一种基于稀疏表示的交通图像去噪算法

将图像稀疏表示方法引入到交通图像处理中,实现了一种基于K-SVD的正交匹配追踪的交通图像去噪算法.该算法通过奇异值分解,DCT字典进行自适应更新,形成更能表示图像结构的超完备字典.实验结果表明,相对于传统图像增强方法(中值滤波、均值滤波、基于小波滤波)和基于DCT冗余字典的稀疏表示图像增强方法,该算法能更有效地去除交通图像噪声,得到更高的峰值信噪比.     

信号过完备稀疏表示的唯一解及其边界条件

在探讨应用冗余字典寻找信号稀疏表示算法的基础上，简介信号过完备表示产生的背景和发展过程，认为信号表示的稀疏性与冗余字典的非相干性存在某种必然联系；结合正在进行的信号过完备稀疏表示理论与应用研究的专项课题，理论上讨论了满足基追踪算法和匹配追踪算法精确重构条件以及多个正变基级联字典的非相干系数与精确重构条件的某些研究进展，并提出对于非正交基联合而成的级联字典有待进一步研究的相关问题．     

稀疏表示的人脸识别及其优化算法

稀疏表示的本质就是稀疏正规化约束下的信号分解。提出一种改进的正交匹配追踪算法,使运算量较高的矩阵求逆运算转变为轻量级的向量运算或向量与矩阵的运算,可以加快逆矩阵和大矩阵乘积的求解。将此算法应用于稀疏表示的人脸识别,探讨并验证了稀疏阀值的设置和训练字典的选择对人脸识别率和识别速度的影响。     

基于量子遗传优化算法的图像稀疏分解

为了减少图像稀疏分解的计算量,提出了一种基于量子遗传算法与匹配追踪相结合的图像稀疏分解快速算法.量子遗传算法能用较小的种群规模实现较大的空间搜索,全局寻优能力强,基于匹配追踪的图像稀疏分解是最优化问题,因此可用量子遗传算法快速实现.仿真结果表明,每步分解所需计算的图像或图像残差与原子的内积仅4 000次,由分解结果重建的图像具有较好的主观质量.     

稀疏分解及其在图像压缩中的应用研究

主要针对涉及图像稀疏分解及其在压缩中应用的关键问题进行研究，研究内容集中在图像稀疏分解的快速算法、图像稀疏分解的效果及如何更好地把稀疏分解的结果数据应用到图像压缩编码中。在理论上，提出了稀疏分解中过完备原子库的集合划分。基于集合划分方法提出了基于FFT的稀疏分解算法和改进算法。针对基于FFT的稀疏分解算法的不足，提出了基于FHT的稀疏分解算法。利用智能计算方法（如遗传算法、蚁群算法、量子遗传算法和粒子群算法等）实现图像稀疏分解。使计算速度基本能够满足需要。在稀疏分解的基础上，分析了分解数据的分布规律，针对其分布和低比特率图像压缩的要求，提出了多种压缩编码方案，如对结果数据排序差分编码方法和指数预测编码方案。     

基于压缩感知和字典学习的背景差分法

针对当使用背景差分法时,背景存在突变和渐变、图像数据的冗余和伪前景对目标检测的干扰等问题,提出一种基于稀疏表示和字典学习的背景差分法。该方法首先训练视频流得到其数据字典,并根据数据字典学习与稀疏表示理论建立背景模型,可以有效减少数据的冗余。然后根据目标及其邻域的密集度进行目标分割,以排除前景的干扰。最后再根据数据字典的更新算法,有效解决了背景的突变和渐变问题。实验结果表明,该方法具有可行性。     

基于结构性字典学习的高光谱遥感图像分类

为提高高光谱遥感图像的分类精度,提出了一种新的结构性稀疏表示及字典学习的高光谱遥感图像分类方法.该方法能同时利用高光谱遥感图像像素间的空间及光谱关系得到表示每个像素的字典,被划分为同一像素组的像素具有通用的稀疏模式;由字典计算图像的稀疏表示系数获得遥感图像的稀疏表示特征;利用线性支持向量机算法实现对高光谱遥感图像的分类.对AVIRIS和ROSIS高光谱遥感图像进行的实验结果表明:提出的方法比普通字典学习分类精度分别提高0.041 1和0.046 6,Kappa系数分别提高0.179 3和0.056 3.      

自适应冗余字典学习的高光谱混合像元解混

针对线性稀疏解混模型无法准确识别真实端元造成丰度估计误差较大的问题,本文提出一种基于自适应冗余字典的高光谱混合像元解混算法.该算法根据地物在空间上的连续性,以及高光谱数据中信号成分与光谱库中物质光谱的强相关性,首先保留每个像元在光谱库上投影系数大于设定阈值所对应的光谱,将其作为与每个像元信号成分最匹配的光谱集合;然后合并该集合以构建高光谱数据的自适应冗余字典;最后利用ADMM算法求解高光谱数据在该字典上的丰度矩阵.仿真和实际高光谱数据实验结果表明,本文所提出的算法可减小丰度估计误差,在信噪比为15~35 dB时,其丰度估计准确性高于性能较优的SUnSAL算法约1~2 dB.      

基于FHT的实信号稀疏分解快速算法

提出了一种适合于计算机程序实现的稀疏分解快速算法．该算法利用Gabor原子时频参数结构特征,把信号稀疏分解中计算量极大的内积运算转换成信号的互相关运算,大幅度提高了信号稀疏分解的速度．对于实信号,用快速哈特莱变换（FHT）实现互相关的快速运算．仿真结果证实了该算法的有效性．     

基于原子库结构特性的信号稀疏分解

在matching pursuit(MP)方法的基础上，利用信号稀疏分解中使用的过完备原子库结构特性，提出了一种新的信号稀疏分解算法。新算法兼顾了稀疏分解过程中计算量和存储量，信号稀疏分解的速度是常规的MP方法的15．9倍．实验结果证明了算法的有效性．