稀疏表示

摘要： 为解决稀疏理论融合后多聚焦图像细节特征模糊、综合效果不佳等问题,提出了一种将稀疏理论与快速有限剪切波变换联合引导滤波(FFST-GIF)相结合的图像融合算法.利用FFST从原始图像中分解出高频和低频子带系数,采用引导滤波的相对标准差算法融合细节信息丰富的高频系数;使用K-SVD方法训练得到完备字典,再结合稀疏理论融合低频系数;通过逆FFST将融合后的高、低频子带系数进行再融合,得到新的融合图像.基于MATLAB,选取哈佛大学数据库中的脑核磁共振图像为样本,采用平均梯度(AG)、空间频率(SF)、互信息(MI)以及边缘保留信息传递因子(Q^(AB/F))4个客观评价指标,将所提出算法与基于非下采样轮廓波变换与脉冲耦合神经网络的多聚焦图像融合算法等3种不同融合算法进行对比,进行了不同变换域融合试验与不同融合算法试验.结果表明,所提出算法在客观综合评价指标与视觉效果方面均取得了突出优势,各评价指标参数都有较大提升,AG、Q^(AB/F)最高值分别可达0.0813、0.7935,所提出算法有较好的应用前景.

摘要： 为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。

摘要： 煤矿井下无线传感器网络存在着能量受限的问题,需要研究高效的数据压缩采集方法解决此问题。分布式压缩感知是一种高效的数据压缩采集方法。提出基于分布式压缩感知的煤矿井下图像压缩采集方法,将图像按列划分为多个图像块,对每个图像块单独压缩编码,在服务器上利用信号内相关性和信号间相关性联合解码。实验结果表明,在相同压缩率下,新方法与传统的压缩感知相比能够获得更好的图像质量,恢复图像所需的时间更少,实时性更强。

摘要： 针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法。首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的“逐层特征提取”思想,根据故障样本结构构造了深度故障字典,将故障样本输入深度故障字典,根据样本的重建误差确定了故障类别;最后,以滚动轴承试验台为对象测试了DDL模型的有效性。研究结果表明:采用该方法得到的滚动轴承故障识别准确率达到99.28%,训练时间仅为765 s;相比于卷积神经网络、循环神经网络等深度学习方法,该方法在故障识别准确率方面和训练速度方面具有较大优势;DDL方法利用驱动字典,可以自动提取出轴承振动信号样本中的故障特征,同时,深度字典结构使所提取的故障特征具有较好的层次性,符合人们对故障的直观认识。

摘要： 地震数据的稀疏性是压缩感知地震数据重建的重要前提,其直接影响地震数据的重建精度,因此研究高效的地震数据稀疏表示方法具有重要意义。针对经典K-SVD算法稀疏编码时无法得到全局最优解,不能保证收敛从而影响重建精度的问题,这里提出快速字典学习算法稀疏表示地震数据的方法。快速字典学习将稀疏表示目标优化问题转换为两个可直接求解最值的子优化问题,且将稀疏约束上限与字典相干性关,将快速字典学习算法应用于压缩感知地震数据重建。模拟地震数据以及大庆油田实际地震数据仿真验证结果表明,基于快速字典学习的压缩感知地震数据重建不仅能更好地重建地震数据细节,而且耗时少。

摘要： 快速迭代收缩阈值算法(FISTA)为低复杂度、高效率的信号重建铺平了道路。但是,当应用到线性调频信号重构时,传统的FISTA算法存在重构效果不佳、收敛速度慢等缺点。为了提高重建效果,提出基于保护系数的改进快速迭代收缩阈值算法(IFISTA)。在新方案下,首先,利用线性调频信号在分数阶傅里叶变换下的时频稀疏特性得到线性调频信号良好的稀疏表示,在迭代过程中对所有重构系数进行分析;然后,与特征相关的系数将被保护免受阈值收缩,以减少信息损失。仿真信号实验分析验证了该算法的有效性,结果表明,在相同信噪比条件下,提出的算法在线性调频信号的重构方面优于传统算法的性能。

摘要： 在强干扰复杂环境下,有效的特征选择对于目标跟踪模型的可解释性至关重要.针对这一问题,本文基于再生核Hilbert空间(RKHS)理论,对特征空间构建生成式的两阶段稀疏表示(TSSR)模型,从而描述图像样本与字典之间的非线性关系,避免了在字典中引入大量的琐碎模板.在第1阶段,首先建立图像样本与字典在原始低维空间中的关系,然后利用批处理最小二乘算法求得稀疏表示系数的初值,根据观测模型确定初始跟踪位置的分布;在第2阶段,首先利用核方法将原始低维空间映射到高维特征空间,然后提出一种基于核的加速近端梯度算法(KAPG),从而求得字典元素系数的核稀疏表示,最终确定跟踪目标.最后实验结果证明了本文所提出的TSSR方法在面对视角变化和部分遮挡时的有效性.

摘要： 针对传统的边缘提取算法,在提取边缘时,不完整、不连续,尤其在高噪声情况下,无法提取图像边缘等问题,提出一种基于先验知识的边缘提取算法.首先,学习与待边缘处理图像有相似纹理信息的图像,获得先验知识,对噪声图纹理进行修复;然后,再利用局部均匀稀疏度方法强化细节特征,弱化背景特征;最后,检测出图像边缘,达到提取图像边缘的目的.实验结果表明,该算法能够克服传统边缘算子在边缘提取时,边缘不完整、不连续等缺点;同时,对强高斯噪声污染图像具有优秀的边缘提取效果.

摘要： 由于图像在获取、发布或传输过程中受到噪声的污染,导致图像质量下降.现有的大部分图像去噪方法仅针对高斯噪声情况进行图像恢复,一般来说,现实中图像容易同时受到高斯噪声和椒盐噪声的污染.针对这一情况,文章提出基于加权低秩表示和L_(1)范数的混合噪声去除算法.该算法首先采用加权低秩表示来刻画图像的全局特性,同时利用L_(1)范数来描述稀疏噪声,设计了图像混合去噪模型.然后采用交替方向乘子法对混合去噪模型进行求解.最后对含混合噪声的图像进行了仿真实验分析,结果表明提出的算法能够较好地去除图像中的混合噪声,进一步提高图像的视觉感知质量.

摘要： 稀疏解混能够有效地规避高光谱场景中缺少纯像元和估计端元数目的两个瓶颈问题,因而成为目前广泛研究的光谱解混技术。针对协同稀疏解混模型在边界上容易出现错误识别的问题,结合字典削减策略和低秩表示,提出一种协同稀疏低秩的解混模型。该方法同时施加稀疏和低秩约束在丰度矩阵上,并对协同稀疏模型的?2,1混合范数采用加权策略,使得行稀疏性得到了增强,同时也使用非凸logdet(·)作为秩的光滑替代函数。由于提出方法充分利用了高光谱数据的空间信息和光谱信息,因此获得了比协同稀疏回归模型更准确的解混结果。最后利用著名的交替方向乘子方法(ADMM)对提出的非凸模型进行有效求解,实验结果验证了提出算法的有效性。

摘要： 针对导航卫星信号质量易受到信道中滤波器线性失真影响且现有补偿方法可靠性低、结构复杂这一问题,本文提出了一种基于稀疏表示的低阶FIR预失真滤波器设计方法.该方法在最小2范数约束下通过迭代更新目标单位冲击响应来求取其在频域空间中的稀疏表示,从而在预失真滤波器阶数受限制的情况下,提升了预失真滤波器补偿精度.通过北斗全球系统B1信号对预失真滤波器设计算法进行验证,试验结果表明该预失真滤波器能够精确补偿发射信道线性失真,有效改善相关函数的对称性,使鉴相曲线过零点偏差降低一个数量级.

摘要： 目前，我国大多数主力油田已经进入勘探开发中后期，面临的勘探目标越来越小，地质情况越来越复杂，常规地震资料的分辨率已经远远不能满足油田精细勘探开发的需求。而具有高分辨率的地震资料，可以用来进行有效的反演和地质解释，为实现精细油藏描述奠定坚实的基础。提出了一种基于字典学习和稀疏表示的地震资料超分辨率方法(DLSR).该方法利用测井数据,结合正演褶积模型得到部分采样间隔更小,频带更宽的高分辨率地震合成记录,然后结合其所在测井位置采集到的低分辨率地震数据,采用稀疏字典学习方法学习二者间的匹配模式,即测井位置的合成高分辨率地震数据与实际低分辨率地震数据之间的关联关系;此后,该方法将学得的关联关系应用到无井位置的实际低分辨率地震数据的分析中,重构出更高分辨率的、更低采样间隔的合成地震数据.理论模型测试表明,相比普通的插值方法,该超分辨率方法显著地提高了资料的分辨率,具有一定的可靠性和实用性.

摘要： 振动信号监测是轴承故障诊断的有效方式,关键是如何从噪声干扰下精确估计振动信号中的故障特征成分.基于凸正则化的稀疏表示方法是一种有效的特征成分提取方法,但存在严重的特征成分幅值低估问题.针对此问题,基于广义极小极大凹(GMC)罚函数,一种新的非凸正则化稀疏表示方法被提出.基于GMC构建的稀疏正则模型可以在一定条件下保证为凸函数,利用凸优化算法可以优化求解得到其全局最优解.此外,针对稀疏表示方法中正则化参数设定这一关键问题,一种自适应正则化参数选取方案被提出.仿真和实验验证表明,相较于凸正则化稀疏表示方法,利用所提方法可以更好估计信号特征成分,改善特征成分幅值低估问题.

摘要： 针对星上遥感图像较高倍率的压缩需求,为改善JPEG-LS在较高压缩比下重建图像的质量,提出一种基于非均匀划分机制的字典稀疏表示对游程模式在Near值调整中造成恢复数据的“水平线状纹理”进行优化.首先对多幅不同纹理区域的遥感图像进行JPEG-LS压缩,将游程模式内不同Near值的像素差值进行非均匀区间划分,并将差值映射为非负索引序列;其次对样本序列进行非负K-SVD训练生成过完备索引字典;然后用正交匹配追踪算法对图像子块的游程差值索引序列进行稀疏表示并存储;最后解压缩过程中结合字典及译码得到的稀疏系数对游程内像素进行恢复.上述过程只需在星上添加稀疏表示处理,易于硬件实现;而且较好地改善了“线状纹理”现象,提升了恢复图像的主观视觉效果,同时PSNR值也有所提高.

摘要： 目前,稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的,本文提出一种面向对象的高光谱遥感影像稀疏表示分类方法.首先从高光谱影像中提取四个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类.实验结果表明该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑.

摘要： 提出一种基于双树复小波变换(dual-tree complex wavelet transform,DTCWT)与稀疏表示(sparse representation,SR)的电能质量复合扰动分类方法.该方法首先对扰动信号进行双树复小波分解,提取各层分解的小波系数Shannon熵值作为特征向量;然后应用最小l0范数解决方案构建基于稀疏表示的分类方法并对电能质量复合扰动进行分类.在不同的噪声条件下对常见的单一电能质量扰动及其构成的多种复合扰动进行仿真,并与支持向量机、神经网络2种分类器进行比较,对比结果表明,该算法在电能质量复合扰动识别上可以达到很高的性能,抗噪声鲁棒性好,在信噪比20dB以上的噪声环境中电能质量扰动分类准确率依然达到95％以上.

摘要： 针对图像超分辨率方法构建图像块的稀疏表示(SR)系数存在的主要问题,利用加权思想提出一种增强的单幅图像自学习超分辨方法.首先,通过自学习建立高低分辨率图像金字塔;然后,分别提取低分辨率图像的图像块特征和对应高分辨率图像块的中心像素,并给图像块中不同像素点赋予不同的权重,强调中心像素点在构建图像块稀疏系数时的作用;最后,结合SR理论和支持向量回归(SVR)技术建立超分辨率图像重建模型.实验结果表明,与单幅图像自学习超分辨率方法(SLSR)相比,所提方法的峰值信噪比(PSNR)平均提高了0.39dB,无参考图像质量评价标准(BRISQUE)分数平均降低了9.7.从主观视角和客观数值证明了所提超分辨率方法更有效.

摘要： 为了增强手势识别的多样性和简便性,提出了一种基于肌电信号(EMG)和加速度(ACC)信息融合的方法来识别动态手势.首先,利用MYO传感器采集EMG和ACC的手势动作信息;然后分别对ACC和EMG信号作特征降维和预处理;最后,为减少训练样本数,提出用协作稀疏表示分类器来识别基于ACC信号的姿态手势,用动态时间规整(DTW)算法和K-最邻近分类器(KNN)来分类EMG信号的手形手势.其中在利用协作稀疏表示分类器识别ACC姿态信号时,通过对创建字典最佳样本个数以及特征降维的维数进行研究来降低手势识别的复杂度.实验结果表明,手形手势的平均识别率达到了99.17％,对于向上向下、向左向右4种姿态手势平均识别率达到96.88％,而且计算速度快;对于总体的12个动态手势,其平均识别率达到96.11％.该方法对动态手势的识别率较高,计算速度快.

摘要： 在图像的超分辨率重建过程中,传统的字典训练算法存在计算量大,消耗时间长等缺点.针对上述问题,本文对传统的K-SVD算法中字典更新阶段进行改进,结合正交匹配追踪中的系数复用算法,设计了一种改进的基于稀疏表示的K-SVD字典训练算法.实验结果表明改进后的算法不仅大幅度降低了字典训练的时间,而且有效提高了重建超分辨率图像的质量.

摘要： 高光谱遥感图像的异常检测技术,因其无需先验的地物波谱知识即可依据地物的光谱差异进行地物异常状态的评估,在灾预警与监测、军事预警与侦察等民用和军事领域有着重要的理论价值和巨大的应用前景.对高光谱图像异常检测算法进行了综述,并对各类异常检测算法进行详细论述,深入分析了各类算法的有效性以及不足.最后对异常检测方法的发展进行了讨论,提出了几点自己的看法和建议.

摘要： 本发明公开了一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法，属于计算机视觉和模式识别技术领域。本发明包括以下步骤：首先，提出一种图嵌入低秩稀疏表示恢复方法，能够从训练样本数据矩阵恢复出判别力强的干净训练样本数据矩阵，同时得到训练样本数据误差矩阵；然后，以干净训练样本数据矩阵为字典，以训练样本数据误差矩阵为误差字典，采用范数最优化技术求解待识别人脸数据的稀疏表示系数；更进一步，利用待识别人脸数据的稀疏表示系数，对待识别人脸数据进行类关联重构；最后，基于待识别人脸数据的类关联重构误差，完成待识别人脸图像的识别。本发明能够解决训练样本图像和待识别图像都受噪声污染或局部被遮挡情况下的人脸识别问题。

摘要： 本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，步骤S1，采用双稀疏字典学习算法对滚动轴承振动信号进行训练，获得双稀疏字典；步骤S2，获取不同故障类型的建模滚动轴承振动信号在双稀疏字典下的分解系数并作为特征向量；步骤S3，将步骤S2中获得的特征向量输入至深度信念网络进行训练学习，获得滚动轴承振动信号故障诊断模型；步骤S4，将包含故障信息的待测滚动轴承振动信号输入至故障诊断模型进行故障识别，完成故障诊断。采用本发明滚动轴承振动信号故障诊断方法，不仅可以获得更高的诊断精度与准确率稳定性，并且还可以大幅度减少深度信念网络的训练与测试时间，提高对故障的诊断效率。

摘要： 本发明涉及一种基于稀疏基误差的自适应稀疏表示压缩重构方法及系统，首先输入训练样本，组成训练样本矩阵，并初始化稀疏基为正交稀疏矩阵，然后利用正交匹配追踪算法求得投影系数矩阵以及恢复信号；通过稀疏表示的逆运算求得稀疏基误差，得到补偿后的稀疏基，对训练样本进行反复的训练学习，最终得到自适应稀疏基。本发明基于稀疏基误差的自适应稀疏表示压缩重构方法，不仅能够更加准确地捕捉不同信号特点，显著提高信号重构精度，而且在相同重构精度要求下，信号重构成功率更高，所需测量数更少，有利于提高信号压缩率。

摘要： 本发明公开了一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法，属于计算机视觉和模式识别技术领域。本发明包括以下步骤：首先，提出一种图嵌入低秩稀疏表示恢复方法，能够从训练样本数据矩阵恢复出判别力强的干净训练样本数据矩阵，同时得到训练样本数据误差矩阵；然后，以干净训练样本数据矩阵为字典，以训练样本数据误差矩阵为误差字典，采用范数最优化技术求解待识别人脸数据的稀疏表示系数；更进一步，利用待识别人脸数据的稀疏表示系数，对待识别人脸数据进行类关联重构；最后，基于待识别人脸数据的类关联重构误差，完成待识别人脸图像的识别。本发明能够解决训练样本图像和待识别图像都受噪声污染或局部被遮挡情况下的人脸识别问题。

摘要： 本发明提供一种基于混合稀疏表示的非稀疏场景SAR成像方法；包括：第一步，对非稀疏场景的SAR回波分别进行距离向和方位向的随机降采样；第二步，构造线性调频变标成像算子和逆成像算子，基于近似观测模型构造二维压缩感知优化模型；第三步，求解构造的优化模型，首先对非稀疏SAR场景进行初始化，并对其进行点、线、面的分解，再对线分量进行曲波变换，对面分量进行小波变换，然后通过迭代阈值算法对点、线、面分量依次进行重建，直到算法收敛。最后将得到的点、线、面分量进行组合，得到最终重建的SAR图像。实现了降采样率条件下对包含复杂特征的非稀疏场景进行SAR成像，此发明能够减少对非稀疏场景成像时的数据量，同时能够增强图像的特征。

摘要： 本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，步骤S1，采用双稀疏字典学习算法对滚动轴承振动信号进行训练，获得双稀疏字典；步骤S2，获取不同故障类型的建模滚动轴承振动信号在双稀疏字典下的分解系数并作为特征向量；步骤S3，将步骤S2中获得的特征向量输入至深度信念网络进行训练学习，获得滚动轴承振动信号故障诊断模型；步骤S4，将包含故障信息的待测滚动轴承振动信号输入至故障诊断模型进行故障识别，完成故障诊断。采用本发明滚动轴承振动信号故障诊断方法，不仅可以获得更高的诊断精度与准确率稳定性，并且还可以大幅度减少深度信念网络的训练与测试时间，提高对故障的诊断效率。

摘要： 本发明公开了一种基于稀疏椭圆RBF神经网络的图像稀疏表示方法。本发明步骤1：数据预处理输入图像数据，通过预处理步骤归一化输入的图像数据，目的是使预处理的数据被限定在一定的范围内(在[0,1]内)，从而消除奇异样本数据导致的不良影响，降低样本之间的差异对网络学习的影响；步骤2：稀疏椭圆RBF神经网络的设计稀疏椭圆RBF神经网络，主要基于RBF神经网络进行改进。本发明的有益效果：本发明提供一种基于稀疏椭圆RBF神经网络的图像稀疏表示方法与流程，该网络是基于RBF网络改进而来的，在实施过程中采用改进的高斯函数即椭圆高斯函数，作为RBF网络隐层的激活函数，并将稀疏优化技术应用其中。

摘要： 本发明涉及一种基于组稀疏表示的加权稀疏正则项约束图像去噪方法，属于图像处理技术领域。本发明首先将待处理的图像划分为若干个大小相同相互重叠的图像块，利用K近邻算法聚类为相似的图像块组，其次对每一个相似的图像块组采用主成分分析算法得到字典，相似图像块的稀疏系数进行加权平均获得原始图像组稀疏系数的近似估计，再通过迭代收缩算法实现对模型的优化求解，得到当前组的稀疏系数，最后根据组稀疏系数和字典求取图像块组的去噪图像并将其进行合并，获得去噪图像。本发明能够实现稀疏系数的有效求解，达到了良好的边缘保持和抑制伪影效果，同时在运行速度上也有较大提升。

摘要： 本发明公开了一种基于稀疏系数相似的加权稀疏表示人脸识别方法，包括以下步骤：对人脸训练样本图像和测试样本进行预处理，构造训练样本矩阵，将每个训练样本与测试样本列向量的欧氏距离负指数函数映射值定义为权值，构造权重矩阵，求所有训练样本和测试样本的稀疏系数，根据训练样本与测试样本稀疏系数间的相似性，通过余弦相似性选取K个与测试样本邻近的样本组成邻近样本矩阵，采用L1范数最小二乘法求解测试样本的稀疏系数，然后重构测试样本残差来实现分类。本发明方法及系统利用训练样本数据的局部性和稀疏性，使得识别算法更加稳定，避免过多选择其它类别样本，提高测试样本分类的准确率。根据本发明，进行人脸识别，具有较好的市场前景。

摘要： 本发明涉及一种基于稀疏基误差的自适应稀疏表示压缩重构方法及系统，首先输入训练样本，组成训练样本矩阵，并初始化稀疏基为正交稀疏矩阵，然后利用正交匹配追踪算法求得投影系数矩阵以及恢复信号；通过稀疏表示的逆运算求得稀疏基误差，得到补偿后的稀疏基，对训练样本进行反复的训练学习，最终得到自适应稀疏基。本发明基于稀疏基误差的自适应稀疏表示压缩重构方法，不仅能够更加准确地捕捉不同信号特点，显著提高信号重构精度，而且在相同重构精度要求下，信号重构成功率更高，所需测量数更少，有利于提高信号压缩率。