基于全卷积神经网络与低秩稀疏分解的显著性检测

为了准确检测复杂背景下的显著区域,提出一种全卷积神经网络与低秩稀疏分解相结合的显著性检测方法,将图像分解为代表背景的低秩矩阵和对应显著区域的稀疏噪声,结合利用全卷积神经网络学习得到的高层语义先验知识,检测图像中的显著区域.首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;然后,在MSRA数据库中,基于梯度下降法学习得到特征变换矩阵,利用全卷积神经网络学习得到高层语义先验知识;接着,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;最后,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图.在公开数据集上进行实验验证,并与当前流行的方法进行对比,实验结果表明,本文方法能够准确地检测感兴趣区域,是一种有效的自然图像目标检测与分割的预处理方法.     

基于低秩矩阵二元分解的快速显著性目标检测算法

近年来,基于矩阵低秩表示模型的图像显著性目标检测受到了广泛关注。在传统模型中通常对秩最小化问题进行凸松弛,即引入最小化核范数将原始输入图像分解为低秩矩阵和稀疏矩阵。但是,这种方法在每次迭代中必须执行矩阵奇异值分解（SVD）,计算复杂度较高。为此,本文提出了一种低秩矩阵双因子分解和结构化稀疏矩阵分解联合优化模型,并应用于显著性目标检测。算法不仅利用低秩矩阵双因子分解和交替方向法（ADM）来降低时间开销,而且引入分层稀疏正则化刻画稀疏矩阵中元素之间的空间关系。此外,所提算法能够无缝集成高层先验知识指导矩阵分解过程。实验结果表明,提出模型和算法的检测性能优于当前主流无监督显著性目标检测算法,且具有较低的时间复杂度。     

基于稀疏与低秩的核磁共振图像重构算法

已有的基于压缩感知的核磁共振图像重构算法仅利用了数据的稀疏性或矩阵的低秩性,并没有充分利用图像数据的相关性先验知识.针对这一问题,提出了一种新型的应用于二维核磁共振图像重建的算法模型.与传统的单一利用原始数据的稀疏性或矩阵低秩性进行重建的方法不同,该方法同时利用了图像数据的稀疏性与矩阵的低秩性.矩阵低秩部分使用应用赤池信息量准则的奇异值分解阈值方法,数据稀疏部分使用全变分作为稀疏变换基.实验结果表明,该方法在相同的采样率下与应用赤池信息量准则的奇异值分解阈值方法、全变分方法和奇异值分解阈值方法相比大大提升了重建图像的质量.     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

大气湍流下退化序列图像的目标检测方法

为解决大气湍流退化序列中运动目标检测困难的问题,提出了一种结合低秩分解和检测融合的目标检测方法。首先,根据退化视频中湍流运动分量的稀疏分布特点,采用低秩矩阵描述法将每帧图像分解为低秩稳像和稀疏运动两部分,初步实现场景和湍流运动的粗分离。其次,由于稀疏部分中包含目标在内的整个场景的稀疏运动量,引入自适应阈值法剔除干扰量,分割目标并填补其中空洞;对于无湍流偏移干扰的低秩部分,采用高斯建模获得低秩中的前景区域。最后,对两部分检测结果进行联合判定,从而获得准确的目标检测结果。实验表明,本文方法目标提取的准确度较高,明显优于当前经典检测方法,在强湍流条件下检测结果仍较为理想。     

基于RPCA的皮革图像缺陷检测

提出了一种皮革视觉缺陷检测算法.通过分析皮革图像的低秩特征,将皮革图像缺陷检测问题转变为从低秩背景图像中分离稀疏矩阵图像.首先采用Gaussian高通滤波器对图像进行了预处理,然后利用鲁棒性主成成分分析(RPCA)对图像进行低秩稀疏分解,并采用效率较高的非精确增广拉格朗日乘子法(IALM)求解.对分解后的稀疏图像进行了后处理,最终在二值图像中获得缺陷的形状和位置.该算法的效率及准确率已经在实验中进行了验证,并与现有算法进行了比较.实验表明,该算法可以用来检测各种不同种类和大小的缺陷,检测准确率高且能够提供完整的缺陷掩模.     

基于低秩矩阵恢复的视觉显著性目标检测与细化

基于低秩矩阵恢复(low-rank matrix recovery,LRMR)的显著性目标检测模型将图像特征分解为与背景关联的低秩分量和与显著性目标相关联的稀疏分量,并从稀疏分量中获得显著性目标.现有的显著性检测方法很少考虑低秩分量与稀疏分量之间的相互关系,导致检测的显著性目标零散或不完整.为此,提出基于低秩矩阵恢复的显著性目标检测与细化方法来规避该限制.首先,所提方法采用ell_1范数稀疏约束和拉普拉斯正则项对初始显著图进行计算;在显著性细化阶段,由于非局部的ell_0优化可以有效地对显著性区域及其邻接区域之间的相互关系进行建模,结合初始显著图,采用非局部ell_0梯度优化,最小化显著性区域中显著值的变化,从而保证显著性目标的完整性.在4个显著性目标检测数据集上进行实验,通过实验结果验证所提算法的优越性.     

基于局部最优分析的纺织品瑕疵检测方法

针对复杂的含有周期变化图案的纺织品瑕疵检测,提出改进Markov随机场模型的无监督纺织品瑕疵检测方法.应用随机场实现周期性纺织品图像的瑕疵检测,利用Markov邻域特性,综合判断瑕疵区域.结合周期图像分割,确定Markov随机场最小图像块计算单元,降低算法的计算复杂度.在随机场势函数定义中,综合考虑相邻图像块的差异特性,结合Markov随机场的全局性判断瑕疵点的位置.引入模糊相似关系矩阵概念,求解改进后的模型参数,使所有图像块的局部能量达到最优.实验表明,文中方法对样本的查全率较高.     

基于自适应低秩稀疏分解的超声缺陷回波检测方法

超声无损探伤在金属材料微小缺陷检测中有着广泛的应用,但采集的回波信号通常受到噪声干扰甚至完全被噪声掩盖,为了辨别被噪声干扰的缺陷反射信号,提出了一种基于自适应低秩矩阵分解的超声缺陷回波检测方法。首先对原信号进行短时傅里叶变换并提取幅度谱和相位谱,引入基于误差重建的背景矩阵秩估计方法,用于估计低秩稀疏分解所需的低秩度参数。然后通过低秩稀疏分解将幅度谱分解为低秩、稀疏和噪声三部分,舍弃噪声部分。最后使用时频掩蔽分离出缺陷信号幅度谱并运用逆短时傅里叶变换获得回波信号。应用本文提出的方法分别对仿真和实测信号进行处理,结果表明本方法在缺陷回波检测方面是有效的。     

结合低秩和结构化稀疏的大雾图像小目标检测

针对传统的低秩稀疏分解模型不能直接应用到单幅图像进行目标检测,且忽略了目标像素的空间结构性导致检测精度不高等问题,提出一种基于低秩和结构化稀疏的单幅大雾图像小目标检测算法。首先,对原始大雾图像进行预处理得到由局部子图像构成的大雾补片图像,将小目标检测问题转化为低秩和稀疏分解问题。然后,考虑到目标像素间的空间结构关系,在对大雾补片图像进行矩阵分解时,引入结构化稀疏诱导范数对目标进行约束。最后,将矩阵分解得到的补片图像进行后处理得到背景图像和目标图像。通过对单幅大雾图像实验仿真表明,所提算法确保了小目标检测的完整性并且提高了检测精度。     

Textile fabric defect detection based on low-rank representation

In this paper, we propose a novel and robust fabric defect detection method based on the low-rank representation (LRR) technique. Due to the repeated texture structure we model a defects-free fabric image as a low-rank structure. In addition, because defects, if exist, change only the texture of fabric locally, we model them with a sparse structure. Based on the above idea, we represent a fabric image into the sum of a low-rank matrix which expresses fabric texture and a sparse matrix which expresses defects. Then, the LRR method is applied to obtain the corresponding decomposition. Especially, in order to make better use of low-rank structure characteristics we propose LRREB (low-rank representation based on eigenvalue decomposition and blocked matrix) method to improve LRR. LRREB is implemented by dividing a image into some corresponding blocked matrices to reduce dimensions and applying eigen-value decomposition (EVD) on blocked matrix instead of singular value decomposition (SVD) on original fabric image, which improves the accuracy and efficiency. No training samples are required in our methods. Experimental results show that the proposed fabric defect detection method is feasible, effective, and simple to be employed.

     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

基于低秩稀疏分解的自适应运动目标检测算法

传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形（例如水面波纹、树木摇动）,[l1]范数并不能区分出这些干扰与真实目标,从而大大影响检测效果。实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性。通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律。同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高。     

Augmented Lagrangian alternating direction method for matrix separation based on low-rank factorization

The matrix separation problem aims to separate a low-rank matrix and a sparse matrix from their sum. This problem has recently attracted considerable research attention due to its wide range of potential applications. Nuclear-norm minimization models have been proposed for matrix separation and proved to yield exact separations under suitable conditions. These models, however, typically require the calculation of a full or partial singular value decomposition at every iteration that can become increasingly costly as matrix dimensions and rank grow. To improve scalability, in this paper, we propose and investigate an alternative approach based on solving a non-convex, low-rank factorization model by an augmented Lagrangian alternating direction method. Numerical studies indicate that the effectiveness of the proposed model is limited to problems where the sparse matrix does not dominate the low-rank one in magnitude, though this limitation can be alleviated by certain data pre-processing techniques. On the other hand, extensive numerical results show that, within its applicability range, the proposed method in general has a much faster solution speed than nuclear-norm minimization algorithms and often provides better recoverability.     

基于截断核范数低秩分解的自适应字典学习算法

针对过完备字典直接对图像进行稀疏表示不能很好地剔除高频噪声的影响,压缩感知后图像重构质量不高的问题,提出了基于截断核范数低秩分解的自适应字典学习算法。该算法首先利用截断核范数正则化低秩分解模型对图像矩阵低秩分解得到低秩部分和稀疏部分,其中低秩部分保留了图像的主要信息,稀疏部分主要包含高频噪声及部分物体轮廓信息;然后对图像低秩部分进行分块,依据图像块纹理复杂度对图像块进行分类;最后使用K奇异值分解（K-single value decomposition, K-SVD）字典学习算法,针对不同类别训练出多个不同大小的过完备字典。仿真结果表明,本文所提算法能够对图像进行较好的稀疏表示,并在很好地保持图像块特征一致性的同时显著提升图像重构质量。