基于低秩稀疏分解与协作表示的图像分类算法

目前,大部分图像分类算法为了获取较高的性能均需要充分的训练学习过程,然而在实际应用中,往往存在训练样本不足及过拟合等问题。为了避免上述问题出现,在朴素贝叶斯最近邻分类算法的原理框架下,基于非负稀疏编码、低秩稀疏分解以及协作表示提出一种非参数学习的图像分类算法。首先,基于非负稀疏编码和最大值汇聚操作表示图像信息,并构建具有低秩性质的同类训练图像集的局部特征矩阵;其次,采用低秩稀疏分解结合别类标签信息构建两类视觉词典以充分利用同类图像的相关性和差异性;最后基于协作表示表征测试图像并进行分类决策,实验结果验证了所提算法的有效性。     

基于低秩稀疏分解快速算法的动态MRI重建

通过低秩加稀疏矩阵分解模型重建欠采样动态磁共振图像时,常采用变量分裂算法来求解。针对共轭梯度法在二次项更新中迭代计算较为复杂的问题,为了加快重建速度,提出一种考虑数据采集算子形式的高效变量分裂方案,将数据采集算子根据欠采样掩码矩阵、傅里叶变换算子和线圈灵敏度矩阵进行拆分,简化算法子问题中二次项更新所涉及的矩阵逆运算,达到加快算法收敛速度的目的。仿真实验结果表明：与迭代软阈值法和共轭梯度法相比,所提算法在心电影数据集中收敛速度分别提高了57.9%和83.0%,结构相似性分别提升了3.3%和1.4%;在心脏灌注数据集中收敛速度分别提高了55.5%和79.6%,结构相似性分别提升了1.5%和0.4%。     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

基于低秩稀疏图的结构保持投影算法

在图嵌入理论框架下,能够较好地揭示数据本质特性的图在一些维数约简方法中起到关键性的作用。基于稀疏表示和低秩表示方法,构建了一种低秩稀疏图,能够同时揭示数据的局部结构信息和全局结构信息。然后,利用图嵌入理论方法使这些特性在线性投影的过程中得以保持不变,从而学习出高维数据有效的低维嵌入。在标准的人脸和手写数字数据集(ORL,Yale,PIE,MNIST)上进行实验,同传统的图嵌入方法比较,结果表明了算法的有效性。     

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。     

基于低秩稀疏分解优化的图像标签完备

大量上传的网络图像因用户语义标注的随意性,造成了图像标签的不完备,大大降低了图像检索的效率.低秩稀疏是一种有效降低数据噪声的方法.为提高图像语义标签完备的准确度,提出一种基于低秩稀疏分解优化(LRSDO)的图像标签完备方法.首先结合待完备图像的视觉特征和语义搜索其近邻图像集;然后通过低秩稀疏分解模型获得其视觉特征与语义之间的映射关系,并以此预测该图像的候选标签;最后使用面向个体的标签共现频率方法对候选标签进行去噪优化,进而实现对其更加准确的自动图像标签完备.在基准数据集Corel5K和真实数据集Flickr30Concepts上进行了实验,结果表明,该方法在图像标签完备的平均准确率,平均召回率和覆盖率上均表现出更优的性能.     

基于稀疏低秩描述的图像检索方法

使用颜色、形状、纹理等特征的基于内容的图像检索技术,将图像看作向量空间中的点,通过计算两点之间的某种距离来衡量图像间的相似度,然而在提取图像特征时相同类型的图像会出现不一致的特征,极大地影响了检索算法的准确率。针对该问题,提出一种稀疏低秩描述的多特征图像检索方法。通过对图像集的稀疏低秩描述,保持了相同类别特征的全局结构,同时也降低了对于局部噪声的敏感度,增强了检索算法的鲁棒性。在Corel图像集上的检索实验结果表明,该方法较已有的基于内容的图像检索方法有更好的检索效果。     

基于近似稀疏正则化的低秩张量填充算法

针对目前大多数的低秩张量填充模型存在稀疏过约束而导致恢复数据的细微特征被忽略的现象,本文借助低秩矩阵分解和框架变换,引入软阈值算子的■范数正则项,提出一个基于近似稀疏正则化的低秩张量填充模型.为有效地求解该模型,我们将■范数改写为具有非线性不连续权函数的加权■范数,并用连续权函数逼近不连续权函数,在此基础上设计块逐次上界极小化的求解算法.在一定条件下,证明该算法的收敛性.大量实验表明,本文所提出的算法比现有一些经典算法能更好地重建得到图像的局部细节特征.     

基于低秩稀疏评分的非监督特征选择

在处理高维数据过程中,特征选择是一个非常重要的数据降维步骤。低秩表示模型具有揭示数据全局结构信息的能力和一定的鉴别能力。稀疏表示模型能够利用较少的连接关系揭示数据的本质结构信息。在低秩表示模型的基础上引入稀疏约束项,构建一种低秩稀疏表示模型学习数据间的低秩稀疏相似度矩阵;基于该矩阵提出一种低秩稀疏评分机制用于非监督特征选择。在不同数据库上将选择后的特征进行聚类和分类实验,同传统特征选择算法进行比较。实验结果表明了低秩特征选择算法的有效性。     

基于稀疏和低秩先验分离的快速动态MRI重建

为了加速动态核磁共振成像（MRI）的重建,并提取动态组织部分,提出一种基于将稀疏和低秩先验分离的重建方法。算法利用鲁棒主成分分析法（RPCA）,将动态MRI看作静态背景和动态组织的合成,建立相应的低秩矩阵和x-f域稀疏模型,再通过交替方向拉格朗日乘子法（ADMM）求解优化问题。与经典的k-t FOCUSS算法和k-t SLR算法进行对比,此算法能保证重建质量,即峰值信噪比（PSNR）、结构相似性（SSIM）等评价指标。实验结果表明,该算法能实现快速动态MRI的成像,减少运动伪影,同时更利于提取动态信息。     

利用自适应近邻选择和低秩表示的半监督鉴别分析

针对基于图嵌入的鉴别投影方法对近邻参数的敏感以及实际应用中样本类别信息不足对图嵌入方法鉴别性能的影响,提出一种基于自适应近邻选择和低秩表示的半监督鉴别分析方法.该方法利用所有类内样本点构造类内图来描述类内样本的紧致性,借助最远类内样本的邻域自适应地选取该邻域内不同类样本点构造类间图,以描述类间样本的可分性;此外,利用低秩表示方法挖掘不带类别信息样本的潜在低秩结构,以保留样本的全局相似关系.在ORL和FERET人脸数据库上的实验结果,验证了文中方法的有效性及对噪声的鲁棒性.     

块关联匹配与低秩矩阵超分辨融合的图像修复

针对块匹配图像修复算法容易出现结构不连贯与块效应问题,提出一种两阶段图像修复方法.该方法通过增加相邻修复块在重叠区域的关联性约束,利用图像块关联匹配修复算法实现对降采样受损图像的粗修复,以保证图像主体结构的完整性;依据不同分辨率图像中像素点与其8邻域的线性相关性,引入带噪低秩矩阵填充算法对图像细节进行超分辨率精修复,使修复后图像的纹理与色彩变化具有连续性.实验结果表明,文中方法对包含渐变特征的自然图像修复具有更好的视觉效果.     

基于运动分割和稀疏低秩分解的失真人体运动捕捉数据恢复

针对人体运动的复杂性和噪声干扰的无序性,提出一种基于运动分割和稀疏低秩分解的失真人体运动捕捉数据恢复方法.首先利用双边滤波对失真运动数据进行预修正,降低干扰数据的奇异信息并保证运动序列的连贯性;其次采用概率主元分析方法将修正后的运动数据进行语义行为自动分割,得到不同姿态的运动语义子区间;再利用加速近端梯度优化算法对每个失真运动子片段数据矩阵根据其更优低秩特性进行稀疏低秩分解,实现运动子片段数据的局部恢复;最后将局部恢复后的各子运动片段根据人体运动序列的时序特性组合,达到整体失真运动捕捉数据恢复的目的.实验结果表明,该方法能够有效地对失真人体运动数据进行恢复,效果显著,有助于重构逼近真实人体姿态的运动捕捉数据.     

结合评分习惯加权的稀疏矩阵插值推荐技术

插值估计可缓解推荐系统的稀疏问题,但其效果会影响预测性能。以logistic用户习惯（habit）评分加权改进Jaccard（HabJac）相似度量,并通过K近邻获得插补评分。进而,通过融合正则化奇异值分解（RSVD）技术提出了新的HISVD推荐算法,并获得最终预测。用户的习惯评分被定义为其出现频次最高的评分,并且logistic权值同评分与习惯评分之间的欧氏距离正相关。在四个现实数据集上的实验结果表明：a）HISVD在不同数据集上,最优情况下的参数比较稳定;b）HISVD在MAE和RSME指标上均超过了主流算法。     

基于总变分低秩组稀疏的全球雷达数据修复算法

针对航天飞机雷达地形测绘任务（SRTM）中存在由大量尖峰、斑点和多向条纹误差形成的混合噪声对后续应用产生严重干扰的问题,提出了一种基于总变分约束的低秩组稀疏（LRGS_TV）算法。首先,利用数据在局部范围低秩方向上的唯一性来正则化全局多方向条带误差结构,同时使用变分思想进行单向约束;其次,使用加权核范数的非局部自相似性来消除随机噪声,并结合总变分（TV）正则对数据梯度进行约束,以减小局部范围变化差值;最后,使用交替方向乘子优化对低秩组稀疏模型进行求解,从而保证了模型的收敛性。把所提算法与TV、单方向总变分（UTV）、低秩单图像分解（LRSID）和低秩组稀疏（LRGS）模型这4种算法进行定量评估的结果表明,LRGS_TV的峰值信噪比（PSNR）可以达到38.53 dB,结构相似性（SSIM）可以达到0.97,均为5种算法中的最优。同时,坡度与坡向结果表明,经LRGS_TV处理后,数据的后续应用有显著改善。实验结果表明,LRGS_TV能够在保证地形轮廓特征基本不变的情况下更好地修复原始数据,可对SRTM可靠性的提高与后续应用提供重要的支持。     

高光谱协同稀疏与非局部低秩张量变化检测

高光谱图像变化检测可提供地球表面的时间维变化信息,对城乡规划和管理至关重要.因具有较高的光谱分辨率,高光谱图像常被用于检测更精细的变化.针对高光谱变化检测的问题,提出一种基于协同稀疏与非局部低秩张量的高光谱图像变化检测方法.该方法首先求得前后时间点的高光谱差分图像,再根据差分图像中图像块的非局部分布特点,提取不同的非局...     

An adaptive field rule for non-parametric MRI intensity inhomogeneity estimation algorithm

A widely accepted magnetic resonance imaging (MRI) model states that the observed voxel intensity is a piecewise constant signal intensity function corresponding to the tissue spatial distribution, corrupted with multiplicative and additive noise. The multiplicative noise is assumed to be a smooth bias field, it is called intensity inhomogeneity (IIH) field. Our approach to IIH correction is based on the definition of an energy function that incorporates some smoothness constraints into the conventional classification error function of the IIH corrected image. The IIH field estimation algorithm is a gradient descent of this energy function relative to the IIH field. We call it adaptive field rule (AFR). We comment on the likeness of our approach to the self-organizing map (SOM) learning rule, on the basis of the neighboring function that controls the influence of the neighborhood on each voxel's IIH estimation. We discuss the convergence properties of the algorithm. Experimental results show that AFR compares well with state of the art algorithms. Moreover, the mean signal intensity corresponding to each class of tissue can be estimated from the image data applying the gradient descent of the proposed energy function relative to the intensity class means. We test several variations of this gradient descent approach, which embody diverse assumptions about available a priori information.     

Accurate reconstruction of 3D cardiac geometry from coarsely-sliced MRI

We present a comprehensive validation analysis to assess the geometric impact of using coarsely-sliced short-axis images to reconstruct patient-specific cardiac geometry. The methods utilize high-resolution diffusion tensor MRI (DTMRI) datasets as reference geometries from which synthesized coarsely-sliced datasets simulating in vivo MRI were produced. 3D models are reconstructed from the coarse data using variational implicit surfaces through a commonly used modeling tool, CardioViz3D. The resulting geometries were then compared to the reference DTMRI models from which they were derived to analyze how well the synthesized geometries approximate the reference anatomy. Averaged over seven hearts, 95% spatial overlap, less than 3% volume variability, and normal-to-surface distance of 0.32 mm was observed between the synthesized myocardial geometries reconstructed from 8 mm sliced images and the reference data. The results provide strong supportive evidence to validate the hypothesis that coarsely-sliced MRI may be used to accurately reconstruct geometric ventricular models. Furthermore, the use of DTMRI for validation of in vivo MRI presents a novel benchmark procedure for studies which aim to substantiate their modeling and simulation methods using coarsely-sliced cardiac data. In addition, the paper outlines a suggested original procedure for deriving image-based ventricular models using the CardioViz3D software.     

一种小波混合优化算法用于脑MR图像配准

优化算法是脑磁共振(MR)图像配准方法中的重要组成部分。针对目前已有的优化算法,提出了采用小波混合优化算法应用于脑MR图像配准。该优化算法采用小波分解技术实现脑MR图像的高低分辨率分解,在低分辨率图像上采用PSO(粒子群算法)进行优化获得初步配准参数,然后再采用Powell算法进一步精细优化,获得最终配准参数。实验比较结果表明,该优化算法相对于目前一些主流优化算法来说,具有较低的时间代价,较高的优化精度,以及较好的优化稳定性。