷建模为稀疏结构;同时将拉普拉斯正则化约束项施加到低秩表示模型中,以扩大缺陷区域与背景之间的差距;为了提高算法的效率,采用幂法迭代的思想来实现奇异值分解。通过实验对算法进行验证,结果表明,所提算法对不同类型的缺陷均具有良好的检测性能,且与其他算法相比,取得最优的表现。     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法.首先,对原始HSI进行最优分数阶傅里叶变换.然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量.最后,构建背景协方差矩阵,通过马氏距离检测异常目标.实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能.     

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

基于低秩表示和学习字典的高光谱图像异常探测

提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法.相对于其它低秩矩阵分解方法如鲁棒主成分分析,低秩表示方法更为契合高光谱图像的线性混合模型.该算法将低秩表示模型应用到高光谱图像异常探测问题上来,引入表征背景信息的学习字典,大大增强了低秩表示模型对初始参数的鲁棒性.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地提高了异常的探测率,同时对初始参数具有较好的鲁棒性,可以作为一种解决高光谱图像异常探测的有效手段.     

基于低秩分解和改进的非局部平均的SAR图像相干斑抑制

为抑制合成孔径雷达（SAR）图像成像过程中形成的相干斑噪声,提出了一种基于低秩分解和改进的非局部平均的SAR图像相干斑去噪方法。首先将SAR图像进行对数处理,将乘性噪声转换为加性噪声;然后利用低秩稀疏分解将对数图像分解成低秩图像部分和稀疏图像部分;接着对含噪严重的稀疏图像部分分析其结构张量,生成非局部平均滤波所需的衰减因子,进行改进的非局部平均滤波去噪;最后再做图像合成,经指数变换得到去噪后的SAR图像。实验结果表明,该方法经视觉评价、边缘保持指数（EPI）和等效视数（ENL）等方面评测,具有较好的抑制噪声和保持边缘及纹理细节的能力。      

一种基于全变分正则化低秩稀疏分解的动态MRI重建方法

针对应用迭代软阈值(IST)算法对基于低秩稀疏矩 阵(L＋S,low rank and sparse)分解模型的动态磁共振成像(MRI)图像 进行重建存在重建精度一般和重建速度慢的问题,提出在矩阵L＋S分解模 型的基础上引入全变分(TV)正则项,达到进一步去噪声和去伪影,提高重建精度目的;利用 非精确增广拉 格朗日算法(IALM)达到快速重建的目的。通过对心脏灌注动态MRI成像和心电影MRI成 像的仿真实 验表明:对于L＋S低秩稀疏矩阵分解模型的重建,IALM比IS T算法速度更快,精度更高;模型引入TV正则项 后再利用IALM重建,重建速度虽然比之前的IALM有所降低,但依然优于IST算法, 并且重建精 度高于之前的IALM。在L＋S分解模型中引入TV正则项 提高了MRI重建精度,运用IALM进行求解加快了重建速度,结合TV正则项和IALM达到了 快速、高精度重建的目的。     

鲁棒主成分分析的铝箔表面缺陷检测方法

为了准确检测铝箔表面的穿孔、污点、亮斑和刮痕等各种缺陷，提出了一种基于低秩稀疏分解的铝箔图像表面缺陷检测方法。铝箔材料生产过程中表面出现缺陷的概率较小，同时一幅铝箔图像中缺陷占整幅图像的比例较小，即铝箔图像背景之间是线性相关的，可近似视为处于同一低秩子空间中，同时图像表面缺陷是近似稀疏的。采用RPCA(Robust Principal Component Analysis)算法对铝箔图像序列组成的观测数据矩阵进行低秩稀疏分解，得到低秩的背景图像和稀疏的缺陷图像。分别对单幅铝箔图像以及由多幅铝箔图像组成的图像序列进行低秩稀疏分解实验，在铝箔图像表面缺陷检测应用中验证所提方法的有效性。实验结果表明，提出方法检测到的缺陷清晰、完整，处理一幅大小为880×540的铝箔图像平均耗时不超过0.7秒，能够实现铝箔表面缺陷的实时检测。同时，算法具有较好的扩展性，能够方便地应用到其他产品的表面缺陷检测中。      

基于联合低秩稀疏分解的红外与可见光图像融合

为进一步提高红外与可见光融合图像的细节信息和整体对比度,降低伪影和噪声,考虑了红外与可见光图像的相关性,提出了一种基于联合低秩稀疏分解的红外与可见光图像融合方法。首先,利用联合低秩稀疏分解方法将红外和可见光源图像分别分解成共同低秩分量、特有低秩分量和特有稀疏分量;其次,利用非下采样Shearlet变换方法对特有低秩分量进行融合;然后,采用区域能量融合策略实现特有稀疏分量融合;最后,共有低秩分量与融合后的特有低秩分量和特有稀疏分量相加得到最终融合图像。在Nato-camp、Bristol Eden Project和TNO公共测试数据集上进行的实验测试了所提算法性能。实验结果表明,与其他9种融合方法相比,所提方法能够有效地提取红外图像中的目标信息和保留可见光图像的背景信息,熵、互信息、标准差、视觉信息保真度、差异相关系数之和和 Qy 客观评价指标明显优于对比方法。      

低秩稀疏分解下多尺度积的运动目标检测方法

针对基于矩阵分解的运动目标检测方法易受自然场景中背景的小幅抖动和摄像头抖动等因素影响的问题,提出了一种利用多尺度积的低秩稀疏矩阵分解算法。算法假设,静态背景视频序列中,每帧图像背景可近似视为处于同一低秩子空间中,图像前景则可视为偏离低秩空间的残差部分。首先对图像序列进行滤波、仿射变换等预处理得到视频序列观测数据矩阵;然后对数据矩阵进行低秩稀疏分解得到序列图像的低秩背景部分和每帧图像的稀疏前景部分;最后对稀疏前景部分采用小波变换模极大值与多尺度积方法检测目标边缘,并进行形态学处理,得到准确的运动目标。实验结果表明,算法检测到的运动目标清晰、完整,能有效地处理光照变化、摄像头小幅度抖动、图像背景局部小幅度变化等情况下的运动目标检测。      

A unified framework for damaged image fusion and completion based on low-rank and sparse decomposition

Image fusion can integrate the complementary information of multiple images. However, when the images to be fused are damaged, the existing fusion methods cannot recover the lost information. Matrix completion, on the other hand, can be used to recover the missing information of the image. Therefore, the step-by-step operation of image fusion and completion can fuse the damaged images, but it will cause artifact propagation. In view of this, we develop a unified framework for image fusion and completion. Within this framework, we first assume that the image is superimposed by low-rank and sparse components. To obtain the separation of different components to fuse and restore them separately, we propose a low-rank and sparse dictionary learning model. Specifically, we impose low-rank and sparse constraints on low-rank dictionary and sparse component respectively to improve the discrimination of learned dictionaries and introduce the condition constraints of low-rank and sparse components to promote the separation of different components. Furthermore, we integrate the low-rank characteristic of the image into the decomposition model. Based on this design, the lost information can be recovered with the decomposition of the image without using any additional algorithm. Finally, the maximum $l_1$-norm fusion scheme is adopted to merge the coding coefficients of different components. The proposed method can achieve image fusion and completion simultaneously in the unified framework. Experimental results show that this method can well preserve the brightness and details of images, and is superior to the compared methods according to the performance evaluation.     

基于深度迭代网络的穿墙雷达成像方法

联合墙杂波抑制及图像重建迭代求解方法为当前较前沿的穿墙雷达成像(through-the-wall radar imaging, TWRI)算法,能够同时抑制墙体杂波和重构目标图像,但仍存在收敛速度慢、人工干预过多以及对初值的选取敏感等问题,难以快速精确地进行目标成像. 针对上述问题,本文提出一种联合低秩与稀疏分解驱动的可学习深度迭代网络的TWRI方法. 该方法利用穿墙雷达场景下墙体杂波的低秩特性以及待重建目标图像的稀疏特性,首先将穿墙雷达成像问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代更新公式映射到网络结构中,展开成深度迭代网络模型并采用端到端学习策略,形成融合物理模型的可学习深度迭代网络框架. 仿真结果表明该方法能够有效抑制墙体杂波,相对于其他方法显著提高了目标成像精度和速度.