检索结果-南通市图书馆

作者：汤倩长沙理工大学

学位级别：硕士

传统基于稀疏表示的去噪模型中字典的构造通常采用固定变换基或多种变换基级联的方法,然而,有限的固定变换基并不能高效的表示自然图像中的各种结构特征。字典的学习方法提高了字典的表示能力,学习字典中的原子更符合图像的内部结构,同... 详细信息

传统基于稀疏表示的去噪模型中字典的构造通常采用固定变换基或多种变换基级联的方法,然而,有限的固定变换基并不能高效的表示自然图像中的各种结构特征。字典的学习方法提高了字典的表示能力,学习字典中的原子更符合图像的内部结构,同时,该类字典也保证了基于字典上稀疏重构的高效性和稳健性。从超完备的原子空间中选择出一组最稀疏的原子组合来最佳的逼近原始图像是一个NP-hard问题,通常采用计算复杂度较低的贪婪追踪算法。但是,其在自适应稀疏度估计和回溯优化的原子选择策略上却不能达到很好的平衡和统一。为此,本论文的主要创新成果有：1.针对固定字典下稀疏分解在图像去噪过程中缺乏自适应稀疏度估计和回溯优化等问题,采用K奇异值分解(K-singular Value Decomposition, K-SVD)方法,根据带噪图像学习出符合图像内部结构特性的超完备字典。同时,在K-SVD学习字典下,利用自适应稀疏度的匹配追踪(Sparsity Adaptive Matching Pursuit, ASMP)方法自适应估计图像的稀疏度,并对原子进行回溯优化选择。算法不仅改善了固定字典的表示性能,同时减少了图像稀疏度人为设定的盲目性又提高了算法鲁棒性。实验表明,与传统的稀疏分解去噪算法相比,基于K-SVD和ASMP的数字图像稀疏去噪算法能获得更高的峰值信噪比。2.在K-SVD学习字典的基础上,采用基于回溯自适应的正交匹配追踪(Backtracking-based Adaptive Orthogonal Matching Pursuit, BAOMP)分解算法,该算法在原子选择和支撑集优化过程中更为简单灵活,根据当前相似度最大原子的幅值来选择和删除原子,克服了ASMP算法中噪声对稀疏度估计的影响,且避免了多次循环迭代产生的时间开销。实验结果表明,基于K-SVD学习字典上的BAOMP分解去噪算法不仅改善了K-SVD和ASMP算法的去噪性能,同时减小了去噪的运行时间。综上所述,本文算法在数字图像去噪中具有优异的性能,不仅改善了传统字典的表示性能,优化了字典中的原子结构,使得基于字典上的稀疏分解能快速的匹配出最佳的一组原子来逼近原始图像,达到去噪的目的。同时,在图像稀疏度未知的情况下,通过逐次逼近和回溯优化的方法,增强了算法的鲁棒性,提高了去噪后图像的峰值信噪比。

关键词：稀疏去噪 K-SVD字典学习贪婪追踪 ASMP算法 BAOMP算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

分布式压缩感知的重构算法研究

分布式压缩感知的重构算法研究

作者：刘芳燕山大学

学位级别：硕士

压缩感知是近年来提出的一种基于信号稀疏性的新型采样理论。该理论已被证明可以用远少于奈奎斯特采样定理所需的采样点数重构出原信号，而建立在压缩感知基础上的分布式压缩感知同时利用了信号内部和信号之间的相关性，进一步降低了准... 详细信息

压缩感知是近年来提出的一种基于信号稀疏性的新型采样理论。该理论已被证明可以用远少于奈奎斯特采样定理所需的采样点数重构出原信号，而建立在压缩感知基础上的分布式压缩感知同时利用了信号内部和信号之间的相关性，进一步降低了准确重构所需的采样点数，它的出现为多传感器数据融合的研究提供了新思路。本文针对多信号的联合重构问题，对分布式压缩感知的重构算法进行研究。首先，针对混合支撑集模型，提出了联合向前正交匹配追踪算法。该算法首先在向前正交匹配追踪算法的基础上，将估计的公共部分支撑作为初始支撑集并相应地改变初始残差;然后将各传感器所估计的支撑集中出现频率最高的支撑作为公共部分的支撑集，并在此基础上利用改进的向前正交匹配追踪算法重构各自的特有部分。实验结果表明了算法的有效性。其次，针对多观测向量问题，提出了多观测向量迭代融合贪婪追踪算法。首先在向前向后追踪算法的基础上，改变原子的选择方法得到了多观测向量向前向后追踪算法;然后引入融合的思想，融合多观测向量正交匹配追踪算法和多观测向量向前向后追踪算法的估计信息来确定每次迭代估计的支撑集;最后实验结果证明了算法的有效性。最后，针对A*正交匹配追踪算法计算复杂度高且不能利用信号的结构稀疏性这一缺陷，提出了多观测向量块A*正交匹配追踪算法。该算法用原子块取代单个原子并以与残差矩阵投影误差最小为原则选择新的节点，在计算路径代价时用搜索树中所有路径的最大长度取代信号的稀疏度。实验部分利用该算法对相邻区域内的多个传感器温度信号进行联合重构，达到了很好的重构效果。

关键词：分布式压缩感知联合稀疏联合重构多观测向量问题贪婪追踪多传感器数据融合块稀疏

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于过完备字典表示的稀疏分解算法研究

基于过完备字典表示的稀疏分解算法研究

作者：周飞飞南京邮电大学

学位级别：硕士

稀疏表示是大数据处理和分析的一个重要研究课题,构建过完备字典实现稀疏分解是稀疏表示理论研究的一个重要分支,能够以较少的非零元素有效提取信息最本质特性,大大减少了数据的处理量。本文主要研究基于过完备字典表示的稀疏分解算法,... 详细信息

稀疏表示是大数据处理和分析的一个重要研究课题,构建过完备字典实现稀疏分解是稀疏表示理论研究的一个重要分支,能够以较少的非零元素有效提取信息最本质特性,大大减少了数据的处理量。本文主要研究基于过完备字典表示的稀疏分解算法,创新成果如下:(1)提出了模糊裁剪阈值稀疏度自适应匹配追踪(Fuzzy Pruning Threshold SAMP,FPTSAMP)算法。首先在SAMP算法中加入裁剪阈值和停止阈值,获得裁剪阈值稀疏度自适应匹配追踪(Clipping Threshold SAMP,CTSAMP)算法,然后在CTSAMP算法中增加模糊预处理机制,得到FPTSAMP算法。解决了SAMP算法迭代时原子候选集成倍递增,浪费存储空间,初选侯选原子集相关性弱的问题,并理论上证明了算法的可行性。仿真实验表明,新算法节省原子选取空间,缩短迭代时间,而且对图像的稀疏表示性能明显提高。(2)提出了基于QR分解随机双侧投影(QR-K Random Bilateral Projection,QR-KRBP)字典学习算法。该算法引入QR分解和随机双侧投影策略实现强制模式转换,同时采用良好的低秩近似方法得到误差矩阵低秩逼近。弥补了K-SVD算法奇异值分解步骤仅使用最大奇异值及对应的奇异向量,舍弃其余的缺陷,减少了计算复杂度,并理论上证明了算法的有效性。仿真实验表明,新算法不仅运算时间下降,而且对视频帧的稀疏表示有更高性能。(3)提出了广义稀疏贝叶斯学习KSVD(Generalized Sparse Bayesian Learning-KSVD,GSBL-KSVD)字典学习算法。先使用最大期望算法最大化参数的似然函数,而后通过损失函数确定参数选取,最终引进矩阵的广义逆进行计算。消除了信号原子被稀疏贝叶斯学习KSVD(Sparse Bayesian Learning-KSVD,SBL-KSVD)字典学习算法稀疏表示后不够稀疏和不收敛的影响,降低了算法复杂度,并理论上证明了算法的可行性。仿真实验表明,新算法得到的稀疏学习模型性能优良,相比于其他优化算法的稀疏能力更高效。

关键词：过完备字典稀疏分解贪婪追踪 K-SVD 稀疏贝叶斯学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

分布式压缩感知联合重建算法的研究

分布式压缩感知联合重建算法的研究

作者：候肖兰燕山大学

学位级别：硕士

压缩感知是一种新型的信号采样理论,利用信号的稀疏性,在对信号采样的同时对数据进行了压缩。分布式压缩感知建立在压缩感知理论基础之上,在利用信号内部相关性的同时,利用了信号之间的相关性,将单个信号的压缩与重构扩展到多个信号,实... 详细信息

压缩感知是一种新型的信号采样理论,利用信号的稀疏性,在对信号采样的同时对数据进行了压缩。分布式压缩感知建立在压缩感知理论基础之上,在利用信号内部相关性的同时,利用了信号之间的相关性,将单个信号的压缩与重构扩展到多个信号,实现了多信号的分布式压缩与联合重构。本文研究分布式压缩感知的联合重构,主要进行了以下几方面的研究工作。首先,针对分布式压缩感知的混合支撑集模型,设计了联合向前变步长正交匹配追踪算法,在信号重构过程中根据相邻次迭代重建信号的能量差,自适应地对向前参数进行动态调整,在信号重建精度与算法运行时间之间取得平衡。进而,在联合向前变步长正交匹配追踪算法的基础上,设计了联合向前向后的变步长正交匹配追踪算法,有效降低了原子误选的几率,提高了信号重建的精度。然后,针对多路径匹配追踪算法无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题,设计了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。该算法以原子块作为路径扩张的节点,在一定迭代层数后引入树枝修剪操作,极大地降低了数据运算量。进而,针对多观测向量问题,设计了多观测向量块剪枝多路径匹配追踪算法,用以实现无线传感器网络小范围内多传感器信号的联合重构。实验结果表明本文提出的算法在重构效果和运行时间上具有优越性。最后,面向分簇无线传感器网络研究层次化分布式压缩感知。建立块稀疏簇内联合稀疏模型,联合描述簇内成员采集数据的时间相关性与空间相关性;建立块稀疏簇间联合稀疏模型,描述同一监测区域内各簇采集数据的空间相关性。基于分簇无线传感器网络采集信号的结构化稀疏特性,设计层次化观测方案以及分级联合重构方案。仿真实验结果表明了该方案在保证重建新号质量的同时,能够有效减少网络中传输的数据量,减少簇头的通信负担。

关键词：分布式压缩感知联合重构贪婪追踪多观测向量块稀疏无线传感器网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于压缩感知的图像重构算法研究

基于压缩感知的图像重构算法研究

作者：万海鹏电子科技大学

学位级别：硕士

随着人们对高清图像需求的爆发式增长,压缩感知(Compressive Sensing,CS)理论可以有效降低系统对采样率和通信带宽的要求,因而得到了广泛的应用。重构算法作为CS理论中最核心的部分,负责对欠采样信号求解给定稀疏基下的最稀疏表达。CS... 详细信息

随着人们对高清图像需求的爆发式增长,压缩感知(Compressive Sensing,CS)理论可以有效降低系统对采样率和通信带宽的要求,因而得到了广泛的应用。重构算法作为CS理论中最核心的部分,负责对欠采样信号求解给定稀疏基下的最稀疏表达。CS重构算法中的贪婪类算法实现简单且易于硬件定制化,然而在面对一些复杂场景时暴露出重构速度慢、精度低的缺点,针对这些问题,本文对其进行了研究和改进,取得的成果如下:在处理高清图像生成的大规模矩阵时,子空间追踪法(Subspace Pursuit,SP)中使用的最小二乘法计算复杂度极高,严重限制了重构算法的运算速度。本文设计了一种基于共轭梯度法改进的子空间追踪重构法(Subspace Pursuit via Conjugate Gradient Method,SPCGM)。在常见的迭代求解的最小二乘法中,共轭梯度法具有明显的速度优势。考虑到SP算法中每轮迭代都可以独立的计算出一个完整的估计值,所以改进的算法使用迭代求解的最小二乘法并利用上一轮的信号估计值作为初值加速本轮迭代。实验结果表明,改进后的算法可以在不降低重构精度的前提下,获得比SP算法快的计算速度。针对传统的压缩感知贪婪类重构算法在处理CT等对比度高、纹理丰富的医学图像时重构精度较差的问题,本文设计了一种基于重整形和共轭梯度迭代法的贪婪追踪重构算法(Greedy Pursuit via Rectification and Conjugate Gradient Method,GPRCGM)。该算法主要包含预筛选部分和重整形部分,在预筛选部分中通过阈值添加更多的候选原子以增强对原子的命中率,在重整形部分中对候选原子进行筛选并使用共轭梯度法加速迭代,后者可以弥补前者在极端情况下发生退化带来的不良影响。实验表明,与主流压缩感知贪婪类重构算法相比,该算法的重构成功率和峰值信噪比均得到了提升,特别是在压缩率较低时表现更为突出。

关键词：压缩感知图像重构共轭梯度子空间追踪贪婪追踪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏表示的高光谱遥感图像分类

基于稀疏表示的高光谱遥感图像分类

作者：闫永帅电子科技大学

学位级别：硕士

近年来，稀疏表示已成为图像处理和模式识别研究领域的一个热点。稀疏表示的重要理论已经应用到遥感图像研究，特别是高光谱遥感图像处理方面。高光谱遥感图像通过的丰富光谱信息具有更强的分辨能力。同时，高光谱数据由于光谱丰富带来... 详细信息

近年来，稀疏表示已成为图像处理和模式识别研究领域的一个热点。稀疏表示的重要理论已经应用到遥感图像研究，特别是高光谱遥感图像处理方面。高光谱遥感图像通过的丰富光谱信息具有更强的分辨能力。同时，高光谱数据由于光谱丰富带来了很多复杂的因素，如维数灾难，数据的不确定性和小样本问题等。而稀疏表示在处理高维数据中具有一定的优势。稀疏表示不需对数据的分布特征进行统计假设，并且在稀疏模型中可以根据不同情况添加不同的约束条件，使其具有更大的灵活性。本文主要将稀疏表示理论应用到高光谱遥感图像分类研究中。采用航拍OMIS-I和星载Hyperion两类高光谱遥感图像进行稀疏表示方法的分类实验，并与支持向量机（Support Vector Machine, SVM）分类方法进行对比，验证稀疏表示应用于高光谱遥感图像分类的有效性。论文的主要研究内容如下：（1）首先研究分析了稀疏表示理论和方法，建立稀疏表示方法应用于高光谱遥感图像分类的稀疏表示模型。选取样本构建字典，未知像元通过字典进行稀疏表示，最后对稀疏结果进行各类别冗余计算，确定未知像元所属类别。通过与SVM方法对比，证明了在高光谱遥感图像分类中稀疏表示方法优于传统SVM方法。（2）对稀疏模型中稀疏重构算法进行了研究分析。稀疏重构主要采用贪婪追踪算法、平滑约束模型和联合稀疏模型，主要包括正交匹配追踪（OrthogonalMctching Pursuit, OMP）、子空间追踪（Subspace Pursuit, SP）、平滑正交匹配追踪（Smooth Orthogonal Mctching Pursuit, S-OMP）、平滑子空间追踪（Smooth SubspacePursuit, S-SP）、联合正交匹配追踪（Simultaneous Orthogonal Mctching Pursuit,SOMP）和联合子空间追踪（Simultaneous Subspace Pursuit, SSP）。实验结果证明了采用稀疏表示方法均比传统SVM方法精度高。在稀疏表示方法中采用OMP算法效果比SP算法好，但SP复杂度比OMP算法低，运行效率高;考虑上下文关系的平滑约束（S-OMP、S-SP）和联合稀疏（SOMP、SSP）比基于单像元分类（OMP、SP）效果好;采用平滑约束算法和联合稀疏分类效果相差不大，但联合稀疏算法复杂度要比平滑约束要低很多。以OMSI-I数据分类总体精度为例：SVM算法为86.32%，OMP算法为92.51%，SP算法为89.56%，S-OMP算法为93.43%，S-SP算法90.82%，SOMP算法为93.17%，SSP算法为90.84%。（3）研究分析了稀疏模型中稀疏字典构建方法，主要采用采样样本集和K-SVD算法构建稀疏过完备字典。实验结果证明了采用K-SVD算法构建稀疏过完备字典的稀疏表示方法比直接采样样本集效果好。以采用K-SVD算法的OMSI-I数据分类的总体精度为例：OMP算法为93.03%，SP算法为91.95%，S-OMP算法为94.67%，S-SP算法为92.09%，SOMP算法为96.45%，SSP算法为92.31%。

关键词：高光谱图像分类稀疏表示贪婪追踪过完备字典