小波域的灰色关联度图像压缩

为了改善小波变换的图像稀疏表示性能,提出了一种小波域的灰色关联度图像压缩算法.首先,利用小波变换对测试图像进行分解,获得不同区域的小波系数;然后,利用小波系数特点,将灰色关联度用于系数关联度的刻画中,并计算不同尺度间系数的灰色关联度;根据小波系数区域特征,将小波系数进行分类,构造出不同系数类型下的稀疏表示方法;最后,将该算法应用于图像压缩.实验结果表明,在相同压缩率下,所提算法的客观评价指标峰值信噪比较现有同类算法提高了1.04~3.65 d B,图像主观视觉质量明显提高.所提算法能够结合系数特征和视觉特性自适应地构造字典,提高了图像稀疏表示能力,进一步提高了图像压缩性能.     

采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

结合字典学习和稀疏聚类的医学图像分割算法

为了改善医学图像的分割效果,结合字典学习和聚类算法,提出了一种以字典作为聚类中心,以稀疏表示实现聚类分割的医学图像分割算法.对于单幅的医学图像,可以通过交互进行稀疏表示和字典更新至收敛,从而实现无监督自适应分割;对于序列图像,则可以利用样本图像训练字典,并利用训练字典完成序列图像的分割.通过对SBD数据库的大脑MRI序列图像进行分割实验,结果表明,该算法有较好的分割精度,且能够保持序列医学图像分割的准确性和一致性.     

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.     

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     

一种改进的基于K-SVD字典的图像修复算法

提出一种改进的基于K-SVD字典的图像修复算法.该算法基于稀疏表示,利用待修复图像内的有效信息,以不重叠像素的方式提取图像块,采用模糊C均值聚类算法对图像块进行聚类,并使用K-SVD算法分别对各类图像块进行训练,得到与各类图像块相适应的字典,重建图像块,修复受损图像.实验结果表明,该算法能提高图像的修复质量和图像的峰值性噪比,且均方根误差较小.     

一种改进的基于K-SVD字典的图像修复算法

提出一种改进的基于K-SVD字典的图像修复算法.该算法基于稀疏表示,利用待修复图像内的有效信息,以不重叠像素的方式提取图像块,采用模糊C均值聚类算法对图像块进行聚类,并使用K-SVD算法分别对各类图像块进行训练,得到与各类图像块相适应的字典,重建图像块,修复受损图像.实验结果表明,该算法能提高图像的修复质量和图像的峰值性噪比,且均方根误差较小.     

结合系数重用正交匹配追踪的字典学习算法

针对压缩感知中字典对信号稀疏表示能力不足的问题,文中提出了一种结合系数重用正交匹配追踪的自适应字典学习算法,该算法使用系数重用正交匹配追踪算法得到稀疏系数,在字典更新阶段引入上一次迭代过程的先验信息.首先对稀疏系数矩阵进行奇异值分解,再分别用前一次更新的字典对左奇异矩阵和用训练信号对右奇异矩阵进行变换,然后采用变换后的左、右奇异矩阵构造新矩阵,最后利用新矩阵进行字典训练.实验结果表明,采用文中算法得到的字典对图像具有更好的稀疏表示能力,提高了重构图像的质量.     

基于聚类与稀疏字典学习的近似消息传递

基于传统字典学习的近似消息传递(approximate message passing, AMP)算法对训练样本数量的需求较高,且运算成本较高。本文引入双稀疏模型,构建基于稀疏字典学习的AMP框架,降低迭代过程中字典学习对训练样本数量的需求,提高压缩感知图像重建的质量与效率。进一步,提出基于聚类与稀疏字典学习的AMP算法,在迭代过程中依据图像块特征进行分类,并为各类图像块分别学习稀疏字典,实现自适应去噪。与基于传统字典学习的AMP算法相比,基于聚类与稀疏字典学习的AMP算法能够将重建图像的峰值信噪比提高0.20～1.75 dB,并且能够将运算效率平均提高89%。     

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.     

基于隐空间的低秩稀疏子空间聚类

提出了一种基于隐空间的低秩稀疏子空间聚类算法,在聚类的过程中可以对高维数据进行降维,同时在低维空间中利用稀疏表示和低秩表示对数据进行聚类,大大降低了算法的时间复杂度.在运动分割和人脸聚类问题上的实验证明了算法的有效性.     

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。     

基于四元稀疏正则的彩色图像超分辨率重建

为了更好地保持重建彩色图像各通道信息的相关性,有效提高彩色重建图像边缘、色彩等细节信息的恢复质量,提出一种基于四元稀疏正则模型的彩色图像超分辨率重建算法.该算法利用四元数表示彩色图像的三个通道信息,并且采用L1/2正则项代替L1正则项构建基于四元稀疏正则约束的彩色图像超分辨率字典学习及模型重建.同时在训练重建字典对中,为了更好地表征图像特征信息,采用去均值方法构造高低分辨率训练样本集;为了得到与低分辨率重建字典更匹配的高分辨率重建字典,采用字典分离训练方法分别生成高低分辨率重建字典.实验结果表明:与现有的算法相比较,本文算法在重建图像的主观和客观评价指标方面均有改善.     

改进多重字典联合自适应学习的稀疏壁画修复

针对壁画稀疏表示修复算法字典单一、细节修复欠佳的问题，提出了一种改进多重字典联合自适应学习的稀疏壁画修复算法.首先，采用非下采样剪切波NSST将破损壁画进行分解，获取壁画的低频纹理子带图像和高频结构子带图像，解决了稀疏表示算法对壁画图像结构和纹理信息考虑不足的问题.然后，提出了多重字典自适应学习的稀疏方法，将低频纹理图像根据像素之间特征的相似性进行聚类，构建多重稀疏子类字典，并利用奇异值分解和分裂Bregman迭代优化完成低频分量修复.接着，引入脉冲耦合神经网络机制，修复壁画图像的高频结构子带.最后，通过NSST逆变换融合完成修复.采用真实壁画进行修复的实验表明，该算法能够有效保护壁画图像结构和纹理层等重要信息，所提算法相较对比算法取得了更好的视觉效果和客观评价.     

利用位置字典对的人脸图像超分辨率方法

针对基于稀疏表示的人脸超分辨率算法存在的字典尺寸大、训练时间长等问题,提出一种基于位置字典对的超分辨率重建方法.由于同一位置的人脸图像块具有相似的结构和内容,更有可能用相同的字典原子进行线性组合表示,因此把训练人脸图像按位置分块,首先为每个位置训练一个位置字典对,利用获得的多个位置字典对,对低分辨率测试人脸图像进行基本重建,然后应用残差补偿方法对位置块进行补偿.实验结果表明,由所提方法重建的人脸图像具有更好的视觉效果,与应用原始图像块进行稀疏表示的图像超分辨率算法相比,平均图像结构相似度指标值提高了0.082,同时字典训练时间缩短了约5倍.     

联合新型分块稀疏表示和梯度先验图像盲复原

针对目前基于稀疏表示的图像盲复原算法计算量大且细节恢复能力有限等问题,提出一种新的图像盲复原方法.首先针对现有稀疏表示模型中重叠分块计算复杂度高的问题,提出一种多模式非重叠分块策略,在每种模式下独立求解复原图像,然后对各模式下复原图像求平均以消除"伪像";另外,用1 2l l范数作为稀疏性度量,将图像梯度稀疏先验融入基于稀疏表示的图像盲复原模型.最后,本文提出了联合新型分块字典稀疏表示和图像梯度稀疏先验的盲复原模型,采取迭代方法交替估计模糊核和待复原图像.实验结果表明,该方法在主观和客观评价下均取得较好的复原结果,并显著降低算法整体复杂度.     

联合深度置信网络与邻域回归的超分辨率算法

为了提高重建的质量和速度,提出一种联合深度置信网络与邻域回归的超分辨率算法.一方面,结合字典学习与神经网络表示的联系对传统的深度置信网络进行调整,采用该网络模型实现字典学习,充分利用该模型突出的学习能力,使字典具有更好的特征表达能力,从而提高图像的重建质量.另一方面,在基于字典学习的超分辨率框架中融入邻域回归思想.首先,利用最近邻域算法确定字典原子的最近邻域映射关系;然后以此为基础,结合邻域回归方法,离线计算高、低分辨率投影矩阵;最后在重建过程中将该投影矩阵应用于图像重建.该方法避免了字典学习中的系数求解过程,降低了计算的复杂度,提高了重建的速度.实验表明,算法具有更高的峰值信噪比和结构相似度,同时极大地提高了图像的重建速度.     

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.      

基于灵活LBP纹理字典构造及多特征描述的改进SCSR算法

针对超分辨率重构字典对结构区分度不够、在最优匹配原子搜索中耗时太长的问题,提出了一种多特征联合的分级字典(MFJD).首先,分别用边缘块梯度特征和纹理块局部二值模式(LBP)特征来构建两种分类字典,用于逼近不同类型结构;其次,采用树结构来聚类原子,实现同一字典下的快速原子匹配;最后,引入双边总变分(BTV)正则项来约束重构结果.实验表明:与经典稀疏编码超分辨率重构(SCSR)算法相比,MFJD多特征联合的分级字典使重构图像的PSNR值提高了0.2424 d B,使平均结构相似度(MSSIM)和特征相似度(FSIM)分别提高了0.0043和0.0056;由于结构分类字典维数降低,重构时间降至SCSR算法的22.77%.