题名 基于非局部相似块低秩的压缩感知图像重建算法
被引量：14
1
作者
宋云 李雪玉 沈燕飞 杨高波
机构
长沙理工大学综合交通运输大数据智能处理湖南省重点实验室 长沙理工大学计算机与通信工程学院 湖南大学信息科学与工程学院 中国科学院计算技术研究所
出处
《电子学报》
EI
CAS
CSCD
北大核心
2017年第3期695-703,共9页
基金
国家自然科学基金(No.61471343 No.61572183 +5 种基金 No.61402053) 湖南省教育厅科学研究重点项目(No.13A107 No.15A007) 湖南省自然科学基金(No.2016JJ2005) 湖南省科技计划项目(No.2014FJ6047 No.2014GK3030)
文摘
传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(Nonlocal Self-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.
关键词
压缩感知 图像重建 非局部自相似 低秩优化
Keywords
compressive sensing image recovery non-local self-similarity low -rank optimization
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 类别约束下的低秩优化特征字典构造方法
被引量：1
2
作者
吕煊 刘玉淑 丁洪富 李爱迪
机构
重庆市国土资源和房屋勘测规划院 齐鲁工业大学电气与自动化学院
出处
《计算机应用》
CSCD
北大核心
2014年第9期2668-2672,2677,共6页
基金
国土资源部公益性项目(201311006)
文摘
字典模型(BOW)是一种经典的图像描述方法,模型中特征字典的构造方法至关重要。针对特征字典构造问题,提出了一种类别约束下的低秩优化特征字典构造方法 LRC-DT,通过低秩优化的方法使训练出来的特征字典在描述同类图像时表示系数矩阵的秩相对较低,从而将类别信息引入到字典学习中,提高字典对图像描述的可分辨性。在标准公测库Caltech-101和Caltech-256上的实验结果表明:将SPM、稀疏编码下的SPM(ScSPM)、局部线性编码(LLC)和线性核函数的SPM(LSPM)编码方法中的特征字典替换为加入低秩约束(LRC)的特征字典后,随着训练样本数目增多,字典模型的分类准确率与未引入低秩约束的方法相比有所提高。
关键词
字典模型 低秩优化 低秩描述 图像描述 图像分类
Keywords
Bag Of Words(BOW) low -rank optimization low -rank representationimage representation image classification
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 基于低秩优化的CT图像目标检测方法
被引量：1
3
作者
张敏辉 杨剑
机构
成都师范学院计算机科学学院 电子科技大学成都学院计算机学院
出处
《计算机工程与设计》
北大核心
2018年第7期2080-2083,共4页
基金
四川省教育厅自然科学重点基金项目(17ZA0053)
文摘
针对传统的模式识别方法难以识别CT图像中不规则目标的问题,提出一种基于低秩优化的目标识别方法。利用病灶部位在影像中的稀疏性与多样性,将众多CT图像配准到标准图像中并连接为一个矩阵;利用矩阵中正常组织部分的低秩性和病灶组织部分的稀疏性,将矩阵分解为低秩成分和稀疏成分;通过低秩优化寻找矩阵中的低秩成分和稀疏成分,直接分离出病灶组织。实验结果表明,该方法相对于传统的分类和聚类算法可以极大减少误诊率,具有更快的运行效率,可更有效地运用于辅助诊断。
关键词
低秩优化 CT图像诊断 目标检测 图像处理 模式识别
Keywords
low -rank optimization CT image diagnosis object detection image processing pattern recognition
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
题名 基于LRMO及MCA的机载雷达风电场杂波抑制方法
被引量：2
4
作者
何炜琨 张莹 王晓亮 李志强
机构
中国民航大学天津市智能信号与图像处理重点实验室
出处
《信号处理》
CSCD
北大核心
2022年第4期759-769,共11页
基金
国家自然科学基金项目(62141108) 中国民航大学国家自然基金配套专项项目(3122022PT22)。
文摘
风力发电迅速发展,风电场杂波使机载雷达产生大量虚假目标,导致机载雷达出现检测概率下降、虚警概率上升等问题。因此,研究机载雷达风电场杂波抑制方法对于提升机载雷达工作性能具有十分重要的意义。考虑到机载雷达风电场杂波先验信息无法实时获取、难以估计且机载雷达回波频谱更加复杂等特殊问题,本文基于低秩矩阵优化(LRMO)算法根据风电场杂波与目标微动特征随时间的不同变化特性,实现目标与风电场杂波处于不同距离单元的风电场杂波抑制。目标与风电场杂波处于同一距离单元时,考虑到LRMO算法存在的局限性,依据风电场杂波与目标的不同稀疏特性,利用形态成分分析(MCA)算法进行补充抑制风电场杂波。实验结果验证了所提方法的有效性。
关键词
机载雷达 风电场 低秩矩阵优化 形态成分分析 杂波抑制
Keywords
airborne radar wind farm low -rank matrix optimization morphological component analysis clutter suppression
分类号
TN958.3
[电子电信—信号与信息处理]
题名 基于非凸低秩优化的压缩感知植株图像重构
5
作者
沈跃 李尚龙 崔业民 朱嘉慧 刘加林
机构
江苏大学电气信息工程学院 南通广益机电有限责任公司
出处
《软件导刊》
2019年第12期173-179,共7页
基金
国家自然科学基金项目(51505195) 江苏省自然科学基金项目(BK20181443) +3 种基金 江苏省国际科技合作项目(BZ2017067) 江苏省重点研发计划项目(BE2018372) 镇江市重点研发计划项目(NY2018001) 江苏高校优势学科项目(PAPD)
文摘
目标植株图像压缩重构对于图像的高效传输及存储意义重大,同时为后期植株生长状态检测及病虫害识别奠定了基础。传统图像压缩感知方法大多是针对信号在某个特征空间的稀疏性进行的,并没有考虑信号的局部特征与结构化特性,存在重构效率不高、重构精度较低等问题。针对以上情况,提出一种基于非凸低秩优化的压缩感知植株图像重构算法。首先通过KinectV2.0采集植株图像深度数据并进行预处理,结合K-means与Mean-shift聚类算法提取目标植株有效区域,再考虑图像的非局部自相似性,采用加权lp范数最小化算法(WSNM)求解低秩优化问题,较好地保留了图像结构细节,最后采用Dog-leg最小二乘算法取代最快下降法进行迭代优化。试验结果证明,该算法在不同采样率下的植株图像重构质量优于其它同类算法,尤其在低采样率下重构效果更为突出。
关键词
压缩感知 图像重构 低秩优化 聚类算法 Dog-Leg最小二乘法 深度信息
Keywords
compressed sensing image reanstruction low rank optimization clustering algorithm Dog-Leg least squares depth information
分类号
TP317.4
[自动化与计算机技术—计算机软件与理论]
题名 l_(p)(0
6
作者
彭定涛 张弦 易守鱼
机构
贵州大学数学与统计学院 贵州省博弈决策与控制系统重点实验室
出处
《中国科学：数学》
CSCD
北大核心
2024年第8期1123-1140,共18页
基金
国家自然科学基金(批准号:12261020,11861020) 贵州省科技计划(批准号:黔科合基础-ZK[2021]一般009)资助项目。
文摘
本文研究一类低秩矩阵优化问题,其中惩罚项为目标矩阵奇异值的l_(p)(0<p<1)正则函数.基于半阈值函数在稀疏/低秩恢复问题中的良好性能,本文提出奇异值半阈值(singular value half thresholding,SVHT)算法来求解l_(p)正则矩阵优化问题.SVHT算法的主要迭代利用了子问题的闭式解,但与现有算法不同,其本质上是对目标函数在当前点进行局部1/2近似,而不是局部线性或局部二次近似.通过构造目标函数的Lipschitz和非Lipschitz近似函数,本文证明了SVHT算法生成序列的任意聚点都是问题的一阶稳定点.在数值实验中,利用模拟数据和实际图像数据的低秩矩阵补全问题对SVHT算法进行测试.大量的数值结果表明,SVHT算法对低秩矩阵优化问题在速度、精度和鲁棒性等方面都表现优异.
关键词
低秩矩阵优化问题 矩阵l_(p)正则 闭式解 奇异值半阈值算法 一阶稳定点
Keywords
low -rank matrix optimization problemmatrix l_(p) regularization closed-form solution singular value half thresholding algorithm first-order stationary point
分类号
O151.21
[理学—数学]
