基于Gabor特征和遮挡字典的带遮挡人耳识别

通过引入遮挡字典来编码图像受遮挡部分,稀疏表示分类方法在带有遮挡情况下的人耳识别中能够取得较好的识别性能。然而,常规的利用单位阵作为遮挡字典的方法会对稀疏模型求解带来很大的计算量。提出了一种基于Gabor特征和Gabor遮挡字典的稀疏表示分类方法。利用图像的Gabor特征构造无遮挡字典,因为这种局部特征在姿态变化或遮挡情况下具有一定的鲁棒性。通过学习算法计算出比单位阵遮挡字典更为合理的Gabor遮挡字典,使得图像中被遮挡部分在遮挡字典上的稀疏编码具有更大的稀疏度。在两个人耳图像库上的实验结果表明,相比已有的基于稀疏表示的人耳识别方法,该方法在遮挡情况下能够取得更好的识别效果;对真实环境中存在头发遮挡的人耳识别,也能够取得较好的识别性能。     

基于空间-光谱字典的不完备高光谱图像重构

提出了一种新的空间-光谱字典学习方法,用于不完备高光谱图像的重构.根据高光谱图像具有丰富的空间和谱间相关性的特点,将高光谱图像分割成三维重叠的小立方体块,从中学习出能够对这些块进行稀疏表示的空间-光谱字典.首先固定字典,用非负正交匹配追踪法计算稀疏系数;然后固定系数,用梯度下降法更新字典,上述两步交替进行直到算法收敛.依据这种分块模型学习出的字典更符合高光谱图像的特点.在谱向上字典原子为物质的光谱反射曲线,在空间向上字典为普通二维空间块字典.最后将字典应用于不完备高光谱图像的重构,实验结果表明,该方法以较低的采样率获得了良好的重构效果.     

基于内容的双字典学习及稀疏表示的图像重构

提出了一种基于内容的双字典学习和稀疏分解结合起来的算法.针对待复原图像内容间的差异性,将训练图像块采用聚类的方法得到多个分类式的字典,从中选择最合适的内容分类来进行图像的恢复,这样做使算法更具区分性,提升了图像的自适应能力.在此基础上,将高频信息分为主要高频和次要高频,并训练双重字典,结合稀疏表示的方法对图像进行重构,这比传统的基于字典学习的算法捕获了更多的图像高频信息,进一步提升了图像重构的质量.方法采用了K-SVD算法以提高稀疏字典编码的计算效率.与其他方法相比,该算法获得了更为精细的图像细节,在PSNR测试数据和主观视觉上都获得了理想的提升.     

基于群稀疏系数估计的图像重构算法

基于稀疏表示的图像先验信息模型被广泛用于实现图像的重构中。针对稀疏表示中字典选择与系数估计的关键问题,提出了基于稀疏表示与非局部自相似性相结合的图像重构方法。首先通过欧氏距离的块匹配寻找相似图像块,并利用左右字典分别对相似图像块集合进行局部稀疏与非局部稀疏表示,以获得更稀疏准确的稀疏表示系数。进一步针对传统阈值收缩法对稀疏系数估计精度不足的问题,利用伯格曼迭代算法快速有效地求解重构模型,并采用线性最小均方误差估计准则(LMMSE)实现稀疏系数的估计,以保证对包含图像纹理细节信息的小系数的精确估计。实验结果表明,本文方法不仅在PSNR等客观指标上达到了目前先进水平,而且重构后图像拥有更为丰富的细节信息,整体视觉效果更加清晰。     

基于ICT切片图像三维重建的边界配准技术研究

研究了基于ICT切片图形三维重构的轮廓边界配准技术。提出了基于边界象素链的轮廓边界的配准方法,首先进行轮廓层次编码,然后对图像进行有向距离变换,并计算配准度构造配准关系表,最后由配准关系表获取相配准的轮廓边界。实验表明,该方法具有很高的准确性和有效性。     

基于学习字典的图像修复算法

多数图像修复方法主要是利用输入图像中的有效信息来填充待修复区域,可用先验信息有限,自适应性较差.研究提出一种新的基于学习字典的图像修复框架,核心思路是通过大量样本图像和输入图像的有效数据训练学习字典,建立样本图像特征块与原始数据块之间的稀疏关联,并将这种关联作为先验知识来指导图像的修复.该方法既充分利用了样例图像的先验知识,又考虑了待修复图像本身的信息,提高了算法的自适应性.通过对自然图像进行大、小范围图像修复和文字去除实验,文中方法均取得较好的修复效果.     

采用目标区域互信息的星空图像配准

提出了采用目标区域互信息的测度方法对星图进行精确配准以解决星图中存在噪声、伪星点、星点稀疏以及星图间的旋转等问题。首先对星图进行图像分割,检测出星点目标并对星点进行二值化处理;然后基于互信息配准模型,在含星点的目标区域上,利用Powell算法将最大互信息作为目标函数来指导图像间最优变换参数的搜索。分析了适宜于互信息测度配准的星点分割算法,并论证了采用目标区域互信息的星图配准的可行性。对提出的算法与标准的互信息配准算法进行了对比。结果表明:提出算法的时间消耗与图像中星的数量有关,在图像大小为1 000×1 000时,提出算法的加速比为标准算法的3.4倍。该算法在星图中存在噪声、伪星点、星点稀疏和旋转的情况下仍能进行准确配准,50组实拍星图配准误差平均值为0.138 2pixel,满足了星空图像对精确配准的要求。     

面向场景重构的多序列间配准

针对传统的单序列扩展式场景重构方法易丢失场景信息,数据利用率低下等问题,提出一种面向场景重构的多序列间配准的方法。该方法采用相似变换作为配准模型,完成对不同参考坐标系下尺度、旋转、平移相分离的初始配准;然后通过拟合观测平面来抑制噪声点并筛选公共可见点;最终对不同尺度、方位的序列进行配准,配准结果可直接用于后续的重构中。实验表明:通过相应噪声抑制,使得各序列的系统初始重投影误差降低了17.69%到46.86%,终止重投影误差降低了27.5%到71.96%。配准后从相同的47幅图像中可重构10 596个场景点,相比传统单序列方法的3 893个场景点,该方法更充分有效地利用了观测图像,使最终拟合的场景曲面包含了更多的场景细节。     

基于一种改进最小误差算法的BGA图像分割

利用最小误差算法对图像分割前,首先要假设图像的灰度直方图呈高斯分布,而现实中图像灰度直方图并不完全符合高斯分布,这样在利用最小误差法对图像进行分割时就会造成一定误差.利用最大投影原理以高斯函数集作为基函数集,通过正交投影分解法确定高斯函数的参数,实现对BGA直方图的重构.重构后,应用最小误差算法对BGA图像进行了分割.实验表明该方法在分割BGA图像的空洞缺陷上是有效的.     

采用稀疏表示的红外图像自适应杂波抑制

针对红外图像中弱小目标的检测问题,提出了一种基于图像稀疏表示的自适应杂波抑制方法.首先,采集500帧红外图像样本,通过训练学习构造包含图像各个层次结构特征的多成分超完备字典;然后,通过红外图像的协方差自适应地选择与图像子块对应的超完备字典对图像进行稀疏表示,利用匹配追踪算法得到子图像在超完备目标字典下的最佳表示系数;最后,根据表示系数以及对应的原子向量对图像子块进行重构,从而得到突出红外小目标的高信噪比重构图像,实现杂波抑制.不同环境下的多项实验表明,该算法可在复杂背景下自适应地抑制杂波,提高图像的信噪比;通过简单的阈值分割可以分开目标和背景,为之后的目标检测处理奠定基础.得到的性能评价指标显示:本算法计算量较小,实时性较强,鲁棒性较强,易于硬件实现.     

纹理引导的稀疏张量表示及在肺CT图像中的应用

基于张量理论在高维图像处理中的应用,提出一种张量模式的稀疏表示方法,以便有效地去除肺部CT序列图像的噪声,增强图像的有用信息。首先,设计了张量模式的正交匹配追踪法(TOMP)来表达稀疏系数;构建了高维K-奇异值分解法(HOK-SVD)用于字典更新。然后,对张量乘法的参数进行优化,即通过构造三维灰度共生矩阵,建立三维纹理特征与张量乘法模式之间的数学模型。最后,将这种方法应用于LIDC数据库的150组CT序列图像的预处理,对各算法的稀疏表示效果进行评价。与当前应用的其他方法相比,本文提出的高维K-SVD算法的的峰值信噪比提高了1.5%,平均误差降低了1.2%;在此预处理基础上进行的图像分割结果表明:图像的边缘偏移误差下降了3.0%,体积重叠率提高了1.2%。上述结果显示基于张量的方法可以更精确地完成对三维CT图像序列的稀疏表示。     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

基于跨尺度字典学习的图像盲解卷积算法

在模糊核未知情况下利用模糊图像对清晰图像进行复原称为图像盲解卷积问题,这是一个欠定逆问题,现有的大部分算法通过引入模糊核和清晰图像的先验知识来约束问题的解空间.本文提出了一种基于跨尺度字典学习的图像盲解卷积算法,采用降采样图像训练稀疏表示的字典,并将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中....     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

基于稀疏表示分类的说话人识别算法及其在智能考勤系统中的应用

智能考勤系统在企业对员工的出勤考查中具有十分重要的作用。为了提高语音考勤系统的准确性,提出基于稀疏表示的说话人识别算法。该算法在通用背景模型的基础上提取说话人语音的高斯混合模型超向量,采用线性判别分析技术对超向量进行信道补偿和降维,再由低维超向量形成稀疏表示的过完备字典。根据话者测试语音在过完备字典上的重构误差,对话者的身份进行验证。实验结果表明,基于稀疏表示分类的语音考勤系统具有良好的性能。     

数据保真项与稀疏约束项相融合的稀疏重建

本文针对低光子计数成像过程中产生的泊松高斯混合噪声,提出了一种数据保真项与稀疏约束项相融合的稀疏重建方法。首先,基于泊松高斯噪声相互独立的混合噪声模型,建立了数据保真项与稀疏约束项相融合的稀疏重建目标函数;在图像块聚类的基础上,应用改进贪婪算法实现类内稀疏分解和字典更新;最后,稀疏分解和字典更新交替迭代求解干净图像。针对强烈泊松高斯噪声污染图像的重建实验显示,本文方法与对比方法相比,重建结果的PSNR值平均提升了5.5%,MSSIM值也有明显提升。这些结果表明:本文方法对具有强烈泊松高斯混合噪声的图像有较好的图像复原和噪声去除效果。     

局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代图像修复算法研究

图像修复的性能依赖于局部邻域信息的利用,同时要求修复的方向与结构性内容具有一致性,针对这两个关键问题,本文提出基于局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代滤波图像修复思路。该算法首先学习丢失区邻域得到一组具有局部自适应性的稀疏基,然后沿着等照度线方向按照优先权选择扩散的顺序利用稀疏重构理论以这组基逐层投影重构丢失区域,通过迭代执行分层修复实现对丢失区域的渐进逼近。实验结果表明,该算法无论对于纹理图像、边界图像还是自然图像都可达到较好的效果,而且在峰值信噪比上优于已有文献的方法。     

稀疏表示下的噪声图像超分辨率重构

为了能够完成噪声图像的超分辨率重构,提出了一种基于稀疏表示的噪声图像超分辨率重构方法,可以同时完成图像去噪和超分辨率重构。首先,对样本图像和低分辨率图像进行块划分,建立样本库。其次,建立图像退化模型,采用相似样本加权平均的方式对输出的高分辨率图像块进行表示。根据输入的低分辨率图像块,计算样本块与输出的高分辨率图像块之间的相似性。提出了一种相似性描述方法,能够很好地解决噪声带来的影响。然后,采用相似性对稀疏编码优化模型进行惩罚,提出一种权值求解模型。模型可以自适应的搜索相似样本块而不需要预先设定相似块的个数。最后,求解权值,根据权值和样本块重构高分辨率图像块,并重构高分辨率图像。实验结果表明:所提出的方法较其它常见超分辨率算法的峰值信噪比可提高0.5dB左右,重构的图像细节更丰富,去噪效果更好,更适合实际应用。     

Image denoising via overlapping group sparsity using orthogonal moments as similarity measure

Recently, sparse representation has attracted a great deal of interest in many of the image processing applications. However, the idea of self-similarity, which is inherently present in an image, has not been considered in standard sparse representation. Moreover, if the dictionary atoms are not constrained to be correlated, the redundancy present in the dictionary may not improve the performance of sparse coding. This paper addresses these issues by using orthogonal moments to extract the correlations among the atoms and group them together by extracting the characteristics of the noisy image patches. Most of the existing sparsity-based image denoising methods utilize an over-complete dictionary, for example, the K-SVD method that requires solving a minimization problem which is computationally challenging. In order to improve the computational efficiency and the correlation between the sparse coefficients, this paper employs the concept of overlapping group sparsity formulated for both convex and non-convex denoising frameworks. The optimization method used for solving the denoising framework is the well known majorization–minimization method, which has been applied successfully in sparse approximation and statistical estimations. Experimental results demonstrate that the proposed method offers, in general, a performance that is better than that of the existing state-of-the-art methods irrespective of the noise level and the image type.