结构约束和样本稀疏表示的图像修复

本文探讨了一种利用结构约束和样本稀疏表示,对结构信息缺损较大时的图像修复方法。利用多项式曲线拟合方式修复图像边缘信息,约束结构的修复;采用样本稀疏表示的窄带模型,优先修复结构信息;利用平移块的稀疏表示方法修复纹理信息。仿真实验结果表明,该方法修复图像质量高,既可较好地修复图像的边缘结构,又能保持结构的整体平滑性。     

基于分布结构约束稀疏表示的图像分类方法

为了解决稀疏表示结构信息缺失的问题,从而更加准确地进行图像分类,本文提出一种新的基于结构约束的稀疏表示的图像分类方法。在对图像进行降采样的前提下,提取方向梯度直方图特征后的训练样本上构建稀疏线性编码模型,通过样本间的分布结构信息约束和?1范数最优化求解测试样本的稀疏系数x,利用稀疏系数均值法进行目标的分类识别。基于COREL图像库进行仿真验证,实验证明,基于结构约束稀疏表示的图像分类方法能够获得很好的识别性能,与非结构约束稀疏表示相比本文方法显著提高了图像分类的准确率。     

相似匹配块组的稀疏表示图像修复

目的 传统多样本块稀疏表示的图像修复过程中,容易因为匹配样本块的错误,重构出不正确的填充块,致使在边缘部分产生不连贯的现象,然而单样本匹配填充又容易产生明显的伪影,不能保证与周围结构保持连续,以致产生明显的修复痕迹,为此,本文提出一种改进的基于相似匹配块组的稀疏表示方法。方法 首先,采用颜色信息与余弦距离结合的方法定义图像块匹配准则,在目标邻域范围内获得结构变化趋势更相似的匹配块组;然后,在稀疏重构过程中,同时考虑已知信息和估计的未知信息,利用相似块与目标块的匹配程度,对稀疏系数增加不同的权重,以此来增强筛选匹配块的能力,减少纹理模糊现象;最后,根据结构稀疏度自适应地在各结构复杂度不同的区域确定样本块尺寸,减少图像修复过程中的错误传播现象。结果 实验结果表明,本文算法改善了在边缘修复过程中产生断裂或者纹理延伸的现象,不仅在主观视觉有明显的提升,其修复结果的峰值信噪比（PSNR）相较于其他相关稀疏表示修复算法提高了0.53 dB。结论 本文算法实现了对不同结构特征的彩色破损图像的修复,在结构边缘处有理想的修复效果,并且对各种形状的破损也具有良好的修复效果。     

基于◢l◣▼2▽-范数重构样本约束的稀疏表示人脸识别方法

稀疏表示分类方法在训练样本空间较大的情况下具有良好的分类效果,但是计算的时间成本较高。针对稀疏表示方法的此问题,考虑构造对重构样本的◢l◣▼2▽-范数进行约束,使得重构样本中各类别分量之间的竞争加强,以起到组稀疏的效果,最后提高分类正确率。由于该方法可以直接得到闭式解,使得求解的计算成本大大减小,并且得到的系数稀疏程度与传统方法类似。在公开的人脸和物体图像数据集上和同类型方法的对比实验结果表明,该方法在复杂的条件下具有优秀的图像识别效果。     

增强的两阶段测试样本稀疏表示方法

TPTSSR方法是一种基于L2范数的稀疏表示方法,在人脸识别中获得了成功的应用。然而,当训练样本较少时,TPTSSR方法就不能够正确有效地给出测试样本的稀疏表示,致使识别性能急剧下降,并且该算法对最近邻数M的取值也比较敏感。为了提高算法的识别性能和鲁棒性,本文通过增加噪声样本来解决训练本集不充分的问题。基于ORL、Yale、AR和FERET人脸库上的实验结果表明,所建议的策略提高了算法的识别性能和增强了其鲁棒性。     

基于群结构稀疏表示的图像修复

针对基于稀疏表示的图像修复方法存在稀疏系数先验知识表达不足等问题,考虑图像的纹理自相似性和原子系数的群结构稀疏性,提出了群结构约束的稀疏表示模型,通过选取合适的群结构约束稀疏系数,使字典中相邻基对应的稀疏系数之间建立联系,并统一对输入图像的有效数据图块与训练样本进行稀疏编码来进一步训练字典,使其具有相同的稀疏模式,从而建立联合稀疏关联,并将其作为先验知识指导图像修复。通过区域目标剔除、像素缺失修复等实验验证其性能,实验结果表明,该方法有较强的自适应性,修复效果较好。     

基于Criminisi的结构组稀疏表示图像修复算法

结构组稀疏表示(structural group sparse representation,SGSR)算法对结构组的估计值进行奇异值分解得到字典,然后用Split Bregman Iteration算法求解优化模型得到稀疏解,最后借助字典和稀疏解来修复图像。该算法在一定程度上解决了传统稀疏表示算法忽略图像块之间相似性导致重构图像的结构和纹理不够自然的问题。但该算法中,结构组的估计值采用双线性插值算法得到,因此对块状缺失图像的修复效果一般。为了更准确地计算结构组的估计值,提出用Criminisi算法代替双线性插值算法,并由此时的估计值生成更合理的字典和稀疏解,得到重构的结构组,进而更准确地修复图像。实验数据表明,与SGSR算法相比,所提出的算法在峰值信噪比和相似结构性指数上分别平均提高了2.66 dB和0.0017,且在结构和纹理上取得了更自然的主观视觉效果。     

基于联合约束策略和稀疏表示的图像分割

基于像素级的交互式图像分割算法对初始种子位置和噪声敏感,同时仅基于超像素的分割方法无法保留图像细节经常导致分割结果出现欠分割问题。针对上述问题,提出超像素/像素约束和稀疏表示的图像分割模型。该方法利用高斯函数分别对像素和超像素构造了相互约束的代价函数,引入了稀疏分解对模型进行优化以提升模型对图像噪声的鲁棒性,最后利用联合优化策略对代价函数求解估计出目标和背景标记实现目标提取。实验结果表明,与现有的分割方法相比,提出的方法能获得较好的分割效果,对高斯噪声和椒盐噪声具有较强的鲁棒性。     

基于高阶结构约束的稀疏人脸识别算法

为了挖掘人脸稀疏表示的高阶结构信息,从而获得更精确的人脸分类判别信息,提出一种新的基于高阶结构约束的稀疏表示的人脸识别算法。在提取人脸图像的Gabor特征后,选取适当的训练样本构建稀疏线性编码模型,利用样本特征间的高阶结构信息约束和最优化求解测试样本的稀疏系数,将稀疏系数作为最终特征对人脸进行识别,实验结果表明,与结构约束稀疏表示和非结构约束稀疏表示的方法比较,人脸的高阶结构稀疏表示能显著提高人脸的识别准确率。     

样本分块稀疏表示判决式目标跟踪

为了提高目标跟踪算法的鲁棒性和准确性,提出了一种粒子滤波框架下的样本分块稀疏表示判决式跟踪算法。算法在首帧提取目标模板和背景模板,并将这些模板进行分块,构建模板字典。然后,将候选目标进行分块处理,并使用模板字典稀疏重构候选目标分块,从而获得候选目标的稀疏系数和残差。进而,构建一款贝叶斯分类器,分类器的输入为候选目标稀疏系数和残差中提取的相似度信息,输出为候选目标与真实目标的相似度。分类器通过跟踪过程中获得的正负样本进行训练,使之能够适应目标和背景的变化。最后,将文中算法在8组具有挑战性的视频中进行测试,平均跟踪误差为5.9个像素,跟踪成功率为89%。与选取的3种先进的算法比较,本文算法具有更高的鲁棒性和准确性。     

基于三层稀疏表示的图像修复算法

利用单一字典修复包含多种结构成分的复杂图像的效果不太理想,针对该问题,提出一种基于三层稀疏表示的图像修复算法。该算法利用离散平稳小波、曲波和波原子稀疏来表示图像的光滑、边缘和纹理部分,采用块坐标松弛算法求解对应的稀疏优化问题实现图像修复。实验结果表明,该算法可以修复包含多种结构成分的图像,有效提高图像的修复质量。     

一种自适应组稀疏表示的图像修复方法

针对组稀疏表示图像修复方法采用固定大小的图像块,致使修复结果中存在纹理和结构清晰性较差的问题,提出一种基于自适应组稀疏表示的图像修复方法。由于自然图像中纹理和结构信息不同,为了与原方法固定图像块大小的组结构作区分,首先提出一种自适应选取样本图像块大小的方法来构造自适应的组结构;然后以组为单位对其进行奇异值分解,获得该图像块组的自适应学习字典,并利用分裂伯格曼迭代(Split Bregman Iteration)算法求解目标代价函数;最后通过调整组中的图像块数量和迭代次数对每个组的自适应字典和稀疏编码系数进行更新,以获取较好的修复效果。实验结果表明,该方法不仅在峰值信噪比和特征相似性度量上有所提高,同时也提高了修复效率。     

基于自编码器和稀疏表示的单样本人脸识别

单样本人脸识别因其在现实生活中的广泛应用而成为人脸识别领域的热门话题。单张训练样本条件下训练样本的缺少和复杂的类内人脸表情、光照、遮挡变化给单样本人脸识别研究带来困难。传统的基于稀疏表示的人脸识别方法需要大量的训练样本构成过完备的字典,因而在单样本条件下识别效果明显下滑。针对这一问题,提出一种基于有监督自编码器的带变化人脸样本生成方法,在保留身份信息的同时自动生成带变化的人脸图像用于单样本条件下的字典扩充,一定程度上缓解了单样本条件下的欠采样问题,弥补了训练集和测试集间的人脸变化信息差异,使得传统的稀疏表示方法能够适用于单样本人脸识别问题。在公共数据库上的实验结果不仅证明了该方法的有效性,而且对测试集中不同的人脸变化也展现出了较强的鲁棒性。     

一种鲁棒稀疏表示的单样本人脸识别算法

稀疏表示在人脸识别问题上取得了非常优秀的识别结果,但在单样本条件下,算法性能下降严重。为提高单样本条件下稀疏表示的应用能力,提出一种鲁棒稀疏表示单样本人脸识别算法(RSR)。通过使用每张人脸图像创建一组位置图像,扩充每个对象训练样本,并利用L2,1范数约束,保证RSR选择正确对象的位置图像。在AR和Extended Yale B人脸数据库上进行评测,实验结果表明RSR能够有效处理存在遮挡或光照变化的人脸图像,获得了较好的单样本人脸识别准确率,具有很强的鲁棒性。     

基于稀疏表示和结构自相似性的单幅图像盲解卷积算法

图像盲解卷积研究当模糊核未知时,如何从模糊图像复原出原始清晰图像.由于盲解卷积是一个欠定问题,现有的盲解卷积算法都直接或间接地利用各种先验知识.本文提出了一种结合稀疏表示与结构自相似性的单幅图像盲解卷积算法,该算法将图像的稀疏性先验和结构自相似性先验作为正则化约束加入到图像盲解卷积的目标函数中,并利用图像不同尺度间的结构自相似性,将观测模糊图像的降采样图像作为稀疏表示字典的训练样本,保证清晰图像在该字典下的稀疏性.最后利用交替求解的方式估计模糊核和清晰图像.模拟和真实数据上的实验表明本文算法能够准确估计模糊核,复原清晰的图像边缘,并具有很好的鲁棒性.     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

基于分式函数约束的稀疏子空间聚类方法

针对现有稀疏子空间聚类算法获取的系数矩阵不能准确反应高维空间中数据分布的稀疏性的不足,提出一种分式函数约束的稀疏子空间聚类模型,并利用交替方向迭代方法给出该模型的解。在无噪声情形下,证明了该方法获取的系数矩阵具有块对角结构,这为其准确获取数据结构提供了理论保证;在含噪声情形下,对异常点噪声同样采用分式函数约束作为正则项,提高了模型的鲁棒性。在人工数据集、Extended Yale B库和Hopkins155数据集上的实验结果表明,基于分式函数约束的稀疏子空间聚类方法不仅提高了聚类结果的准确率,而且对异常点噪声具有更好的鲁棒性。