基于多形态学成分分析的图像融合

将多尺度分解与稀疏表示相结合,提出了一种基于多形态学成分分析（MCA）的图像融合算法。采用基于联合稀疏表示（JSR）的方法融合卡通子图像中的冗余和互补信息,并利用基于方向特征的方法融合具有更多细节信息和噪声的纹理子图像。结果表明,提出的图像融合算法在主观视觉效果和客观评价指标上均优于先进的图像融合算法。     

基于多字典和稀疏噪声编码的图像超分辨率重建

稀疏表示模型是通过将字典中的原子进行组合得到期望的结果.为了解决传统字典学习中所有图像块重建均使用同一个字典,从而忽略了最佳稀疏域的问题,提出来一种基于多字典和稀疏噪声编码的图像超分辨率重建算法.在字典训练时,利用图像的特征将它们合理地划分成若干个簇,每个聚类训练生成子字典对,利用最佳字典对进行重建.在求解稀疏系数阶段,引入稀疏编码噪声去除噪声的影响,利用图像非局部自相似性来获得原始图像稀疏编码系数的良好估计,然后将观测图像的稀疏编码系数集中到这些估计当中.实验表明,与ASDS算法和SSIM算法相比较,该算法有更好的重建结果,获得了更丰富的图像细节和更清晰的边缘.     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

一种改进的在线字典学习图像超分辨率重建算法

为提高重建图像的质量,详细表达图像高频细节信息,提出了一种改进的在线字典学习图像超分辨率重建算法.该算法在稀疏重建的字典训练阶段,采用在线字典学习以获取最优的超完备字典.在稀疏系数表示阶段,考虑图像多尺度间的冗余信息,构造L1范数正则项补偿对,抑制稀疏系数噪声提高重建效果.实验表明,该算法可更好地恢复图像细节,在客观评价和主观视觉感知上图像的重建质量均有所提高.     

基于二进神经网络的稀疏编码架构的图像无损压缩新方法

视频图像的高效无损压缩在海量的航空和遥感图像传输、珍贵的文物信息的保存等方面具有重要的应用价值,而目前的研究热点主要针对有损压缩,为此通过对现有的无损压缩方法的分析和研究,提出一种在稀疏编码与二进神经网络相结合的框架下建立新的图像无损压缩方法.首先借助二进神经网络中的线性可分结构系建立冗余字典,获得有效的稀疏分解基;再借助二进神经网络学习算法将图像映射为以线性可分结构系为神经元的二进制神经网络,在此基础上建立相应的模式匹配算法将每个神经元与冗余字典简历映射关系,通过稀疏系数建立原始图像的编码形式,进而实现了图像的无损压缩,并从理论上分析了该方法可以有效地提高压缩比,最后通过实验验证了该算法的有效性和通用性.     

基于双稀疏模型和非局部自相似约束的超分辨率算法研究

在基于稀疏表示的图像超分辨率方法中,字典的选择对最终重建质量具有重要影响.目前K-SVD作为基于外部样本学习的过冗余字典在图像重建领域取得广泛的成功,但同时也限制信号输入维度,带来信号降维过程的信息损失.针对这一问题,提出引入一种双稀疏模型,结合结构化字典和非结构化字典优点,避免降维过程信息损失同时保证训练精度;重建阶段引入非局部自相似性约束,迭代求解稀疏系数,降低编码噪声,最终重建高分辨率图像.实验结果表明,该算法在图像质量客观评价指标上优于对比算法,并且在主观视觉效果上获得更清晰的边缘等细节信息.     

面向输电线路的压缩感知图像去噪方法

传统的基于字典学习的输电线路图像去噪方法,易受冗余字典影响存在重建图像边缘细节恢复不足的问题.为了有效抑制输电线路图像表面存在的高斯噪声,提出一种图像非局部自相似特性与改进K-SVD字典学习算法融合的输电线路图像去噪方法,利用图像非局部自相似性作为正则项约束并加权稀疏表达模型,提高去噪图像复原和保留细节的能力.实验选取含有自然图像和输电线路典型缺陷图像进行仿真实验测试.实验结果表明,所提出的算法不仅能够很好的保留图像纹理特征与边缘细节,对高斯噪声也具有良好的鲁棒性.     

基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.     

一种基于稀疏描述的X射线焊缝检测方法

为了避免分割缺陷图像造成的误差,提出基于稀疏描述的焊缝缺陷识别方法。将从现场提取的缺陷和噪声图像作为样本,分析圆形、线形和噪声的相关性数据,根据各类X射线焊缝图像的特点,确定稀疏描述中字典矩阵样本图像的数量,然后根据贪心算法求出字典矩阵的局部最优解,用局部解构造全局解组成字典矩阵,将待检测的图像表示为字典矩阵的线性组合,通过求解系数向量可以直接判断缺陷和噪声。实验表明:基于稀疏描述的焊缝缺陷识别方法具有较高的识别度,能够实现对缺陷和噪声的准确识别。     

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.     

Human Mouth-State Recognition Based on Image Warping and Sparse Representation Combined with Homotopy

It is often necessary to recognize human mouth-states for detecting the number of audio sources and improving the speech recognition capability of an intelligent robot auditory system. A human mouth-state recognition method based on image warping and sparse representation( SR) combined with homotopy is proposed.Using properly warped training mouth-state images as atoms of the overcomplete dictionary overcomes the impact of the diversity of the mouths' scales,shapes and positions so that further improvement of the robustness can be achieved and the requirement for a large number of training samples can be relieved. The homotopy method is employed to compute the expansion coefficients effectively,i. e.,for sparse coding. The orthogonal matching pursuit( OMP) is also tested and compared with the homototy method. Experimental results and comparisons with the state-of-the-art methods have proved the effectiveness of the proposed approach.     

联合局部和全局稀疏表示的磁共振图像重建方法

针对在压缩传感中独立使用全局或局部稀疏字典所分别导致的图像细节或整体图像结构信息的丢失,提出了一种联合利用局部和全局稀疏约束来捕捉磁共振图像细节和整体结构信息的磁共振图像重建算法。该算法首先从特定的磁共振图像中训练出稀疏字典,然后利用该字典进行局部稀疏编码。其次,利用预定义的全局字典来加强磁共振图像的全局稀疏性。最后,在局部和全局稀疏的共同约束下,利用非线性共轭梯度算法来对重建模型进行求解。整个重建过程可以重复迭代以逐步改善重建质量。实验结果表明:当下采样因子达到10时,相比于字典学习算法(dictionary learning MRI,DLMRI),提出的算法在重建质量上可以提高1-6dB。     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

一种结合全局一致性与局部连续性的壁画修复方法

提出了一种全局一致性和局部连续性结合的壁画修复算法.主要利用线性系统和图像修复间所蕴含的关系,构建具有全局过完备特性的相似块集合字典,同时构造弹性网正则化下的稀疏修复模型,并用同伦-最小角回归法求解出过完备字典下的稀疏系数;通过字典与系数的线性组合,得到待修复区域的全局特征;之后提出一种基于领域相似特性的局部特征估计方...     

结合随机投影和稀疏表示的图像融合方法

引入压缩感知理论解决基于稀疏表示的图像融合方法中融合质量和数据压缩问题,探索在达到一定融合质量的同时降低融合所需计算代价的方法.该方法首先利用随机投影对待融合图像数据进行压缩,再对压缩数据进行稀疏表示得到稀疏系数,根据融合影响因子确定融合稀疏表示系数获得融合图像.实验验证了该算法的合理性和有效性,及在较低压缩比下具有与传统方法可比拟的融合质量.     

基于1αβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non-aliasingcontourlet transform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cycle spinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度-亮度-饱和度(hue-intensity-saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法.     

基于多尺度超完备字典的飞机目标检测算法

天空背景的复杂性与飞机目标的多样性,对基于传统目标检测算法的飞机目标检测带来了巨大的挑战。本文基于图像的稀疏表示理论,提出了基于多尺度超完备字典的飞机目标检测算法。算法综合了不同尺度下超完备字典各自的优点：利用低分辨率图像块学习小尺度字典,构造小尺度分类器,在低分辨率测试图像中完成前景粗检测;利用高分辨率图像块学习大尺度字典,构造大尺度分类器,在高分辨率测试图像中完成前景精检测;最后通过飞机图像块学习飞机目标字典,构造飞机目标分类器,完成前景目标分类。实验结果表明,算法能有效完成天空背景下的飞机目标检测任务,时间开销与小尺度字典目标检测相当,但在精度上逼近大尺度字典目标检测。     

一种面向稀疏表示的最大间隔字典学习算法

近年来,基于稀疏表示的分类技术(SRC)在图像分类和目标识别中取得了巨大的成功。在该框架中,过完备基的学习和多类分类器(通常为支持向量机SVM)的训练是最关键的两个步骤。但在目前的许多方法中,这两个模块的构建过程都是相互独立的。该文针对以上问题,提出了一种用于稀疏表示的最大间隔字典学习算法,将两类SVM分类器的损失函数项的平方及分类间隔作为正则项与稀疏字典的学习过程进行了整合,并提出相应的坐标轮换优化算法对目标函数进行优化,实现了字典和分类器的同步学习。所提出的框架能够增强多类分类器中两类分类器的推广性能,并减少多类分类器的误差界。为了对所提出算法的性能进行评价,在2个常用标准库上进行了分类实验。结果表明,所提出的算法的与SRC相比识别率提升均超过3%。     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.