结构相似度稀疏编码及其图像特征提取

将结构相似度引入到稀疏编码模型中,提出基于结构相似度的稀疏编码模型。基于该模型提取出图像的稀疏编码特征。实验结果表明,改进后的稀疏编码模型更好地保持了结构信息,更加符合人眼视觉系统特性。将文中提出的模型应用到特征提取中,可获得结构信息保持得更好的图像特征。     

基于改进的快速稀疏编码的图像特征提取

考虑图像特征系数的最大化稀疏分布和特征基的正交性,在快速稀疏编码(FSC)模型的基础上,提出一种改进的FSC模型。该模型利用迭代法解决了基于L₁范数的归一化最小二乘法和基于L²范数的约束最小二乘法的凸优化问题,能够实现完备基和过完备基的学习,有效提取出图像的最佳特征,且比标准稀疏编码(BSC)模型的收敛速度快。分别利用自然场景图像和掌纹图像作为训练数据进行特征提取测试,并进一步利用提取的特征基进行图像重构实验,同时与BSC模型的图像重构结果进行对比,实验结果证实了所提出的改进FSC模型能够快速、有效地实现图像的特征提取。     

自适应稀疏编码融合的非刚性三维模型分类算法

针对传统的三维模型单一特征识别精度低问题,提出一种自适应稀疏编码融合的非刚性三维模型分类算法.首先提取模型的平均测地线特征、热核特征、形状直径函数特征,以构造互补的多特征形状描述;其次利用特征袋模型构造AGD-BoF, HKS-BoF, SDF-BoF特征向量,通过随机样本建立特征权值矩阵;最后利用特征权值矩阵与稀疏优化编码自适应融合,并采用Softmax分类算法实现非刚性模型的有效分类.通过在非刚性数据集SHREC10与SHREC11上的综合实验表明,自适应稀疏编码融合的分类算法具有更高的识别准确率及较强的鲁棒性.     

基于结构相似度的稀疏编码模型

已有的稀疏编码模型采用误差的平方和作为信息保持的客观评价标准,但最近的研究表明,人眼视觉系统的主要功能是从视觉区域提取图像和视频中的结构化信息.引入结构相似度来衡量信息保持的程度,通过对改进的目标函数进行优化,获得与初级视皮层中具有局部性、朝向性和带通性的感受野相类似的基函数集.实验结果表明,改进后的稀疏编码模型更符合人眼视觉系统特性.     

集成多特征与稀疏编码的图像分类方法

采用单一特征时存在提取信息量不足、对图像内容描述较片面等问题,单一编码方法在组织特征向量时也会对图像造成过多的信息丢失.针对这些问题,文中提出一种集成多特征与稀疏编码方法.首先,对图像进行空间金字塔划分,结合尺度不变特征和梯度方向直方图特征之间的优势互补性,提取得到不同的特征集.然后,在不同的特征集上用不同的聚类方法得到不同的视觉词汇本,在每个词汇本上分别进行局部稀疏编码和稀疏编码,得到不同的图像描述集.最后,利用线性SVM进行图像分类,并对得到的多个结果采用投票决策方法决定最终分类情况.实验表明文中方法有良好的准确性和鲁棒性.     

基于双重L2稀疏编码的高光谱图像分类

目的 为了有效提高高光谱图像分类的精度,提出了双重L2稀疏编码的高光谱图像分类方法。方法 首先对高光谱图像进行预处理,充分结合图像的空间信息和光谱信息,利用像元的空间连续性,用L2稀疏编码重建图像中每个像元。针对重建的图像数据,依据L2稀疏编码的最小误差和编码系数实现分类。结果 在公开的数据库AVIRIS高光谱图像上进行验证,分类精度为99.44%,与支持向量机（SVM）、K最近邻（KNN）和L1稀疏编码方法比较,有效地提高了分类的准确性。结论 实验结果表明,提出的方法应用于高光谱图像分类具有较好的分类效果。     

基于局部特征的非负稀疏编码神经网络模型

在非负稀疏编码(NNSC)的基础上,考虑特征基向量的稀疏度约束和特征基的局部性,提出一种基于局部特征的NNSC神经网络模型。该模型利用梯度和倍增因子相结合的优化算法实现特征系数的学习;利用倍增算法实现特征基的学习。对掌纹图像进行特征提取测试,结果表明,与传统NNSC模型和局部非负矩阵分解(LNMF)方法相比,该模型能有效提取图像的局部特征,收敛速度较快,可模拟初级视觉系统处理自然界信息的稀疏编码策略。     

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。     

基于二阶矩稀疏编码的高光谱遥感图像分类

高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。     

一种低冗余Dense SIFT特征提取方法

特征提取是图像分类的关键部分之一.现有的Dense SIFT特征采用固定网格和步长以从上到下、从左到右的重叠方式提取特征,如果图像分辨率过大,将会导致提取的图像特征数量非常大,并且引入大量的冗余信息.为此,提出了一种低冗余Dense SIFT特征提取方法.该方法首先对图像进行预处理,实现对图像的紧凑表示;然后,利用数据中心化思想和(l)0范数去除冗余的Dense SIFT特征点,节约特征存储所需的空间,降低后续处理的计算复杂度;最后,将低冗余Dense SIFT特征提取方法应用于图像分类,提出了一种图像分类方案.实验结果表明,采用所提出的Dense SIFT特征提取方法,在减少特征点数量的同时,可以提升特征的区分能力.     

Adaptive Denoising Using a Modified Sparse Coding Shrinkage Method

This paper proposes a novel denoising method for natural images by using a modified sparse coding (SC) algorithm, which is self-adaptive to the statistical property of natural images. The main idea is to utilize the shrinkage function, which is selected according to the prior distribution of sparse components, to the sparse components to remove Gaussian white noise added in an image. This denoising method is respectively evaluated by the criteria of normalized mean squared error (NMSE), Laplace mean square error (LMSE) and peak signal to noise ratio (PSNR). Compared with other denoising methods, the simulation results show that our sparse coding shrinkage technique is indeed effective and efficient.     

基于 GaborSIFT+NNScSPM 图像特征抽取算法研究

视觉信息的特征表示是计算机视觉场景图像理解研究中的核心内容. 基于GaborSIFT+NNScSPM的图像特征抽取算法,借鉴生物视觉机制中的相关 研究成果,有机结合了HMAX层次计算模型的思想和非负稀疏编码的策略, 较为合理地模拟了生物视觉皮层中视觉处理的过程.在15类场景图 像和Caltech101两个公开数据集上进行了实验验证, 实验结果表明我们所提出的算法较同期算法有着良好的分类性能.     

结合稀疏编码模型的多帧图像超分辨率重建

传统序列超分辨率方法对低分辨率视频序列的要求较高,一旦序列中没有包含足够的信息,会造成重建高分辨率图像质量的下降。为此,提出一种结合稀疏编码模型的序列超分辨率算法。利用概率运动场从低分辨率序列中重建一幅高分辨率图像,根据自适应阈值确定重建有效和无效区域,使用稀疏编码模型对无效区域进行补全重建。实验结果表明,该算法可以采用序列自身的信息和稀疏字典中的信息来重建高分辨率图像,在序列信息有破缺时,与仅利用序列自身信息或仅利用单幅图像的算法相比,具有更好的鲁棒性和广泛的适用性。     

基于稀疏表示的旋转鲁棒遥感影像特征提取

针对高空间分辨率遥感影像的特征提取问题,提出一种基于稀疏表示的提取方法。通过学习,从大量的自然图像中获得过完备字典,对其中每个原子进行多个方向的旋转,从而扩展该字典。利用扩展的字典对遥感影像进行稀疏编码,并将稀疏编码非零元素个数限定为1,对非零元素的位置统计直方图进行池化处理后,通过归一化获得影像的特征。实验结果表明,与传统的特征提取方法相比,该方法可以有效提取遥感影像的特征,并且对遥感纹理影像的旋转具有较强的鲁棒性。     

基于改进稀疏栈式编码的车型识别

为了提高稀疏栈式编码对车型识别确率,提出了一种基于改进稀疏栈式编码的车型识别方法。使用逐层无监督方法来训练网络结构,并从大量的无标记的数据集中学习得到特征字典,在稀疏栈式编码的基础上引入卷积和池化模块,把学习得到的特征字典作为卷积核,通过对含有车辆的图像进行卷积和池化操作获得图像的特征图;最后通过使用softmax分类器在少量标签数据集上进行有监督的微调。在BIT-Vehicle数据集上的实验结果表明,改进后的算法优于传统稀疏栈式编码算法,在标注较少的数据集中,识别的准确率优于神经网络算法。     

融合显著信息的层次特征学习图像分类

高效的图像特征表示是计算机视觉的基础.基于图像的视觉显著性机制及深度学习模型的思想,提出一种融合图像显著性的层次稀疏特征表示用于图像分类.这种层次特征学习每一层都由3个部分组成：稀疏编码、显著性最大值汇聚(saliency max pooling)和对比度归一化.通过在图像层次稀疏表示中引入图像显著信息,加强了图像特征的语义信息,得到图像显著特征表示.相比于手工指定特征,该模型采用无监督数据驱动的方式直接从图像中学习到有效的图像特征描述.最后采用支持向量机(support vector machine, SVM)分类器进行监督学习,实现对图像进行分类.在2个常用的标准图像数据集(Caltech 101和Caltech 256)上进行的实验结果表明,结合图像显著性信息的层次特征表示,相比于基于局部特征的单层稀疏表示在分类性能上有了显著提升.     

面向混合乐器音乐分析的稀疏特征提取方法

为了解决混合乐器音乐数据的成分识别与解析研究中,现有方法过度依赖数据标签,且往往基于单纯频域或物理特征,与乐器固有性质关联不明显、对复杂成分的敏感度不足的问题,提出了一种基于稀疏分解和多种乐器成分字典的稀疏特征提取方法,通过对稀疏系数向量进行深入分析,得到可以独立使用,具有高可解释性的稀疏音乐特征.实验结果证明,这种特...     

基于多层P样条和稀疏编码的非刚性医学图像配准方法

针对传统相似性测度易受灰度偏移场的影响而造成误配,和单层P样条变换模型中通常无法准确选择初始化网格密度的问题,提出了多层P样条和稀疏编码的非刚性医学图像配准方法。该方法将稀疏编码作为相似性测度,首先把待配准的两幅图像划分图像块,然后使用“K-SVD”算法训练图像块得到分析字典并寻找稀疏系数,采用多层P样条自由变换模型来模拟非刚性几何形变,结合梯度下降法优化目标函数。实验结果表明,与单层P样条几何变换和Sparse-induced、Rank-Induced相似性测度相比,所提方法能够准确选择网格密度并有效克服灰度偏移场对配准的影响,降低了均方根误差,提高了配准的精度和鲁棒性。     

结合pHash和稀疏编码的素描人脸合成方法

为解决已有素描人脸合成方法存在的细节模糊和清晰度低的问题,提出一种感知哈希算法（Perceptual Hash,pHash）与稀疏编码（Sparse Coding,SC）相结合的素描人脸合成方法。首先根据图像的信息熵对人脸照片-素描对进行自适应分块处理,利用感知哈希算法计算出大图像块的哈希指纹,并对小图像块进行稀疏编码;然后选取与测试照片块最相似的[K]个初始候选照片块,得到与之对应的素描块;最后引入二次稀疏编码方法,合成最终的素描块,进而合成整幅素描人脸图像。利用现有的人脸数据库验证了算法的有效性,该算法经优化后可用于素描人脸合成。