稀疏分解在图像压缩中的应用

文中提出了一种新的基于稀疏分解的图像压缩算法。该算法引入差分进化快速算法来对图像进行稀疏分解,并根据稀疏分解后的数据分布规律对结果数据进行排序和差分预处理。仿真实验结果表明,该算法能够更有效地实现图像的压缩,其相同压缩比下的解码图像具有更高的峰值信噪比和主观图像质量。     

分块自适应图像稀疏分解

针对图像稀疏分解的计算时间复杂度非常高这个问题,提出了分块自适应图像稀疏分解算法。该算法根据稀疏分解计算时间复杂度和待分解图像大小之间的关系。把待分解图像分成互不重叠的小块。然后对每个小块图像进行稀疏分解。根据每一块的复杂程度。自适应地决定稀疏分解的结束。实验结果表明。在分解原子个数相近或相同的条件下。新算法对稀疏分解后重建图像比在整幅图像上进行稀疏分解重建的图像质量下降0．5dB。但计算速度提高了约15倍。     

平面六边形稀疏阵列天线的优化

针对标准的差分进化算法只能处理连续空间的优化问题,提出了一种基于取整策略的差分进化算法。该方法只需要对优化变量进行四舍五入取整,就能够把标准差分进化算法用于稀疏阵列天线方向图优化。将取整策略的差分进化算法应用到六边形平面稀疏天线阵的布阵设计。为了计算六边形阵列天线的方向图,提出在口径中添加虚拟单元的计算模型,把六边形阵列转化为可以实现二维快速傅里叶变换的矩形阵列。以改善阵列峰值副瓣电平为目的进行仿真试验,结果表明,优化后的稀疏天线阵峰值旁瓣电平与采用遗传算法相比改善了4.5~5.1 dB,且具有计算速度快、稳定性好的优点。     

基于稀疏表达的图像去噪方法研究

提出一种基于混合字典的图像稀疏分解去噪方法。使用小波包函数和离散余弦函数构成混合字典,采用匹配追踪算法对图像进行稀疏分解,提取含噪图像中的稀疏成分,最后利用稀疏成分进行图像重构,达到去除图像中噪声的目的。实验中与单一字典稀疏分解去噪算法进行了对比,结果表明,所提出的混合字典稀疏去噪算法可有效提取图像中的稀疏结构,改善重构图像的主客观质量。     

基于遗传优化图像稀疏分解的密写算法

根据超完备字典图像稀疏表示的稀疏性和特征保持性,提出了基于遗传优化图像稀疏分解的密写算法。该密写算法将信息隐藏与基于图像稀疏分解的压缩过程合二为一。首先在基于MP的图像稀疏分解每步迭代中,采用遗传算法快速实现最佳匹配原子的选取;对稀疏分解得到的结果用不同的量化位数进行量化;最后采用LSB嵌入方式将秘密信息隐藏于量化后参数的不同最低有效位中,得到载密图像。实验结果表明,本文提出的基于遗传优化图像稀疏分解的密写算法具有良好的视觉效果, 与相同嵌入容量的经典空域和DCT域LSB算法相比,本文的密写算法获得了更高的抵抗隐写分析能力。抗隐写分析实验也表明新的密写算法对嵌入位数不敏感,可灵活地扩充嵌入容量。      

基于分块过完备稀疏表示的多聚焦图像融合

提出一种基于分块过完备稀疏表示的多聚焦图像融合算法。该方法将多聚焦源图像对应分块,采用稀疏模型进行分解,得到每个块的稀疏表示系数。考虑到稀疏系数向量的l1范数越大,带的信息量就越多,采用此因子对稀疏系数加权,求得融合系数,结合过完备字典重构融合图像。实验结果表明该图像融合方法取得较好的融合效果且优于传统小波分解融合方法。同时探讨了字典维数对所提出方法的影响。     

基于自适应过完备稀疏表示的红外图像滤波方法

针对传统滤波算法在滤除红外图像噪声时会损失部分有用信息的问题,提出一种基于自适应过完备稀疏表示的红外图像滤波方法。该方法采用K-SVD算法以待滤波的红外图像为样本训练出自适应过完备原子库;采用正交匹配跟踪算法将红外图像信号在该过完备原子库上稀疏分解为稀疏成分和其他成分,稀疏成分对应红外图像中的有用信息,其他成分对应红外图像中的噪声,由稀疏成分重建图像,从而达到消除噪声的目的。实验结果表明:该方法相比传统方法具有更好的滤波效果,重建图像质量较高。     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。      

穿墙雷达建筑物结构布局稀疏成像方法

在穿墙雷达建筑物布局成像中,鉴于内部目标、墙角及杂波会对墙体回波产生较大的影响,导致形成的墙体图像模糊、轮廓不明显。为此,提出一种联合低秩稀疏分解和全变分约束稀疏重构的成像方法。该方法首先通过快速迭代软阈值算法求解低秩稀疏分解,恢复出墙体回波,然后通过增广拉格朗日和交替方向算法求解全变分约束下的稀疏重构系数,重构墙体图像。仿真和实测结果表明,该方法可以有效消除建筑物内部目标、墙角及杂波对墙体成像的影响,从而得到清晰的建筑物布局轮廓。     

差分进化算法和神经网络的车牌自动识别模型

为了提高对车牌的自动识别和检测能力,针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割,采用差分进化算法进行车牌测试样本图像的子块连续遍历,实现车牌图像的特征分割和信息点增强,采用神经网络算法进行车牌特征信息分类,实现车牌识别。测试结果表明,采用该方法进行车牌识别的准确性较好,识别模型的可靠度较高。     

基于模拟退火的信号稀疏分解研究

信号稀疏分解广泛应用于图像和信号处理领域,特别是在教据压缩和数据存储、特征提取领域应用广泛.但信号稀疏分解本身是典型的NP困难问题,要成功的进行信号稀疏分解是十分困难的.文中利用模拟退火算法来快速寻找Matching Pursuit(MP)过程每一步的最优原子,提出了一种基于模拟退火的信号稀疏分解算法.仿真结果表明该算法能有效和快速地进行信号稀疏分解.     

一种基于稀疏表示的红外与微光图像的融合方法

根据人类视觉系统及信号的过完备稀疏表示理论,提出了一种基于稀疏表示的红外与微光图像融合算法。该方法首先把图像分割成部分重叠的图像块,由正交匹配追踪算法完成图像块的稀疏分解;然后采用最大值融合准则选择融合系数并完成图像块的重构,得到融合结果图像。实验结果表明,本文算法的融合效果优于小波变换法、Laplacian塔型方法以及PCA方法等传统融合方法。     

基于多尺度字典的红外与微光图像融合

基于人类视觉系统及信号的过完备稀疏表示理论,提出了一种基于多尺度字典的红外与微光图像融合方法。首先把输入的红外与微光图像按照高斯金字塔模型分解,用 DCT 字典作为初始字典按照四叉树的结构进行分解,对于各尺度的字典按照 K-SVD 算法独立训练更新,构造出多尺度学习字典。其次在该字典下利用改进的OMP算法得到输入源图像各自的稀疏系数,然后按照最优化融合图像与输入源图像的欧氏距离、融合图像方差的准则,建立一个融合图像稀疏系数的最优化函数,最后通过求解该函数的l1范数得到融合图像。实验结果表明：该算法的融合效果优于小波变换法、Laplacian塔型方法以及PCA方法等传统融合方法。     

基于自适应差分进化的激光成像降噪技术

针对激光成像过程中容易受到散斑噪声、高斯噪声和脉冲噪声等噪声干扰导致激光图像质量较差的缺陷,研究基于自适应差分进化的激光成像降噪技术。利用同态滤波方法提升激光图像对比度并去除激光图像散斑噪声,利用自适应差分进化算法获取同态滤波处理后激光图像的高斯噪声,并将高斯噪声同脉冲噪声参数组合拟合最优非线性变化函数,具体过程为:采用实数编码自适应差分进化算法,利用十进制实数编码噪声参数,通过HV变异评价算法评价自适应变异策略,利用混合交叉策略快速获取激光图像噪声参数的适应度值,通过适应度值实现激光成像降噪。实验结果表明,采用该方法对激光图像降噪,信噪比均高于23 dB,降噪时间均在20 ms以内。     

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。     

基于谱间相关性的高光谱图像稀疏分解算法

针对高光谱图像邻近波段相关性强的特点,结合粒子群优化算法的快速寻优能力,提出一种基于谱间相关性的高光谱图像稀疏分解算法.将高光谱图像分组为参考波段图像和普通波段图像,参考波段图像采用粒子群寻优找到最优原子,实现稀疏分解.普通波段图像的最优原子由两部分构成,一部分原子从参考波段图像的最优原子继承而来,继承个数由普通波段图像与参考波段图像的谱间相关性确定,其余原子则由粒子群搜索得到.对高光谱数据集进行稀疏分解,验证算法的分解效率,结果表明,在重构图像精度相当的条件下,稀疏分解速度比正交匹配追踪算法快约18倍.     

基于改进的自适应差分演化算法的二维Otsu多阈值图像分割

针对常规最大类间方差法在多阈值图像分割中存在的运算量大、计算时间长、分割精度较低等问题,该文提出一种基于改进的自适应差分演化(JADE)算法的2维Otsu多阈值分割法。首先,为增强初始化种群的质量、提升控制参数的适应性,将混沌映射机制融入到JADE算法中;进而,通过该改进算法求解2维 Otsu 多阈值图像的最佳分割阈值;最终,将该算法与差分进化(DE), JADE,改进正弦参数自适应的差分进化(LSHADE-cnEpSin)以及增强的适应性微分变换差分进化(EFADE) 4种算法的2维Otsu多阈值图像分割进行比较。实验结果表明,与其它4种算法相比,基于改进JADE算法的2维Otsu多阈值图像分割在分割速度以及精度上均有较明显的改善。     

基于混合变异差分进化算法的均匀面阵稀疏优化

差分进化算法(DE)已被广泛应用于解决稀疏面阵优化问题,针对DE 算法早熟、全局搜索能力差、容易陷于局部最优的问题,提出一种混合变异差分进化算法,通过加入概率因子来平衡算法收敛速度与全局搜索能力,以阵列孔径、阵元数量以及阵元间距为约束条件,将算法中的实数编码转化为二进制编码,以方向图平面峰值旁瓣电平之和最低为目标函数,通过优化后得到的阵元分布,得到稀疏优化阵列的三维方向图。仿真结果表明:该方法在满足约束条件的同时,能够避免算法早熟得到较优的目标函数值,概率因子为算法提供了额外的自由度。     

基于稀疏分解的高光谱图像压缩方法

目前在设计高光谱图像压缩方法的过程中,没有进行图像的预处理,使压缩的图像质量下降,率失真性能较低。基于此,设计了基于稀疏分解的高光谱图像压缩方法,根据稀疏分解法中的Hilbert-Huang变换模型分离算法进行图像的稀疏分解,接着采用二维散点图对图像信息进行预处理。根据图像信息的处理结果,利用匹配追踪算法搭建高光谱图像压缩优化模型,最后实现高光谱图像的压缩。通过实验发现,采用基于稀疏分解的高光谱图像压缩方法后,图像的率失真性能较高,在Rate最大时,其率失真性能可以达到45以上,而且随着Rate的增多,其率失真性能也会提高,进而提高了高光谱图像质量,对今后的高光谱图像研究有一定的作用。