基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

基于贝叶斯压缩感知的频率步进探地雷达成像算法

针对传统压缩感知频率步进探地雷达成像算法存在计算量大和对噪声和重建正则化参数敏感的问题,提出一种基于稀疏贝叶斯学习的贝叶斯压缩感知成像算法。该成像算法的核心通过稀疏贝叶斯线性回归模型中相关向量机的学习来实现对探测场景反射系数的重构。仿真结果表明,相比其他的经典算法,所提成像算法能够更好地利用了探测场景的统计先验信息,能够更好地兼顾重构精度和计算效率。     

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.     

改进的Beta过程因子分析图像修复算法

图像修复是利用图像已知信息对图像破损区域进行填充修复的过程,而非参贝叶斯技术在图像稀疏表示中被认为是一种有效的字典学习方法,作为一种有效的非参贝叶斯算法,基于Beta过程因子分析算法(BPFA)在去噪、修复以及压缩感知方面有很广泛的应用.然而现有的BPFA算法在对含噪的破损图像修复时收敛速度慢,针对这个问题本文在BFPA算法更新字典时与K-SVD算法相结合,提出一种基改进的BPFA学习算法,改进算法利用K-SVD算法简单收敛速度快的特点,在原有算法更新参数时,利用OMP稀疏编码更新字典候选集以达到提高算法的收敛速度的效果.得到的结果表明本文算法能够更好地修复含噪破损图像获得较好的视觉效果.     

面向压缩感知的基于相关性字典学习算法

压缩感知理论作为一种新兴技术,能够降低传感节点的能量消耗,推动基于可穿戴设备的远程健康监护系统的发展。其中,字典学习算法获得的过完备字典应用于压缩感知重构时能获得较高的重构精度,因此备受关注。传统字典学习算法通常未考虑到信号内部隐含的相关,不能充分地捕捉到信号特征,当应用到压缩感知重构时不能精确地重构信号。该文充分利用生理信号隐含的相关性的结构特征,提出一种基于相关性的加权最小二乘字典学习算法,克服了传统字典学习算法应用到压缩感知重构信号时精度差的缺陷。实验结果表明,该算法能够充分地捕捉信号特征,提高应用于压缩感知重构恢复领域的信噪比,使得压缩后的信号能被精确地重构恢复出来。     

基于压缩感知的双连续超松弛迭代算法研究

压缩感知理论是在已知信号具有可压缩性或通过变换具有稀疏性的条件下,对其信号进行采集,稀疏和重构的新理论.其中稀疏信号重构算法是其中关键的一部分,对信号恢复的精确性及时效性验证有着重要的意义.该文在总结目前已有的重构算法的基础上,提出了一种新的基于压缩感知的双连续超松弛迭代重构算法.该算法通过参数估计自适应的寻找合适的稀...     

基于过完备字典的视频压缩采集算法

针对视频图像具有可压缩性和稀疏性的特点,提出一种基于压缩感知的视频图像压缩采集方法.首先,将视频分为不重叠的时间空间块,以有效利用视频不同区域的不同纹理变化.同时,训练了一个由严格的稀疏法则约束的视频块过完备字典用于视频的重构.在这个框架下,使用K-means分类和K-SVD字典训练理论对随机选择的视频块进行训练.最后,对所提方案的有效性和自适应性进行了仿真测试,实验结果表明,所提方法即使在采样数目低至5%的情况下,也可获得比2D离散余弦变换、3D离散余弦变换、帧间差异、分块等传统压缩感知算法更优的峰值信噪比,较好地重构了原始视频图像.     

基于在线字典学习的自适应医学图像融合算法

针对医学图像复杂多样的特点,提出一种基于在线字典学习的自适应医学图像融合算法。该算法首先利用在线字典学习理论训练源图像的过完备字典;然后利用正交匹配追踪算法对源图像进行稀疏分解得到稀疏编码,根据源图像之间稀疏编码的能量差异程度和梯度差异程度自适应调整融合准则,若能量差异程度大于梯度差异程度,则根据能量取大准则融合稀疏编码,反之,根据梯度取大准则融合稀疏编码;最后将融合后的稀疏编码与过完备字典进行重构得到融合图像。实验结果表明:与多尺度几何分析、K奇异值分解等图像融合算法比较,该算法融合的图像客观评价指标信息熵、边缘评价因子均有所提高,主观上纹理清晰、对比度高,能够很好地保留源图像的边缘信息。     

压缩感知中图像重构的模型综述

分别从稀疏表示、编码测量以及重构算法等方面阐述了压缩感知的基本原理。基于概率、凸优化等详细介绍了图像重构模型的理论框架和发展状况,并从字典学习和低秩表示的角度展望了图像重构模型进一步研究的方向。     

一种改进的正则化自适应匹配追踪算法

针对压缩感知中未知稀疏度信号的重构问题,提出了一种改进的正则化自适应匹配追踪算法。它通过自适应变步长迭代对信号稀疏度进行估计,并将其作为初始支撑集长度,然后在分阶段迭代中正则化筛选原子,最终实现信号的精确重构。仿真结果表明,该算法重构信号的性能和效率均优于子空间追踪算法、正交匹配追踪算法和稀疏度自适应匹配追踪算法。     

压缩感知OMP算法与IRLS算法在计算鬼成像中的对比分析

将压缩感知技术和鬼成像系统相结合,能够大幅度地降低成像所需的测量次数,并能有效地提高重构图像的峰值信噪比。本文将离散余弦变换（DCT）矩阵作为图像稀疏化矩阵,采用正交匹配追踪算法（OMP）和迭代加权最小二乘算法（IRLS）两种压缩感知算法作为压缩感知鬼成像系统图像重构的算法。通过对两种算法在改变稀疏度和测量次数时重构结果的峰值信噪比变化的比较,探究了这两个变量对峰值信噪比的影响。发现IRLS算法重构精度更高,图像质量更好,而OMP算法迭代速度比IRLS更快,重构图像所需的时间较少。     

结合自适应稀疏表示和全变分约束的图像重建

In view of the limitation of fixed complete orthogonal transformation, represented by two-dimensional wavelet transform and discrete cosine transform in compressed sensing high-resolution image reconstruction, this paper proposes a new method for high-resolution image reconstruction based on adaptive redundant dictionary sparse representation with the total variation constraint.The algorithm takes the intermediate image in the process of iteration as the training sample to get a redundant dictionary suitable for sample characteristics by adaptive learning. It makes full use of the correlation between dictionary atoms and the image to get an ideal complete sparse representation, thus reducing the sampling rate and improving the quality of image reconstruction. Finally, the algorithm takes the total variation as a constraint and uses the split Bregman iterative method to solve the sparse optimization problem. Simulation shows that the proposed method can reconstruct high quality images under a low sampling rate.     

Signal reconstruction algorithm based on the probabilistic structured sparse model

In order to describe structured sparsity of the signal accurately, a probabilistic structured sparse model is constructed for signal reconstruction in compressive sensing(CS). Based on the structured sparse model, Boltzmann distribution is introduced to describe structured sparsity of the signal support rather than to describe the signal directly. Based on Bayesian CS, the maximum a posterior estimate of signal support is computed with the prior distribution and the Gaussian likelihood model of measurement, and then the signal is reconstructed using signal support. Experimental results show that, for the signal with the support known, the proposed algorithm is obviously superior to BP and OMP and that for the signal with the support unknown, its performance outperforms that of BP and OMP in the condition of a high measurement noise level and low reconstruction error tolerance.     

一种稀疏度自适应超宽带信道估计算法

针对在超宽带信道估计中应用压缩感知理论需要预知信道稀疏度的问题,利用超宽带信道在时域上的稀疏性,将信道估计问题转化为压缩感知理论中的稀疏向量重构问题,提出了稀疏度自适应正则化压缩采样匹配追踪（SARCoSaMP）算法。该算法在压缩采样匹配追踪（CoSaMP）算法的基础上,引入自适应和正则化方法,自动调整所选原子数目,逐步逼近信道稀疏度K,在稀疏度未知的情况下精确地实现信道估计。仿真结果表明,该算法可有效应用于超宽带系统的信道估计,并且其性能明显优于CoSaMP算法和稀疏自适应匹配追踪（SAMP）算法。     

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。     

多地面运动目标大动态SAR成像稀疏表示

为了保证对多个地面运动目标同时进行合成孔径雷达成像时具有足够的响应动态范围,提出了一种基于参数化贝叶斯机器学习的压缩感知稀疏表示方法,在对运动目标稀疏特征增强的同时可以显著地提高多目标合成孔径雷达成像的响应动态范围。首先,利用渐进线性的吕氏分布时频表示方法获得多运动目标的多普勒调制参数,并构建二阶多项式傅里叶字典; 然后,针对该字典可能导致的压缩感知有限等距特性欠佳的问题,研究利用字典的互相关度进行定量评估; 最后,引入地面运动目标相对背景杂波的稀疏先验概率分布,建立层级贝叶斯模型,应用变分贝叶斯期望最大算法实现合成孔径雷达地面运动目标成像的稀疏表示,同时对可能存在的目标高阶运动和载机运动误差造成的相位失调进行校正,以保证运动目标雷达图像的聚焦性能。仿真及实测数据的处理结果验证了应用该方法可以显著地提升多目标成像响应动态范围,相比传统方法具有明显的优越性。     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

基于加权星图稀疏正则化的图像压缩感知重构

为了更有效地表达图像的高阶稀疏结构,提出基于图稀疏正则化的压缩感知重构算法,通过图论方法描述图像稀疏系数间的相关性。首先,采用图结构化稀疏度量表征图像的非局部相似性,并化简稀疏系数的完全图结构为仅与均值节点连接的星图结构,以实现更高效的稀疏表达;然后,通过加权范数的形式体现稀疏系数的不同重要性,达到自适应恢复的目的。进一步,提出求解星图稀疏模型的近似消息传递算法,通过引入辅助变量,使得权值参数和稀疏系数的优化问题更易求解。实验结果表明,所提出的算法在客观质量和主观质量上优于其他基于非局部稀疏模型的重构算法,验证了星图稀疏模型的有效性。     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。