基于K-SVD的医学图像特征提取和融合

医学图像融合能够综合两种不同模态图像的信息,从而帮助医生做出准确的诊断和治疗.利用稀疏表示进行图像的特征提取和融合.首先由原始图像组成联合矩阵,通过K-SVD算法得出这个联合矩阵的冗余字典并求出联合矩阵的稀疏编码;然后将稀疏系数作为图像特征,并采用最大化选择算法合并相对应图像块的稀疏编码;最后通过稀疏编码和冗余字典得到融合图像.与3种流行的融合算法比较,结果表明所提算法在无噪声和有噪声的情况下都具有很好的性能.     

基于压缩感知和虚警概率的电力线脉冲噪声抑制方法

针对OFDM电力线通信中噪声抑制方法依赖于脉冲噪声特征参数及脉冲噪声稀疏度的问题,提出一种基于压缩感知和虚警概率的宽带电力线脉冲噪声抑制算法.该算法利用OFDM零子载波观测脉冲噪声投影,采用基追踪降噪方法对脉冲噪声进行粗估计,并设计基于虚警概率的自适应脉冲噪声检测门限,根据门限得到粗估计的脉冲噪声支撑集,在支撑集上通过最小二乘方法对脉冲噪声幅度进行重构,接收信号减去估计的脉冲噪声可得到去噪的OFDM信号.仿真结果表明,提出的算法在未知脉冲噪声稀疏度的情况下可以对噪声信号进行重构,算法的性能优于传统压缩感知及非线性去噪方法,能可靠有效的对宽带电力线脉冲噪声进行抑制.     

基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能...     

基于低秩和全变差正则化的图像压缩感知重构

为了解决基于低秩正则化的图像压缩感知重构算法不能充分利用图像局部梯度稀疏特性的问题,提出了一种基于低秩与全变差正则化的图像压缩感知重构算法.首先,通过图像块匹配法寻找结构相似的图像块,组成非局部相似块组;其次,联合相似块矩阵低秩与图像梯度稀疏先验组成正则化项,结合传统的压缩感知模型形成新模型;最后,采用交替方向乘子法实现图像的重构.测试图像为自然灰度图像,为了验证算法的有效性,从主观视觉和峰值信噪比两方面进行对比.试验结果表明,和基于低秩正则化的图像压缩感知算法相比,该算法在准确描述图像非局部自相似性结构特征的前提下提高了重构质量,重构的图像在峰值信噪比上平均提升1 d B.     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

基于向量稀疏和矩阵低秩的压缩感知核磁共振图像重建算法

当前基于压缩感知理论的核磁共振图像重建算法大多仅利用图像数据的稀疏性或者低秩性,并没有同时利用图像的这两个性质.本文提出了一种基于向量稀疏性和矩阵低秩性的压缩感知核磁共振图像重建方法.该方法利用核磁共振图像中图像块的非局部相似性对求解优化模型的经典非线性共轭梯度算法进行改进.主要是在共轭梯度算法的迭代过程中对每一图像块寻找其相似块,由于相似块的像素组成的矩阵具有低秩性,因此利用矩阵低秩恢复算法对每一图像块进行更新.改进后的方法同时利用了图像数据的稀疏性和低秩性.实验结果表明,该方法相对于现有的具有代表性的图像重建算法相比,提升了重建图像的质量,具有较高的信噪比.     

3类图像稀疏表示的去噪性能研究

对3类常见正交基函数的稀疏变换即离散余弦转换(DCT)、离散小波变换(DWT)、奇异值分解(SVD)进行研究,在构建基函数的基本稀疏表示的模型基础上,以灰度图像受到高斯噪声干扰为例,建立了3类含高斯噪声的稀疏变换模型;利用MATLAB中的块操作实现对图像的稀疏分解,得到图像完整的稀疏特征矩阵,过滤其中的表现为高斯噪声的高频分量,通过稀疏反变换模型重构代表图像最主要结构的低频分量,最终获得去噪图像。结果表明,DWT算法的综合去噪性能最优,SVD算法在低标准偏差下去噪图像画面质量最高,而DCT算法则在高标准偏差下噪点消除能力最佳。     

基于块目标的频率步进连续波探地雷达压缩感知重建算法

压缩感知理论对于解决频率步进连续波探地雷达信号处理过程中存在的采样速率高、存储数据量大、信号处理时间长等问题具有重要意义. 针对雷达探测中块目标物体在探测区域不满足稀疏性的问题,提出一种适合块目标的压缩感知重构模型.利用某些稀疏正交基对块目标进行稀疏化处理使其满足稀疏性,将字典矩阵与稀疏矩阵结合形成适用于块目标物体的新观测矩阵,再通过压缩感知凸优化算法求解稀疏化系数,最后把该系数通过稀疏变换得到块目标的反射系数.通过实验仿真验证该方法的可行性,与未稀疏化处理的压缩感知重构模型相比具有更高的精度和分辨率.     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低下且检测耗时过长的问题,研究一种基于EEMD和OS-DL联合去噪的语音端点检测算法。首先利用EEMD（总体平均经验模态分解）算法对输入语音进行分解得到IMF（本征模式分量）,然后使用OS-DL（一步式字典）算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明：该算法在复杂环境信噪比低于-10dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。     

An Image Denoising Method Based on Group Sparsity and Low Rank

In this paper, we propose an image denoising method combining the priors of non-local self similarity(NSS), low rank and group sparsity. In the proposed scheme, the image is decomposed into overlapping patches, and then these patches are classified by the K-means clustering. Patches in each cluster are stacked into a matrix and then are decomposed into low frequency component and high frequency component through 2-D wavelet transform. Intuitively, the low frequency component should be a low rank matrix. We show that the high frequency component can be recovered by weighted mixed norm minimization which is also known as group sparse model. Then we propose an image denoising model using nuclear norm and weighted mixed norm as regularizers to enforce the priors on the low and high frequency. The proposed model can be solved efficiently in the framework of alternating direction multiplier method(ADMM) algorithm. Several experiments are carried out to verify the performance of the proposed model.     

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.      

基于仿射不变块相似度量的BM3D图像去噪算法

针对使用规则的正方形块去噪可能产生伪影, 或图像受到仿射形变时使用正方形块寻找到的相似块数量将会减少的问题, 提出一种基于仿射不变块相似度量的BM3D(block matching and 3D filtering)图像去噪算法. 首先, 在块匹配过程中, 使用椭圆块代替规则的正方形块进行块匹配分组, 形成三维椭圆块组; 其次, 使用仿射不变块相似度量计算两个椭圆块之间的距离判断其相似度, 该度量通过自动调整块大小与形状进行块比较, 能寻找到更多的相似块, 将其用于图像去噪. 实验结果表明, 该算法可有效提高去噪效果, 获得良好的视觉效果, 与原始BM3D算法相比, 具有较好的峰值信噪比.     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

Sparse Representation over Shared Coefficients in Multispectral Pansharpening

The pansharpening process is for obtaining an enhanced image with both high spatial and high spectral resolutions by fusing a panchromatic(PAN) image and a low spatial resolution multispectral(MS) image. Sparse Principal Component Analysis(SPCA) method has been proposed as a pansharpening method, which utilizes sparse coefficients and over-complete dictionaries to represent the remote sensing data. However, this method still has some drawbacks, such as the existence of the block effect. In this paper, based on SPCA, we propose the Sparse over Shared Coefficients(SSC), in which patches are extracted with a sliding distance of 1 pixel from a PAN image, and the MS image shares the sparse representation coefficients trained from the PAN image independently.The fused high-resolution MS image is reconstructed by K-SVD algorithm and iterations, and residual compensation is applied when the down-sampling constraint is not satisfied. The simulated experiment results demonstrate that the proposed SSC method outperforms SPCA and improves the overall effectiveness.     

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.     

基于相似性验证与子块排序的NSST域SAR图像去噪

为了改进传统的非局部变换域合成孔径雷达（synthetic aperture radar,SAR）图像去噪算法不考虑子块关系的缺点,结合相似性验证与子块排序提出一种新的非下采样剪切波（non-subsampled shearlet transform,NSST）域SAR图像去噪算法.构造NSST域SAR图像相似块之间距离的密度分布;利用子块之间的相似性,去除相似性较低的子块;结合子块排序和最优一维滤波对SAR图像进行去噪.实验结果表明,与其他经典去噪算法相比,等效视数平均提升6.92,边缘保持指数更接近1,无参考质量评价指数平均降低2.51,能更好地保持图像边缘和纹理信息,改善图像的视觉效果.      

Image Denoising via Improved Simultaneous Sparse Coding with Laplacian Scale Mixture

Image denoising is a well-studied problem closely related to sparse coding. Noticing that the Laplacian distribution has a strong sparseness, we use Laplacian scale mixture to model sparse coefficients. With the observation that prior information of an image is relevant to the estimation of sparse coefficients, we introduce the prior information into maximum a posteriori (MAP) estimation of sparse coefficients by an appropriate estimate of the probability density function. Extending to structured sparsity, a nonlocal image denoising model: Improved Simultaneous Sparse Coding with Laplacian Scale Mixture (ISSC-LSM) is proposed. The centering preprocessing, which admits biased-mean of sparse coefficients and saves expensive computation, is done firstly. By alternating minimization and learning an orthogonal PCA dictionary, an efficient algorithm with closed-form solutions is proposed. When applied to noise removal, our proposed ISSC-LSM can capture structured image features, and the adoption of image prior information leads to highly competitive denoising performance. Experimental results show that the proposed method often provides higher subjective and objective qualities than other competing approaches. Our method is most suitable for processing images with abundant self-repeating patterns by effectively suppressing undesirable artifacts while maintaining the textures and edges.     

对图像处理中ROF全变分模型的两种算法的比较研究

全变分图像去噪问题的本质是一类基于全变分的约束极小化模型.其中最经典的模型是由Rudin-Osher-Fatemi提出的ROF模型[1].在这一模型中,正则化参数的选取直接影响到图像恢复的效果,当给定一个适当的正则化参数来平衡数据拟合和正则解时,可以得到十分理想的结论.在过去的二十年中,通过对这一模型的研究,产生了各种有效的算法.不同的算法通过调节正则化参数,都在不同程度上达到了去噪的目的.本文中,应用两种算法：梯度下降法和分裂Bregman算法,对带噪声图像进行了数值仿真和比较,结果显示分裂Bregman算法能够达到更好地去噪效果.     

融合Nystrm方法的谱聚类算法(NSDcut)的图像分割

为了克服谱聚类算法SDcut在计算相似度矩阵和拉普拉斯矩阵的特征值和特征向量时,比较耗时的缺点,提出了融合Nystrm方法的SDcut算法NSDcut,并应用于图像分割.该算法采用Nystrm方法构建相似度矩阵和计算相似度矩阵的特征向量,并用这些特征向量通过矩阵运算降低了SDcut算法中的相似度矩阵和拉普拉斯矩阵的阶,从而降低SDcut算法的时间复杂度.实验结果表明:NSDcut算法提高了SDcut算法的运行速度,同时也具有SDcut算法的聚类性能.