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.     

基于判别稀疏编码的液压泵故障诊断

为解决液压泵故障信号特征难以提取的问题,提出了一种基于判别稀疏编码的液压泵故障诊断新方法。在稀疏编码框架中引入Fisher判别准则,通过对训练样本进行字典学习,获取具有判别性的字典与稀疏系数,使用不同故障类别字典对测试样本进行稀疏表示,利用全局分类方法综合重构误差与系数偏差两方面参数,对液压泵故障信号进行识别。实验结果表明,对于不同状态下的液压泵振动信号,该方法可自适应地完成各类子字典的学习与模式识别过程,与传统方法相比,在液压泵故障诊断中具有更高的准确率和较好的稳定性。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建

在并行磁共振成像中，由于敏感度编码(SENSE)重建过程的病态性，当加速因子增大时，其重建图像的信噪比将会明显降低.通过深入分析全变差(TV)正则化的SENSE重建模型，引入一种高效快速的分裂Bregman迭代算法来得到优化解，进而有效改善图像重建效果.分别对磁共振的体模数据和大脑数据进行仿真实验研究.结果表明，与传统TV正则化SENSE重建相比，此算法不但迭代次数少、收敛速度快，而且能够有效消除混叠伪影，提高图像信噪比并减小归一化均方误差.     

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.     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施：一是通过对图像降质模型的估计,采用K-奇异值分解(K-singular value decomposition, K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction, AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit, OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,...     

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.     

基于二维稀疏特性的空间目标高分辨ISAR成像方法

针对空间三轴稳定目标成像问题,提出了一种基于目标稀疏特性的空间目标高分辨ISAR成像方法.该方法利用精轨数据构建了保相波形延时字典,实现了距离维高分辨和平动补偿;利用旋转矢量分析方法计算了三轴稳定空间目标有效积累转角,结合高分辨距离像的稀疏特性,给出了一种适用于越距离单元徙动的方位维稀疏字典构建方法.仿真结果表明,构建的稀疏匹配字典正确反映了目标的姿态变化特性,解决了越距离单元徙动问题,结合距离维相干抑制显著提高了空间目标二维ISAR像的分辨能力.      

分布式视频压缩感知中基于边信息及其支撑集的稀疏重构

文中提出了一种基于边信息及其支撑集的分布式视频压缩感知重构方案,它是建立在压缩感知和分布式视频编码理论的基础上,具有终端简单、采样/编码复杂度极低的特点.在该重构方案中,首先利用边信息构造当前（非关键）帧的冗余字典,为压缩感知重构提供稀疏表示方法;然后利用边信息估计的信号像素值和支撑集,辅助当前帧稀疏重构,提出了一种基于交替方向乘子的迭代算法以实现该重构优化问题的求解.实验结果表明,该重构方案能够获得较好的采样率和失真性能,主观图像质量也有所提高.     

基于3D-OMP算法的SAR动目标成像方法

针对稀疏场景下的SAR动目标成像问题展开研究，提出一种基于三维正交匹配追踪(3D-OMP)算法的稀疏成像方法。首先对成像区域进行网格划分，然后以运动目标的二维速度作为动态参数构建三维稀疏字典矩阵，即参数化稀疏表征。在算法迭代过程中，通过计算回波数据矩阵与三维稀疏字典矩阵各层之间的相关度筛选出信号的支撑集。最后利用最小二乘准则，计算出支撑集下目标场景的稀疏表征系数。该3D-OMP算法是经典OMP算法的改进与拓展，因此继承了OMP算法计算复杂度低、信号稀疏特征增强明显的优势，同时具备了重构SAR动目标图像的能力。仿真实验结果验证了该SAR动目标成像方法的有效性。     

基于近似梯度下降法的?q范数约束的压缩鬼成像

由于鬼成像在图像重构领域的优异表现,因此一直是研究的热点之一。近年来,有学者也将鬼成像与压缩感知理论相结合,提出了压缩鬼成像技术。为了以最少的测量值获得最优的重建效果,学者们提出了很多图像重构算法,其中应用最为广泛的是基于?₁范数或核范数的重构算法,因其凸性和光滑性在很多领域都有很好应用效果。非凸的?_q(0q约束实现重建所需要的测量值更少,并且相较于?₁约束,?_q范数的限制等距性条件更为宽松。为此,利用?_q范数约束来进行压缩鬼成像,并介绍了?_q范数的近似点算子和近似梯度下降算法,通过实验验证该算法对进行压缩鬼成像的可行性,对比分析各种不同算法在不同类型的图像之间的重建效果。     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.     

基于联合过完备库的信号分离及重构

在信号稀疏分解理论的基础上，提出了构建联合过完备库的思想。通过对包含不同特征成分的过完备子库进行联合构建联合过完备库，它包含丰富的待分解信号的信息，复合信号在其上具有更好的稀疏性，同时由于每个分量信号在各自的过完备子库上均具有稀疏性，利用基追踪算法实现各个分量信号的分离和重构。仿真结果表明：联合过完备库对复合信号的重构以及分量信号的分离和重构具有较好地效果。     

基于改进稀疏编码模型的图像分类算法

针对图像表示,提出了一种基于改进稀疏编码模型的图像分类算法.首先,提取表示图像视觉局部特征的SIFT (Scale Invariant Feature Transform) 描述子;然后,利用稀疏编码方法生成基于SIFT描述子的视觉词汇库,将SIFT描述子编成稀疏向量;通过有效稀疏向量的区域融合和空间结合而获取整体的稀疏向量并用于图像表示;最后,采用随机森林多分类器对稀疏向量进行训练和测试.结果表明,与现有的算法相比,该算法的性能更佳,可以有效表示图像的特性并提高其分类的准确率.     

基于单帧图像的超分辨率算法

随着稀疏编码与压缩传感理论的逐步发展,如何应用于图像的超分辨率成为研究热点之一.基于示例学习的算法,提出了一种新的超分辨率算法,其特点在于只基于低分辨率图像本身,没有额外的样本库,运用自然图像的自相似性与冗余性,学习低分辨率图像块与高分辨率图像块之间的函数关系.为了从图像中获取更加全面的信息,采用Guided滤波、一阶导数和二阶导数2种方法来提取特征.此外,提出了一种新的字典学习算法R-KSVD,并且改进了后项处理过程.实验结果显示,提出的算法具有较好的超分辨率效果和稳定性.     

基于显著性疏表示的图像超分辨率算法简

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比（PSNR）增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

L_(3/2)正则化图非负矩阵分解算法

基于图正则化非负矩阵分解算法(GNMF),提出一种基于凸光滑的L3/2范数正则化图非负矩阵分解算法.该算法用非负矩阵分解算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构,并对数据的低维表示特征进行凸光滑的L3/2范数稀疏性约束,在给出算法更新迭代规则的同时,从理论上证明了所给算法的收敛性.通过人脸数据库ORL、手写体数据库USPS和图像库COIL20的仿真实验表明,相对于非负矩阵分解算法及其基于稀疏表示的改进算法,所给算法均具有更高的聚类精度.     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

一种基于压缩感知的图像去马赛克算法

文中提出了一种基于分块压缩感知的图像去马赛克算法.该算法首先将Bayer色彩滤镜阵列采样值等效为压缩感知理论中感知矩阵采样所得的压缩数据.其次通过结合Bayer色彩滤镜阵列自身特点训练分块稀疏字典.最后在训练所得稀疏字典的基础上利用分块压缩感知重构算法便可精确重构出Bayer色彩滤镜阵列采样结果.由于训练所得稀疏字典能有效降低与Bayer色彩滤镜采样阵列之间的相关性,因此文中所提出的图像去马赛克算法能有效对单一Bayer色彩滤镜阵列采样值进行重构.通过实验验证表明：新的图像去马赛克算法明显优于传统插值算法,重构所得彩色图像在去除假色影响的同时能完整保留原始图像的细节信息.