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.     

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.     

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.     

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。     

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。     

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。     

基于自适应超完备稀疏表示的图像去噪方法

基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示.当前稀疏表示的理论研究主要集中在稀疏分解算法和字典构造算法两方面.本文提出一种新的超完备字典构造算法:K-LMS算法,该算法由K均值聚类算法泛化获得,可用于超完备字典的自适应更新,以实现图像的有效表示.针对图像去噪问题,本文给出一种基于超完备稀疏表示的去噪方法,该方法利用图像在超完备字典上的自适应稀疏分解,通过阈值处理的方法实现了图像去噪,实验结果证实了本文所提方法的有效性.     

低秩聚类被动压缩鬼成像

低采样率下的高质量鬼成像（GI）对于科学研究和实际应用具有重要意义,为了在低采样率条件下重建高质量图像,提出了一种高质量的被动式压缩鬼成像重构算法（PCGI-LRC）。基于图像的非局域相似块堆叠而成的矩阵具有低秩和稀疏奇异值的假设,从理论和实验上证明了一种对最小二乘问题与非局域相似块低秩近似问题进行联合迭代求解的方法,能够在低采样率（6.25%～50%）条件下实现高质量鬼成像。实验结果表明：与基于稀疏基约束的GI(GI-SBC)和基于全变分约束的GI(GI-TVC)相比,PCGI-LRC在峰值信噪比、结构相似性系数和视觉观测等方面均更优,在抑制重构噪声的同时保持了目标的细节信息,其中PSNR提升效果优于1.1 dB,SSIM提升效果优于0.04。     

稀疏重构SAM芯片焊点检测方法研究

提出了基于稀疏表示的声扫描显微镜(Scanningacousticmicroscope,SAM)图像超分辨率重构方法,以解决其空间检测分辨率受超声波频率和穿透深度的限制,原始SAM图像分辨率较低,不利于封装缺陷辨识等问题。通过字典设计训练和稀疏系数α求解获得了重构的高分辨率SAM图像,利用Levenberg-Marquardt算法改进BP神经网络(LM-BP),并用于倒装芯片焊点缺陷识别。与原始图像及双三次插值图像相比,稀疏重构图像的峰值信噪比明显增大,提高了SAM图像质量,减小了芯片焊点的错误识别数目,错误率降至2.76%。试验结果表明稀疏表示的SAM重构算法和LM-BP神经网络训练速度快、识别精度高,可用于高密度半导体封装缺陷的检测及可靠性评估。     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。     

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....     

稀疏采样傅里叶望远镜成像

为了实现傅里叶望远镜快速成像,提出了一种稀疏采样图像重构方法,并对利用稀疏傅里叶样本精确重构目标图像的问题进行了研究。首先,基于压缩感知理论,并考虑目标图像在变换域的稀疏性或可压缩性,建立稀疏采样图像重构问题的优化模型。然后,构造适当的随机稀疏采样模板,对目标图像的傅里叶分量进行采样测量。最后,利用随机稀疏测量样本,通过非线性优化精确重构目标图像。实验结果显示,对实际的卫星图像,利用20%～30%随机测量样本非线性重构图像与利用全部测量样本直接重构图像的均方误差仅为4%～6%,表明利用随机稀疏傅里叶样本能够实现精确的图像重构,而且大大减少了测量样本的数量,从而有效降低了实现快速成像对傅里叶望远镜系统的成本和复杂性要求。     

金字塔光流三维运动估计与深度重建直接方法

针对基于图像序列光流的三维运动估计与深度重建问题,提出一种基于图像金字塔光流的三维运动估计与深度重建直接方法。首先根据光流计算亮度守恒假设和像素点光流与三维空间点运动的对应关系推导出基于图像亮度的三维运动守恒假设;然后借鉴变分原理,通过设计基于L1模型的鲁棒数据项以及图像与运动联合控制的平滑项构造基于变分光流的三维运动估计能量函数;为了应对图像序列中包含的大位移运动及运动遮挡问题,采用图像金字塔分层策略设计三维运动估计模型;最后根据图像三维运动估计结果重建图像中运动物体或场景的深度信息。实验表明,该方法能够较好地应对图像序列中光照变化、多目标大位移运动以及运动遮挡等情况,具有较高的三维运动估计与深度重建精度和较好的鲁棒性。     

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。     

L1-L2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。     

粒子滤波算法在ECT图像重建中的应用

针对电容层析成像技术(ECT)的图像重建质量精度较低的问题,提出了一种基于粒子滤波的ECT图像重建方法。首先,分析了ECT图像重建基本原理,以系统状态估计的方式描述了ECT图像重建最优解的搜索过程,并建立了状态空间模型。然后,以线性反投影(LBP)算法的图像重建结果作为初始状态,利用测量信息对从状态空间中获取的随机样本进行最优加权,以获得重建图像的最小方差估计。最后,对5种不同的流型进行了仿真实验。实验结果表明,利用本文方法获得的重建图像误差平均值为42.93%,相关系数平均值为0.813 9,比LBP算法、Landweber迭代算法和IMN-SNOF算法得到的相应指标要好。本文方法是一种有效、精度较高的ECT图像重建方法,为ECT图像重建技术提供了新的途径和手段。