基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

基于小波阈值和字典学习的合成孔径雷达图像压缩

在小波域对合成孔径雷达(SAR)图像进行双重稀疏处理的基础上,提出一种基于小波阈值和字典学习的SAR图像压缩方法.利用SAR图像的统计分布特性,结合空间树结构对小波域的小波系数进行阈值化处理,利用递归最小二乘字典学习算法(RLS-DLA)将小波系数表示为字典稀疏,以在增大字典稀疏度的同时抑制斑噪声,并提高图像的重构效果.结果表明:在低比特率条件下,所提出方法比经典压缩方法的精度更高.     

基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)

为避免传统SAR图像特征分类算法中所需的目标方位角精确估计,提出了一种新的基于稀疏表示与空域金字塔环形描述相结合的SAR目标分类方法.该方法引入bag of features思想,利用密集采样SIFT描述特征训练过完备字典,对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述,得到旋转不变特征,最后输入线性SVM分类器进行分类.MSTAR实测数据的对比实验表明,在无需目标方位角估计的前提下,所提出的算法识别率达到96%以上,取得了很好的目标分类效果.     

基于高分辨率SAR的目标识别技术研究

本文以高分辨率SAR在舰船目标识别方面的应用为研究对象,论文首先分析了SAR成像的特点,提出一种基于Radon变换和直方图分析等方法改善舰船目标几何特征提取的性能,在此基础上,结合SAR图像舰船目标分类自身存在的问题和特点,引入稀疏表示理论,提出一种基于特征字典的稀疏表示分类算法,将其应用于Terra SAR-X SAR图像中三类典型舰船目标分类识别,验证了稀疏表示分类对SAR图像舰船目标分类识别的有效性。     

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.      

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.     

基于K-SVD字典学习的核磁共振图像重建方法

基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文利用K-SVD字典学习算法并应用于MR图像重建.将字典学习等价于一个二次规划问题,学习得到的字典能有效描述图像特征.基于学习所得的字典,获得图像的稀疏表示,并重建原始图像.实验结果表明,与Zero-filling方法相比,本文的重建结果能更好地保留图像细节信息,获得更高的SNR值.     

基于多尺度图像块分类的字典学习算法

针对传统字典学习算法未考虑训练数据集流形结构的问题,提出一种基于KD树分类的多尺度字典学习算法。首先在预处理阶段建立图像高斯金字塔,提取不同尺度下各层图像的角点并建立KD树进行分类,以各类角点为中心截取图像块并生成每层图像的训练数据集来完成各个子字典的学习。在字典训练阶段,提出一种基于局部保持投影的多原子更新算法,在保持字典中各类原子集的流形结构的情况下进行原子更新,高效训练出自适应稀疏字典。对测试图像进行压缩感知重构实验,仿真结果表明,该算法在保证图像重建精度的前提下,显著提高字典学习效率。     

基于空间特征联合核稀疏表示的脑肿瘤提取方法

为了提高融合多序列MR图像应用于脑肿瘤提取时分割区域的准确性,基于核稀疏表示分类方法,联合多序列MR图像中的空间结构和灰度特征信息,提出一种空间特征联合的脑肿瘤核稀疏表示分类方法.首先构建各个类别的子字典,再用邻域滤波核稀疏表示方法对多序列脑MR图像进行分类,该邻域滤波核可以有效地将灰度特征与空间结构结合起来提高脑肿瘤提取的准确性.对国际数据库MICCAI Bra TS提供的临床和仿真数据进行分割.结果表明:与稀疏表示分类方法相比,所提出的基于空间特征联合核稀疏表示的脑肿瘤提取方法由于增加了空间结构信息,所得的提取准确率提高了5%~6%.     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.