基于压缩感知的图像稀疏表示和重构

在信号可稀疏表示的基础上,压缩感知理论将数据的采集和压缩集于一身,从较少的观测值中重构出原始信号,突破了以奈奎斯特采样定理为基础的传统采样方式的局限性,降低了对信号采样率的要求.首先介绍了压缩感知的基本理论和各类重构算法,并在时间复杂度和重构精度上对算法作出分析比较,然后基于压缩感知理论综述图像稀疏表示和重构算法的研究进展及其相关方面的应用,最后对压缩感知在稀疏表示和重构方面作出了总结和展望.     

面向音频信号的可迁移的稀疏表示字典学习方法

基于字典对音频信号稀疏表示是1种在音频信号处理中被广泛使用的信号表示方法,但是,如果当前信号与字典学习所使用的信号的数据分布不同时,稀疏表示性能会受到严重影响.本文提出1种用于对音频信号稀疏表示的,可迁移稀疏表示字典学习方法,将经验模态分解得到的成分作为音频信号帧的本质特征,提出基于本质特征和原始信号的字典联合学习方法,使字典具有很强的可迁移性.通过不同话者和不同数据集之间信号的稀疏表示,对字典的可迁移性能进行验证,同时,对字典稀疏表示的效果和效率进行了评估.实验结果表明:本文提出的字典学习方法,在不同话者和不同数据集间迁移时,重构信号的信噪比分别相差0.5和0.8,明显低于当前常用的方法.同时,字典具有更高的稀疏表示效率和更好的效果.     

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

一种基于非参数贝叶斯理论的语音增强算法

提出一种基于非参数贝叶斯理论的语音增强算法,在稀疏表示的框架下,把字典学习、稀疏系数表示和噪声方差估计融合成一个贝叶斯后验估计的过程,并利用Spike-Slab先验加强稀疏性.首先,将带噪语音分解为干净语音、高斯噪声和残余噪声3个子信号,分别对该3种子信号采用不同的先验概率模型表达,接着采用马尔科夫链-蒙特卡洛算法计算出3个模型中每个参数对应的后验概率,最后基于稀疏表示的框架重构出干净语音.实验数据使用NOIZEUS语音库,采用PESQ和SegSNR作为质量评价指标,分别在信噪比为0,5和10dB的高斯白噪声、火车噪声和街道噪声上验证了其可行性,并与多种常用语音增强方法进行对比,发现其在低信噪比非平稳噪声情况下的增强效果更为理想.     

框架表示下的压缩感知问题研究

压缩感知问题考虑通过较少的测量值来精确恢复未知高维稀疏信号,而实际问题中许多信号在标准正交基上不稀疏,但在一组框架表示下是稀疏的。该文首先对框架表示下的稀疏恢复问题进行阐述,然后系统介绍3个恢复模型即分析基追踪模型、分析LASSO模型和分析Danzig模型,并介绍基于D-RIP条件的最新恢复结果。     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

基于T-SBL的多跳频信号参数估计

针对多跳频信号参数估计问题,利用跳频信号频率在时频域上的稀疏性,在块稀疏贝叶斯学习(b SBL)的基础上,提出了一种T-SBL稀疏学习算法,通过重构后信号的时频图完成跳频信号的跳周期、中心时刻、跳时刻等参数的估计.首先将接收信号进行重叠分割得到观测矩阵;然后根据跳频信号时频域的稀疏性建立信号的多测量(MMV)稀疏模型,在块稀疏贝叶斯学习算法的基础上将多测量模型转化为单测量(SMV)模型;最后通过重构后信号的清晰时频图进行参数的快速估计.为了进一步提高低信噪比下的估计性能,采用形态学滤波的方法对获得的时频图进行修正.理论分析和仿真实验表明了该算法的有效性和良好的估计性能.     

基于非正交傅里叶基的冗余字典设计

在压缩感知理论的稀疏表示过程中,通常选择正交完备字典实现信号稀疏表示.冗余字典比完备字典表现出对信号更好的适应性,常见的冗余字典直接由两个或多个正交完备字典级联而成.为了设计对信号具有更好适应性的冗余字典,改变原有正交完备字典,通过对正交傅里叶完备字典中的原子进行扩展、延时、混叠等一系列变换,设计出一种新的非正交完备字典.在此基础上,将该完备字典与单位矩阵级联构造了新的非正交冗余字典.以一维信号作为测试信号,研究了冗余字典的性能.仿真实验结果表明提出的非正交冗余字典比正交傅里叶完备字典具有更好的稀疏性能和重构性能.     

一般对偶框架下基于l_p(0<p≤1)最小化的稳定信号恢复

压缩感知理论指出,只要信号是可压缩的或稀疏的,就能以较低的频率采样信号,并能高概率的重构该信号。在实际的应用中,许多信号只能在某些框架下具有稀疏表示,而无法在正交基下获得稀疏表示。针对这一类信号的恢复,一般采取的是l1-analysis方法。近期有些相关研究考虑了一般对偶框架下基于l1-analysis方法的信号恢复问题,在比前期l1-analysis方法更弱的条件下得到了更好的恢复结果。受此启发,我们考虑了一般对偶框架下,基于l_p(0p≤1)最小化的信号恢复。对现有的工作做了理论推广。     

基于鲁棒主成分分析的低频水声信号降噪方法

由于海洋环境噪声的复杂性,接收到的信号往往具有较低的信噪比,导致水声信号处理难度大等问题.针对此问题,采用基于鲁棒主成分分析的降噪方法,建立将含噪信号表示为低秩、稀疏和噪声的分解模型,研究了对低频水声信号的降噪问题.首先通过Godec算法将含噪信号表示为低秩、稀疏和噪声3部分,然后运用非负矩阵分解算法对低秩部分进行分解,得到噪声字典,最后根据得到的噪声字典从含噪信号中提取出初始水声信号.通过对不同海况下即不同信噪比的仿真信号进行降噪处理,结果表明该方法在水声信噪分离中具有较好的降噪效果.     

自适应语音压缩感知方法

针对固定正交基下语音信号稀疏化程度低、适应性差的问题,提出了一种自适应的语音稀疏化方法,并将其应用到语音压缩感知理论中.该方法首先采用线性预测系数的加权线性组合对语音信号进行线性预测,并以线性预测残差基作为信号基.然后,按照稀疏约束条件训练出稀疏表示的过完备字典,并交替应用1-范数稀疏约束的追踪和奇异值分解算法,达到字典与稀疏系数同步更新.该方法从信号特征入手,学习并提取特征或纹理信息,能较好地实现语音信号的稀疏化,提高语音压缩感知的重构性能.实验结果显示,与其他正交基方法相比,该方法的语音稀疏化程度高.语音质量的主客观评价结果显示,该方法具有良好的重构性能.     

基于稀疏表示的印花织物疵点检测

纺织品中的织物缺陷分布存在稀疏性,使得缺陷图像能够在特定的变换中进行稀疏表示.根据盲源分离理论和形态成分分析,将织物缺陷图像假设由缺陷、背景和噪声3种成分的线性叠加,通过稀疏表示模型对缺陷图像进行表示.首先对原始缺陷图像进行直方图均衡化处理;接着采用基于稀疏表示模型将织物图像分解为缺陷和纹理部分;最后对缺陷图像采用叠加二值化分割法,显示缺陷区域.实验结果表明,该方法对包括星型、方格型和圆点型在内的印花织物缺陷图像,检测时间短,效率较高,平均检测率可达96.3%.     

压缩感知的自适应冗余字典及其图像恢复方法研究

冗余字典的信号稀疏分解是一种新的信号表示理论,采用超完备的冗余函数系统代替传统的正交基函数,为信号自适应地稀疏扩展提供了极大的灵活性.该文研究了压缩感知理论下DCT冗余字典和规范正交基(Dirac基)与DCT基组成的冗余字典,提出了一种适应于图像分块的自适应冗余字典方法.结合迭代硬阈值(IHT)重构算法,实验结果表明了提出的自适应冗余字典具有更好的信号恢复效果.     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

一种组稀疏信道估计中的信号重构优化方法

针对正交频分复用(OFDM)系统信道的稀疏性,同时考虑信道的时间选择性和频率选择性,运用压缩感知理论研究了基于组稀疏压缩感知(GSCS)的时变信道估计方法。该方法通过信道系数和基扩展系数的稀疏表示,提出了组稀疏概念以测量、重构信号。在GSCS信号重构过程中,提出了一种新的优化方法,引入一个纠正过程,剔除错误的原子,提高了组稀疏估计方法的信号重构性能。分别在单天线和多天线系统中进行仿真实验,结果验证了本文方法的优越性。     

基于SSR子带信息融合的波达方向宽带估计算法

针对SIF方法在进行带宽DOA估计时,共同利用所有频点信息来弥补单个稀疏信号表示向量(SIV)的问题,基于多个频率测量向量的单稀疏表示信号,提出了一种新的子带信息融合算法(SIF).SIF方法属于稀疏信号表示域,它会受到代数混淆和空间混叠2个模糊性因素的影响.组合所有频率成分可以减小这2个模糊性因素的影响,通过SIV对SIF算法进行了弥补.通过大量的模拟仿真结果表明,与W-CMSR算法相比,基于稀疏信号SIF方法的波达方向宽带估计算法具有更加优越的性能.     

基于协方差准则迭代估计的雷达回波压缩重构

在雷达技术领域得到高度关注的压缩感知理论,能够有效地降低高分辨率雷达成像系统的数据率,解决雷达系统中超大数据量的采集、存储与传输问题.宽带雷达回波在信号的幅度-延时基上具有稀疏表示.基于这一特性,可以使用压缩感知理论通过降维采样大大减少数据量.针对降维采样后信号重建问题,文中研究了一种基于协方差准则循环迭代的稀疏参数估计方法(SPICE).文中首先根据雷达回波信号的特征构造了波形延时稀疏字典,再通过随机采样对数据进行压缩,最后将SPICE作为信号重构算法引入雷达回波压缩感知处理过程中.仿真结果表明利用SPICE参数估计方法,可使得压缩率降到很小的程度,且降低重建信号相对原始信号的误差.此外,SPICE算法本身具有数据自适应特性,不需要再根据信号特征选取循环结束条件.仿真结果表明,算法具有较快的收敛速度,能够在较短的时间内准确估计出雷达回波的稀疏参数.     

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,...     

基于稀疏谱的鲁棒说话人识别

环境失配问题严重影响着说话人识别的性能,这一问题在非平稳噪音条件下表现得更为显著.为了增强说话人识别在环境失配条件下的鲁棒性,基于稀疏表示提出了一种高维鲁棒语音特征的生成方法,并针对上述高维语音特征的稀疏特性提出了一个说话人模型.在该说话人识别方法中,首先以优化的联合基作为稀疏表示的基,在此基础上对信号进行分解,用于从带噪语音中剥离噪音成分,并从中提取语音信号的内蕴时频结构;之后在此基础上提出了一种鲁棒的稀疏谱语音特征,并根据该特征的高维稀疏特性给出了基于混合k-means的说话人模型.实验结果显示,与基于梅尔倒谱系统特征的基线系统相比,提出的说话人识别方法在NIST SRE-2003语料库条件下的等错误率下降了28.16%,在Chinese-863语料库和不同信噪比(5dB和0dB)的非平稳汽车噪音环境下的等错误率分别下降了9.84%和14.21%.上述结果表明,在环境失配情况下,提出的说话人识别方法的性能明显优于基于梅尔倒谱系数特征的基线系统.     

基于ITCSAMP的周期非均匀采样与重构

根据周期非均匀采样的特点,结合联合子空间理论,将信号采样与重构转化为向量运算.并针对自然界中的稀疏信号,结合压缩传感理论,提出采用阈值迭代压缩采样匹配追踪(ITCSAMP)重构算法进行信号重构,并分析了其完整重构条件.最后,借助软件(Matlab)搭建模型,验证该算法可以很好实现稀疏信号的周期非均匀采样与重构.