低秩遮挡图像去噪方法

为获得清晰的低秩图像,提出一种将低秩矩阵填充 (LRMC)与低秩矩阵恢 复(LRMR)联合的新模型,基于非精确增广拉格朗日乘子(IALM)法进行求解,运用LRMC去除遮 挡并填充缺失部 分,再利用LRMR去除噪声,得到完整的图像。以恢复时间、信噪比(SNR)、峰 值信噪比(PSNR)、差错率(err)等做评价标准,对3幅受噪声污染的图像的恢复结果表明, 本文提出的联合LRMC与LRMR的新模型,既能去除遮挡又能够填充图像的缺失部 分,能够达到理想的恢复效果。     

混合正则化约束的湍流退化图像复原算法

针对大气湍流引起的红外图像模糊问题,提出一种基于混合正则化的模糊核估计模型。根据图像主要边缘的稀疏性,采用图像梯度的L0范数为正则化项;通过分析模糊核的特性,提出能适用于复杂模糊情况的核L0-L2范数正则化约束。复原模型的优化过程中,结合变量分裂策略和增广拉格朗日法交替估计图像和模糊核,并利用快速傅里叶变换,实现模糊核的快速、准确估计;最终根据估计的模糊核,复原得清晰图像。实验结果表明,本文算法可以更好地复原退化图像,在主观视觉和客观质量评价方面都有所提高。     

联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

一种基于低秩表示的子空间聚类改进算法

该文针对现有的基于低秩表示的子空间聚类算法使用核范数来代替秩函数,不能有效地估计矩阵的秩和对高斯噪声敏感的缺陷,提出一种改进的算法,旨在提高算法准确率的同时,保持其在高斯噪声下的稳定性。在构建目标函数时,使用系数矩阵的核范数和Forbenius范数作为正则项,对系数矩阵的奇异值进行强凸的正则化后,采用非精确的增广拉格朗日乘子方法求解,最后对求得的系数矩阵进行后处理得到亲和矩阵,并采用经典的谱聚类方法进行聚类。在人工数据集、Extended Yale B数据库和PIE数据库上同流行的子空间聚类算法的实验对比证明了所提改进算法的有效性和对高斯噪声的鲁棒性。     

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法.为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理.首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然...     

基于稀疏和低秩先验的雷达前视超分辨成像方法

在精确制导、自主着陆、地形测绘等多种领域,雷达前视成像至关重要。传统的基于实波束扫描的前视成像方法受到实际雷达孔径约束难以获得高分辨图像。与整个成像场景相比,感兴趣目标通常只占一小部分区域,这种稀疏性使得压缩感知(CS)可以应用于高分辨率前视图像重建。然而,雷达回波中的强噪声影响了基于CS方法生成图像质量。受到最终生成图像具有低秩特性的启发,该文建立了一种联合低秩和稀疏特性的前视超分辨成像模型。为了有效地解决所提模型中的双重约束优化问题,提出了一种在交替方向乘子法(ADMM)框架下基于增广拉格朗日乘子(ALM)的前视图像重构方法。仿真和实测数据实验结果表明,所提方法能够有效提高雷达前视成像的方位分辨率,并且具有较强噪声鲁棒性。     

基于低秩稀疏分解的红外弱小目标检测算法研究进展

红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于军事和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。     

利用低秩先验的噪声模糊图像盲去卷积

单幅图像盲去卷积的目的是从一幅观测的模糊图像估计出模糊核和清晰图像。该问题是严重病态的,尤其是观测图像中噪声不可忽略时更具挑战性。该文主要针对如何有效利用低秩先验约束进行噪声模糊图像盲去卷积问题,提出一种在交替最大后验(MAP)估计框架下利用低秩先验约束的单幅噪声模糊图像盲去卷积方法。首先,在估计中间复原图像时,利用低秩先验约束对复原图像中的噪声进行抑制。然后,采用降噪后的中间复原图像估计模糊核,得到更好质量的模糊核估计。迭代上述两个操作获得最终可靠的模糊核估计。最后,根据所估计的模糊核,通过非盲去卷积方法复原出清晰图像。实验结果表明：所提方法在定量和定性评价指标上优于已有的代表性方法。     

基于旋转阵列的多帧合成孔径图像复原

针对光学合成孔径成像系统的调制传递函数 (MTF)在中-低频段的衰减以及造成的合成图像降质问题,以6孔径Y型 阵列 为例,提出子孔径阵列旋转成像以获取包含互补信息的多帧图像;通过截止频率与中频能量 比确定旋转角度,并 利用多帧迭代盲解卷积算法进行图像复原。实验表明,与现有的代表性工作相比,本文方法 对于Y型阵列的合成孔径图像有较好的复原效果和重建的准确性。     

1024元长线列红外探测器的数据采集技术

介绍了一种FPGA实现1 024元长线列红外探测器的数据实时采集处理技术。提出了一种FPGA实现探测器奇偶行对齐的实现方法;改进了二维线性外推盲元检测补偿算法,在对角线方向上进行盲元检测与补偿,解决了多盲元连通时检测效率低的问题;采用定点乘法器和加法器完成了探测器的均匀性校正。实验结果表明：该数据采集处理技术能够提高数据传输处理效率,具有良好的实时性和可移植性。     

多线性鲁棒主成分分析

鲁棒主成分分析（RPCA）是恢复低秩与稀疏成分的一种非常有效的方法.本文将RPCA推广到张量情形,提出了多线性鲁棒主成分分析（MRPCA）框架.首先建立了MRPCA模型,即最小化张量核范数与l₁范数的加权组合.然后使用增广拉格朗日乘子法求解上述张量核范数优化问题.实验结果证实：对于具有多线性结构的数据,MRPCA比RPCA更加鲁棒.     

一种基于经验模态分解的信噪比盲估计新算法

为了增强未知样式信号的信噪比估计性能,提出了一种基于经验模态分解(EMD)的信号信噪比估计新算法,通过固有模态函数(IMF)分量平均周期判断信号与噪声界限.给出了经验模态分解估计法的工作原理和流程图,分析了经验模态分解估计法的性能.仿真结果表明,与信号空间分解法一样,经验模态分解估计法能够实现盲信号信噪比估计,后者估计均方误差比前者要小,在0dB信噪比下均方误差不超过0.3 dB.     

无线传感器网络下线性支持向量机分布式协同训练方法研究

针对无线传感器网络中分散在各节点上的训练数据传输到数据融合中心集中训练支持向量机(Support Vector Machine, SVM)时存在的高通信代价和高能量消耗问题,该文研究了仅依靠相邻节点间的相互协作,在网内分布式协同训练线性SVM的方法。首先,在各节点分类器决策变量与集中式分类器决策变量相一致的约束下,对集中式SVM训练问题进行等价分解,然后利用增广拉格朗日乘子法,对分解后的SVM问题进行求解和推导,进而提出基于全局平均一致性的线性SVM分布式训练算法(Average Consensus based Distributed Supported Vector Machine, AC-DSVM);为了降低AC-DSVM算法中全局平均一致性的通信开销,利用相邻节点间的局部平均一致性近似全局平均一致性,提出基于一次全局平均一致性的线性SVM分布式训练算法(Once Average Consensus based Distributed Supported Vector Machine, 1-AC-DSVM)。仿真实验结果表明,与已有算法相比,AC-DSVM算法的迭代次数和数据传输量略高,但其能够完全收敛到集中式训练结果;1-AC-DSVM算法具有较好的收敛性,而且在收敛速度和数据传输量上也表现出显著优势。     

频域迭代盲解卷积图像恢复方法及其算法实现

详细讨论了一种新的模糊图像复原法 ,使用这种方法 ,不需知道图像模糊过程的模糊因子 ,就可以实现图像的恢复。该算法易于编程 ,且具有较强的通用性。分析了计算机算法 ,并给出了处理的结果。