基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

基于二级字典的联合稀疏表示高光谱图像分类

针对多数传统分类算法应用于高光谱分类存在的分类精度较低、光谱信息利用不充分的问题,在基于核函数的联合稀疏表示分类方法的基础上提出了一种基于二级字典的联合稀疏表示的高光谱分类算法。在字典原子前加入待测像元与该原子的引力,以达到更快捷地找到与待测像元相匹配的原子的目的。加入的引力值由万有引力公式改进的适应于高光谱图像的公式计算而来。为了使得稀疏重构后的残差波段中包含的具有一定意义的分类鉴别信息被充分挖掘,本文采用指数平滑公式对残差信息进行再利用。通过在Indian Pine数据集和Salina-A数据集上进行实验,验证了所提算法可以提升分类精度。     

基于稀疏编码的自然图像特征提取及去噪

主要讨论稀疏编码在自然图像统计特性中的应用，利用稀疏编码实现图像的特征提取以及消除图像中的高斯噪声。丈中利用双梯度算法对自然图像的基向量进行迭代学习。实验表明，提取的基向量在时域和频域上都有方向性和局部性。与小波收缩法相比，稀疏编码法提取的特征要优于小波法提取的特征。对特征提取的实际应用，就是利用稀疏编码收缩法对图像消噪，并通过仿真实验证明稀疏编码收缩法去噪效果要优于任何低通滤波方法。     

基于卷积稀疏编码和K-SVD联合字典的稀疏表示

针对现有稀疏表示算法存在字典单一、编码冗余的缺点,从人类视觉感知系统层次处理特性出发,依据神经元侧抑制与竞争机理,构建了基于卷积稀疏编码和K 奇异值分解(K-singular value decomposition, K-SVD)的联合字典。在此基础上提出结合卷积匹配追踪和正交匹配追踪算法对图像进行分层稀疏表示。实验结果表明联合字典能够自适应匹配图像中的边缘、斑块、纹理等特征,与单独的卷积字典和K-SVD冗余字典相比,稀疏表示能力更强。     

基于聚类字典学习和稀疏表示的SAR图像抑斑方法

针对合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制问题,提出一种基于聚类字典学习和稀疏表示的SAR图像抑斑方法。本方法以相干斑噪声的非对数加性模型为基础,通过改进相似度测度的K-means聚类和主成分分析方法进行字典学习,克服了相干斑噪声非高斯性带来的影响,形成具有结构性聚类的字典原子;在稀疏分解方面,通过引入方差稳定因子,建立了适用于抑制SAR相干斑噪声的稀疏表示模型,并通过交替迭代算法进行代价方程求解;同时算法还增加了点目标保护措施,避免了对图像点目标“过滤波”。通过卫星、无人机SAR图像的抑斑实验证明,相比经典的SAR图像抑斑方法,所提的方法在抑斑的视觉效果上和客观评价指标上都有较大的提升。     

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

基于空间预处理联合稀疏表示高光谱图像分类

针对高光谱图像分类时光谱信息和空间信息利用不充分、分类精度低的情况, 提出一种结合空间预处理的联合稀疏表示分类方法。一方面能够弥补联合稀疏表示固定窗口模式中空间信息利用不充分的问题, 另一方面也避免了像元多次参与联合稀疏模型的构建过程。考虑每个像元对联合稀疏模型的贡献不同, 通过赋予邻域像元相应权重以提高稀疏重构精度。最后, 充分利用训练样本的已知信息修正分类结果, 在Pavia University和AVIRIS Salinas两个数据集上进行实验验证。实验结果表明, 所提方法能够有效地提高高光谱图像分类精度。     

基于自适应稀疏表示的高光谱遥感图像分类

针对多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题,从稀疏表示基本理论出发建立了一个基于自适应稀疏表示的高光谱分类模型。利用训练样本构建字典,聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,然后将测试样本看成冗余字典中训练样本的线性组合,令字典能够更适应于样本的稀疏表示。利用华盛顿地区的HYDICE高光谱遥感数据进行试验,并且与主成分分析、线性鉴别分析、支持向量机、神经网络算法进行比较,结果表明,该算法的总体分类精度比其他算法提高了约12%,有效提高了高光谱影像的分类精度。     

聚类字典下集中式稀疏表示的幻觉脸重建方法

在基于稀疏表示的幻觉脸重建过程中,由于冗余的过完备字典会降低稀疏编码的效率和精度,提出用紧的聚类子字典来表示人脸图像的不同结构对象。由高分辨率（high resolution, HR）/低分辨率（low resolution, LR）的人脸图像样本集进行K-均值聚类,为使紧的聚类子字典能够表达图像块的整体特征,对各聚类子集采用主成分分析（principal component analysis, PCA）方法构造字典。得到同构的HR/LR的聚类字典后,对于输入的LR人脸图像块,经自适应选择合适的子字典后,对稀疏编码添加正则化项,采用集中式稀疏编码,以使稀疏表示系数更逼近要重建的HR人脸图像块。由此稀疏表示系数与HR字典的线性组合得到HR人脸图像块,将此图像块与近似结果进行合成,从而得到最终的人脸图像。经仿真实验,并与其他的方法进行比较,实验结果验证了所提方法的有效性。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

基于非局部正则化稀疏表示的图像去噪算法

针对K-奇异值分解（sigular value decomposition, SVD）算法存在的问题,结合结构聚类和字典学习,提出了一种基于非局部正则化稀疏表示的图像去噪算法。首先,利用非局部去噪的思想将结构相似的图像块聚类,每一类图像块单独进行字典学习,增强了字典的自适应性;其次,利用稀疏K-SVD替代传统的K-SVD进行类内字典学习,改善了字典的结构性;最后,引入稀疏系数误差正则项来修正稀疏系数以进一步改善图像的重构效果。实验结果表明,与传统的K-SVD算法相比,该算法能够有效地保持图像的结构信息,并且提升了去噪效果,同时,在不降低图像结构相似度的基础上,峰值信噪比很接近甚至部分好于目前先进的去噪算法。     

基于张量投票的激光扫描数据修复方法

考虑到张量投票技术能够提供图像的几何结构信息,提出一种基于张量投票的激光扫描数据修复方法。首先根据张量投票技术,建立图像修复优先级,进而根据窗口内有效像素和无效像素的比例,用迭代的方法修复具有最大优先权的待修复像素。由于窗口自动选取,因而这种方法具有良好的实用性。实验结果表明,与常用方法相比,所提算法具有良好的修复效果。     

基于自适应网格的跳频信号参数估计

分析了现有跳频信号稀疏重构算法的基不匹配问题,导致离散字典的稀疏表示能力变差,严重影响稀疏重构算法的性能。针对这种情形,提出了基于自适应网格的变分贝叶斯稀疏重构算法。该方法通过对字典不断地加权聚类和缩放处理,实现字典的自我更新,使得参数网格更加精细化。仿真结果表明,该方法具有良好的抗噪性能和交叉项抑制能力,同时缓解了稀疏重构算法的基不匹配情形,时频聚焦性进一步提高,能够在较低信噪比条件下,获取较高时频分辨率的时频矩阵,可以更精确地完成后续跳时刻检测、跳周期及跳频率等参数估计。     

联合纯四元数与字典学习的彩色图像去噪方法

彩色图像在获取、传输和存储过程中会受到噪声的影响，这给后续图像处理带来麻烦，因此图像去噪任务意义重大。对此，提出一种基于四元数字典学习的模型，该模型约束四元数的实部为零，图像的色彩信息得以保存。传统的稀疏图像模型把彩色图像看作向量或者单色图像的线性组合，忽略了RGB通道之间的关系。用纯四元数表示彩色图像，将彩色图像的RGB通道表示成四元数矩阵的虚部，拟合图像效果更好。数值实验表明，与其他模型相比较，所构建的模型可以更精确地表示彩色图像，在处理彩色图像的过程中产生模型拟合误差相对较小，峰值信噪比以及视觉效果方面均有明显提升，能更好地进行图像去噪。     

基于盲压缩感知模型的图像重构方法

为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合的迭代策略,解决了压缩感知中的稀疏基难于表示的问题,抑制了噪声,提高了图像重构质量。通过实验验证所提方法较基于小波变换的正交匹配追踪方法和全变差方法有明显的噪声抑制功能,且能保持较好的图像纹理信息。     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。