矩阵填充的可行方向逼近法

以矩阵填充的子空间逼近法为基础,提出了一种矩阵填充的可行方向逼近法,该算法运用二次规划技术产生最接近可行的矩阵,且迭代矩阵逐步向低秩可行矩阵逼近,满足收敛条件产生低秩的最优填充矩阵.通过数值实验验证了新的算法比传统算法更有效.     

基于低秩矩阵填充的推荐算法

针对已有协同过滤推荐技术中评分矩阵极度稀疏问题,提出了一种基于低秩矩阵填充技术的推荐算法.该算法从贝叶斯框架出发,提出了能够解决低秩矩阵问题的分层高斯先验模型,并将广义近似消息传递算法嵌入到贝叶斯框架,规避了贝叶斯学习过程中烦琐的矩阵逆运算,提升了算法运算速度,同时在广义近似消息传递算法中施加阻尼运算以促进收敛.在开放数据集上的实验结果表明,所提出的算法与相关的矩阵填充推荐算法相比,有效地提高了推荐准确度.     

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.     

儿童孤独症的高秩矩阵填充模型与方法

针对儿童孤独症的临床数据填补,提出了一种基于交替方向乘子(ADMM)算法的高秩矩阵填充(HRMC)算法.该算法考虑到数据中的不同参数具有不同的重要性,在算法设计时将重要参数与非重要参数赋予不同权重.在案例分析中,利用生成的测试数据寻找最优的参数配置,并且将该算法应用到实际孤独症数据的填充中,填充结果与参数化填充方法和低秩矩阵填充方法的结果进行对比.结果显示:所提出的算法在矩阵填充精度方面显著优于其他算法,并可应用于实际的数据清洗与处理过程中.     

压缩感知与矩阵填充及其在图像处理中的应用

压缩感知和矩阵填充是当前的两个研究热点,压缩感知的性能取决于3个要素:信号的稀疏性、压缩感知矩阵的非相干性和重构算法的快速有效性。相应地,矩阵填充性能也取决于3个要素:矩阵的低秩性、矩阵的不相关性和重构算法的快速有效性。文中首先论述了压缩感知和矩阵填充的应用背景,阐述了两者的数学模型,分析了信号的稀疏性和观测矩阵的不相关性对压缩感知性能的影响,研究了矩阵的低秩和不相关性在矩阵填充中的作用,进而对压缩感知和矩阵填充的稀疏性和非相干性进行了对比,总结了压缩感知和矩阵填充的重构算法,介绍了压缩感知和矩阵填充在图像处理中的应用。     

低秩矩阵在CT图像重建中的应用

CT图像重建是医学影像学的重要研究课题,但由于噪声对医学CT图像的影响比较大,为了在不牺牲图像精度和空间分辨率的情况下,重建出噪声含量最低的图像,就要选择合适的去噪方法对图像进行预处理.针对于此,笔者提出一种新的CT图像重建算法,重建过程分成两个步骤:首先用低秩矩阵加权核范数最小化(WNNM)进行图像去噪,再用低秩矩阵分解(LRMD)更新CT图像.实验结果表明,提出的方法具有较强的细节保持能力,低秩矩阵的特性简化计算过程,降低算法复杂度,同时保证了重建图像的去噪效果.     

低秩张量填充的随机算法

以高精度低秩张量填充算法为基础,引入随机的思想,提出了一种新的低秩张量填充算法.该算法在每次迭代过程中,只对张量随机产生的某个模进行展开,奇异值分解及折叠,减少了计算花费.最后,通过数值实验以及MRI图像填充证明新算法比HaLRTC及DR-TR算法更有效.     

基于低秩稀疏表示的子空间学习研究综述

以基于低秩稀疏表示的子空间学习为研究对象,对近几年的相关研究工作进行了归纳总结.首先,阐述了子空间学习及低秩稀疏表示的概念;然后,根据迭代更新的方法,将基于低秩稀疏表示的子空间学习分为基于矩阵分解的子空间学习和基于谱聚类的子空间学习两大类;其次,对它们各自算法的核心思想进行了详细介绍,并对这些算法的优缺点进行了对比分析...     

一种自适应的鲁棒性矩阵补全方法

针对传统矩阵补全无约束优化模型在处理奇异噪声损坏的缺失矩阵时鲁棒性较差的问题, 提出一种自适应的鲁棒性矩阵补全方法. 该方法在目标函数中使用截断核范数作为秩函数旳低秩逼近, 并采用对奇异噪声鲁棒的F范数作为损失项恢复矩阵中的缺失值, 以降低异常值对算法的影响, 提高恢复精确度. 在求解该模型过程中, 先采用凸优化技巧引入一个动态权重参数, 此参数可在更新恢复值时根据当次恢复误差大小自适应地调节下一次更新, 再进一步建立求解优化问题的有效迭代方法. 实验结果表明, 该算法在处理被奇异噪声损坏的矩阵时有较好的鲁棒性和精确性, 从而可得到更好的图像修复效果.     

基于秩极小化理论的单幅图像超分辨率复原

由于自然图像中较小的图像块具有相似性,而这些相似图像块之间具有近似低秩结构.提出了一种基于秩极小化理论和块相似性的单幅超分辨率方法.该方法首先对于每一输入低分辨率图像块在训练图像库的低分辨率图像块中寻找其相似图像块;利用这些相似块所对应的高分辨率图像块构造近似低秩矩阵,建立秩极小化的复原模型,利用增广拉格朗日乘子算法将近似低秩矩阵分解为低秩矩阵和稀疏矩阵;最后根据相似的高分辨率图像块子空间的低秩矩阵,实现图像的超分辨率复原.通过在仿真数据机上进行验证和对比表明:本方法能够取得较好的超分辨率效果.     

基于低秩约束和字典学习的图像超分辨率重建

基于学习的超分辨率重建算法通过对图像的整体信息学习进行重建,没有对图像的内部结构信息特征进行分解考虑.基于图像的低秩稀疏分解理论,本文提出一种新的图像超分辨率重建算法.在研究图像矩阵的低秩部分与稀疏部分信息特征的基础上,结合图像自身蕴含的先验信息,本文分两步对图像恢复重建.首先,将图像的非局部自相似性先验信息引入图像的基本重建模型.在该模型下利用相似图像块矩阵的天然低秩性约束得到初始估计高分辨率图像.第二步,提出一种改进的字典学习算法恢复出初始估计高分辨率图像中缺失的高频成份信息,获得最终的高分辨率图像.为了使高频成份得到更好的恢复,在字典学习样本集的构建阶段应用了一种基于低秩稀疏分解理论的样本集构建方法.实验分析表明,本文提出的算法与现有主流算法相比,在主观视觉效果和客观性能分析上都能显示出更好的优越性.     

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.     

基于核范数的JPEG解码算法

针对低比特JPEG图像因量化过程中产生的量化噪声问题,提出一种核范数JPEG解码算法.首先基于自然图像的低秩性得到一个带无穷范数约束问题的低秩矩阵恢复模型,其次将约束凸优化问题转换为无约束优化问题,降低其计算难度.最后,利用经典的原对偶算法结合块匹配方法处理低秩矩阵模型,得到后处理JPEG解码图像.实验结果表明,该文算法比基于总变分后处理方法在去除量化噪声方面具有优越性.     

基于非凸矩阵填充模型的图像修复方法研究

为了减少基于矩阵核范数极小化(NNM)的矩阵填充模型和原始矩阵的秩极小化(RM)矩阵填充模型之间的偏差,提出了一种新的非凸矩阵填充模型。相对于核范数,其能够更好地逼近原始的秩极小化问题。此外,考虑到非凸模型的优化困难,文中结合增广拉格朗日法和迭代重赋权重法去求解提出的矩阵填充模型。为了验证算法的有效性,在人工数据集上进行了大量实验,并将其应用于图像修复这一重要的计算机视觉领域。实验结果表明,提出的算法能够处理不同类型的缺失图像,且其恢复精度明显高于现有的矩阵填充模型。     

基于内核的低秩逼近算法的改进

为进一步提高低秩逼近技术的逼近精度,提出了一种改进的基于内核的低秩逼近算法（IK-BLA）.算法利用在数值上呈现递减规律的、与矩阵列相关的非均匀概率分布函数对大规模n×n矩阵W进行抽样,接着用抽样得到的小规模c×c矩阵W逼近矩阵W.在UCI数据库中部分数据集上的实验验证了IKBLA的有效性.     

基于矩阵填充的室内定位位置指纹库构建

位置指纹定位方法因其定位精度高、受环境因素影响小而成为无线室内定位技术中的主流方法,但因离线指纹信息采集工作量较大,位置指纹库构建效率较低,而在一定程度上影响了算法的实用性,鉴于此,引入低秩矩阵填充理论,利用采集到的少量的位置指纹数据,通过凸优化方法来填充其他参考点的位置指纹数据,从而准确的重构出完整的位置指纹数据库,大大降低了离线采集阶段的工作量.仿真实验结果验证了本文算法的有效性.     

基于对数行列式实现的矩阵补全算法

传统的基于低秩假设的矩阵补全模型常常对目标矩阵采用核范数的约束,由于核范数对秩函数的近似不够精确,基于核范数的低秩模型可能无法产生最优的效果.为此,采用对数行列式代替核范数,提出基于最小化矩阵对数行列式的矩阵补全模型.研究结果表明,基于最小化对数行列式实现的矩阵补全算法能够有效地恢复矩阵的低秩信息,能够有效地补全图像的...     

基于中值修正的两种Toeplitz矩阵填充的低秩逼近算法

研究一类基于中值逼近的正交秩1矩阵追踪算法,在整个算法的过程中,迭代矩阵保持了Toeplitz结构,确保了较少的奇异值分解时间,通过数值实验说明了新算法比正交秩1矩阵追踪算法与经济正交秩1矩阵追踪算法有更高的精确度.     

矩阵低秩逼近的快速增量算法及其在人脸图像中的应用

针对矩阵数据降维或低秩逼近问题,提出了一种快速增量算法.假设矩阵数据存在双边分解,建立了两个相互耦合的特征子空间模型,因此增量算法由两个特征子空间的迭代更新构成.每一步迭代,新载入的矩阵数据沿着行(列)特征子空间进行正交分解,从而获得了行(列)协方差矩阵更紧致的表达.一旦该表达被建立,行(列)特征子空间的更新就可以通过解一个和矩阵数据的行(列)数相比更小规模的特征值问题来完成,算法的高效率得以实现.该算法被应用到人脸图像重构和人脸跟踪问题中,一系列实验表明了算法的有效性.     

基于低秩矩阵恢复的作物器官自动提取方法

为了解决精准农业中作物器官的自动提取问题, 以玉米雄穗为例, 提出一种基于低秩矩阵恢复的作物器官自动提取方法。 作物生长图像是由背景和器官两大元素组成, 在图像特征空间则表现为一个低秩矩阵和一个稀疏矩阵之和。 利用低秩矩阵恢复算法求解代表器官的稀疏矩阵。 为了保证恢复时背景是低秩的, 利用作物生长历史数据, 学习最佳的转换矩阵。 最后, 利用动态阈值分割以及色度鄄亮度查找表完成器官的准确提取。实验结果表明, 该方法取得了93. 9%的最高性能值和2. 86%的最低标准差, 在多品种、 实际农田复杂环境下能获得更好的提取结果。