基于学习字典的机器人图像稀疏表示方法

针对机器人图像压缩感知(Compressed sensing, CS)过程中稀疏字典训练时间过长的问题, 本文提出了一种更加高效的字典学习方法.通过对MOD、K-SVD、SGK等字典学习算法研究, 从参与更新的字典原子列数入手, 将残差项变形为多列原子同时更新, 进而利用最小二乘法连续地更新字典中的多个原子.本文算法是对SGK算法字典学习效率的进一步提高, 减少了单次迭代的计算量, 加快了字典学习速度.实验表明, 本文算法与K-SVD和SGK算法相比, 在字典稀疏性和重构图像质量变化很小的情况下, 字典训练时间得到较明显缩短.     

基于局部保持的核稀疏表示字典学习

为了利用核技巧提高分类性能, 在局部保持的稀疏表示 字典学习的基础上, 提出了两种核化的稀疏表示字典学习方法. 首先, 原始训练数据被投影到高维核空间, 进行基于局部保持的核稀疏表示字典学习; 其次, 在稀疏系数上强加核局部保持约束, 进行基于核局部保持的核稀疏表示字典学习. 实验结果表明, 该方法的分类识别结果优于其他方法.     

基于子编码和全编码联合惩罚的稀疏表示字典学习方法

针对目前稀疏表示字典学习的惩罚函数版本不一且各有优势的问题,提出基于子编码和全编码联合惩罚的稀疏表示字典学习方法,该方法在字典学习的目标函数中同时加入子编码惩罚函数和全编码惩罚函数。子编码惩罚函数使得学习后的字典在稀疏表示识别时可以用子字典的重构误差和子字典上编码系数的大小来识别,全编码惩罚函数则能直接利用整个字典上的编码系数来识别,通过联合这两个惩罚函数可以获得非常好的识别效果。为了验证所提方法的有效性,在语音情感库和人脸库上与最新的基于字典学习的稀疏表示识别方法 DKSVD和FDDL进行对比,并与著名的识别方法SVM和SRC进行比较,实验结果显示所提方法具有更好的识别性能。     

基于分类冗余字典稀疏表示的图像压缩方法

JPEG和JPEG 2000标准在高压缩率条件下解压缩得到的图像会出现失真,利用冗余字典的稀疏表示可以在高压缩率下获得较高质量的解压缩图像,但单一的冗余字典表示不能充分反映图像结构。针对上述问题,提出一种利用分类冗余字典进行稀疏表示从而实现图像压缩的方法。利用KSVD方法训练平滑和细节2类冗余字典,根据字典原子与图像信号相关系数和表示误差的关系,通过改进的正交匹配追踪算法对图像进行稀疏表示,分别得到平滑表示系数和忽略较小取值的细节表示系数,将这些系数及其对应字典原子的索引值进行量化编码,完成图像压缩。实验结果表明,与JPEG、JPEG 2000以及基于单一冗余字典的方法相比,该方法在高压缩率条件下可以获得视觉效果更好的解压缩图像。     

基于词典学习和稀疏表示的超分辨率方法

近年来,从大规模数据集中提取过完备词典,并使用稀疏表示在图像去噪、图像去马赛克和图像修复中有着较广泛应用。然而,这一技术不能直接用于处理具有异构特点的低分辨率/高分辨率图像块对,以及相应的图像超分辨率重构。要解决这一问题,文中提出一种求解同时满足两个过完备词典(低分辨率图像块词典和高分辨率图像块词典)下的相同稀疏表示的方法,并利用它们实现图像稀疏表示的超分辨率重建。为了进一步提高彩色图像的超分辨率效果,还提出基于超分辨率亮度信息的UV色度超分辨率重构。实验结果表明文中方法无论在视觉效果还是均方根误差上都获得更好结果。     

基于深度学习的过完备字典稀疏 表示的矩阵分析

本文从数学的角度探讨了外部输入信息与过完备字典之间的关系问题即相关性问题,研究了过完备字典与稀 疏表示的内在联系,在此基础上对过完备字典进行分析和修正,以提高深度学习的层次且增加对环境的适应性,为今后对字典 的设计奠定了基础。     

Sparse Representation Based Fisher Discrimination Dictionary Learning for Image Classification

The employed dictionary plays an important role in sparse representation or sparse coding based image reconstruction and classification, while learning dictionaries from the training data has led to state-of-the-art results in image classification tasks. However, many dictionary learning models exploit only the discriminative information in either the representation coefficients or the representation residual, which limits their performance. In this paper we present a novel dictionary learning method based on the Fisher discrimination criterion. A structured dictionary, whose atoms have correspondences to the subject class labels, is learned, with which not only the representation residual can be used to distinguish different classes, but also the representation coefficients have small within-class scatter and big between-class scatter. The classification scheme associated with the proposed Fisher discrimination dictionary learning (FDDL) model is consequently presented by exploiting the discriminative information in both the representation residual and the representation coefficients. The proposed FDDL model is extensively evaluated on various image datasets, and it shows superior performance to many state-of-the-art dictionary learning methods in a variety of classification tasks.     

基于特征优选和字典优化的组稀疏表示表情识别

针对在小样本人脸表情数据库上识别模型过拟合问题,文中提出基于特征优选和字典优化的组稀疏表示分类方法.首先提出特征优选准则,选择相同类级稀疏模式、不同类内稀疏模式的互补特征构建字典.然后对字典进行最大散度差优化学习,使字典在不失真重构特征的同时具有较高鉴别能力.最后联合优化后的字典进行组稀疏表示分类.在JAFFE、CK+...     

基于字典学习和拓展联合动态稀疏表示的SAR目标识别

提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达(Synthetic aperture radar, SAR)图像的目标自动识别(Automatic target recognition, ATR)方法.首先, 在图像预处理时, 分割出目标区域和目标遮挡地面形成的阴影区域, 将这两个区域的信息结合起来能更好地表示图像.其次, 将字典学习方法LC-KSVD (Label consistent k-singular value decomposition)引入到训练阶段中, 分别学习目标区域和阴影区域的特征字典, 而不是直接将所有训练样本作为固定字典.最后, 在测试阶段提出了拓展联合动态稀疏表示算法, 使图像数据中的两个特征共享相似但不完全相同的稀疏模式, 还可处理图像噪声遮挡损坏问题.标准数据集上的实验结果表明, 该方法使不同类别更具区分性, 有效地提高了SAR图像的目标识别准确度.     

基于字典学习的核稀疏表示人脸识别方法

受Metafaces方法的启发,提出一种基于字典学习方法的核稀疏表示方法并成功应用于人脸识别。首先,采用核技术将稀疏表示方法推广到高维空间得到核稀疏表示方法。其次,借鉴Metaface字典学习方法,进行字典学习得到一组核基向量构成核稀疏表示字典。最后,利用学习得到的核字典基重构样本,并根据样本与重构样本之间的残差最小原则对人脸图像进行分类。在AR、ORL和Yale人脸数据库上的实验表明该方法的良好识别性能。     

基于稀疏表示及分段帧差能量图的步态识别

针对在提取步态轮廓特征时,步态识别算法复杂、运算时间长、难以满足实时性需求的问题,提出了一种基于稀疏表示及分段帧差能量图的步态识别方法.首先,建立改进的分段帧差能量图(SFDEI)作为步态的特征图像;对每个分段的帧差能量图建立字典,采用改进的正交匹配追踪算法对系数快速分解;最后,应用隐马尔可夫模型(HMM)对改进的分段帧差能量图建立步态识别模型.实验采用CASIA B步态数据库,以90视角进行实验.结果表明方法有较高识别率,同时可满足实时性需求.     

稀疏字典编码的超分辨率重建

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低.提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制.应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度.采用自然图像进行实验与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优.     

稀疏字典编码的超分辨率重建?

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低。提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制。应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能。优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度。采用自然图像进行实验,与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优。     

基于带权稀疏表示和字典学习的图像去噪模型

利用GMM模型对自然图像块进行学习,对高斯分量的协方差矩阵做PCA,用其特征向量组成的矩阵作为子字典,用特征值 的大小作为对稀疏系数加权的依据,并将该模型应用到CSR模型中得到一种新的去噪模型,并给出模型的优化算法。为了验证提出的模型的有效性,设计了比较的仿真实验,实验表明与一些先进的模型相比,该方法具有优势。     

参数字典稀疏表示的完全无监督域适应

无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成了所谓的完全无监督域适应。该问题给域适应学习带来了严峻的挑战。受先前提出的软大间隔聚类学习(soft large margin clustering,SLMC)启发,提出了一种参数迁移方法——参数字典稀疏表示的完全无监督的域适应方法(whole UDA,WUDA)。SLMC采用分类学习思想在输出(标记)空间中实现给定数据的聚类,在这种实现原理的启发下,从参数(决策函数的权重矩阵)公共字典的角度,在源域和目标域的权重间进行互适应参数字典学习实现知识迁移,同时引入l_(2,1)范数来约束字典系数矩阵,使得各域权重可从公共字典中自适应地选择,从而实现域适应学习。最后,在相关数据集上的实验显示了WUDA在聚类性能上的显著有效性。     

基于稀疏字典的听觉显著性计算

听觉注意显著性计算模型是研究听觉注意模型的基本问题,显著性计算中选择合适的特征是关键,本文从特征选择的角度提出了一种基于稀疏字典学习的听觉显著性计算模型.该模型首先通过K-SVD字典学习算法学习各种声学信号的特征,然后对字典集进行归类整合,以选取的特征字典为基础,采用OMP算法对信号进行稀疏表示,并直接将稀疏系数按帧合并得到声学信号的听觉显著图.仿真结果表明该听觉显著性计算模型在特征选择上更符合声学信号的自然属性,基于基础特征字典的显著图可以突出噪声中具有结构特征的声信号,基于特定信号特征字典的显著图可以实现对特定声信号的选择性关注.     

基于l1/2正则化的稀疏表示目标跟踪算法的研究

近年来目标的稀疏表示已经广泛应用到视频跟踪中。文中提出了一种基于局部稀疏表示的鲁棒目标跟踪算法,目标的表示将局部信息考虑在内,并且做出了遮挡处理。为了在新的帧中跟踪到目标,每一个候选目标通过在线构建的过完备字典以及模板解l1/2最小化问题稀疏表示。文中用l1/2规范最小化来代替l0,而不是用l1规范最小化,通过解l1/2最小化问题,可以找到比解l1最小化更稀疏、更精确的解。此外,l1/2比l0更容易求解。目标稀疏表示后,通过在线学习的分类器将目标区分出来。实验结果表明,与现有的一些算法相比,该算法稳定性好,性能更优越。     

基于稀疏字典的李群机器学习算法

李群机器学习理论被广泛应用于图像集分类中的数据表示和处理,并获得较优结果.由此,文中提出基于稀疏字典的李群机器学习算法.首先使用协方差矩阵对图像集建模,分析协方差矩阵构成的李群结构,应用对数映射将数据映射到线性空间中,得到数据的距离矩阵.再使用路标多维缩放对数据进行降维处理,降低运算成本.最后,使用带费舍尔判别字典学习进行分类.在YTC数据集上的实验证明文中算法具有良好的鲁棒性和准确率.     

Super-Resolution Based on Curvelet Transform and Sparse Representation

Super-resolution techniques are used to reconstruct an image with a high resolution from one or more low-resolution image(s). In this paper, we proposed a single image super-resolution algorithm. It uses the nonlocal mean filter as a prior step to produce a denoised image. The proposed algorithm is based on curvelet transform. It converts the denoised image into low and high frequencies (sub-bands). Then we applied a multi-dimensional interpolation called Lancozos interpolation over both sub-bands. In parallel, we applied sparse representation with over complete dictionary for the denoised image. The proposed algorithm then combines the dictionary learning in the sparse representation and the interpolated sub-bands using inverse curvelet transform to have an image with a higher resolution. The experimental results of the proposed super-resolution algorithm show superior performance and obviously better-recovering images with enhanced edges. The comparison study shows that the proposed super-resolution algorithm outperforms the state-of-the-art. The mean absolute error is 0.021 ± 0.008 and the structural similarity index measure is 0.89 ± 0.08.