基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用.pdf

1、壓縮感知理論的提出，使圍繞其應(yīng)用的稀疏表示及優(yōu)化理論獲得蓬勃發(fā)展，目前已經(jīng)取得了諸如單像素相機(jī)、單像素量子成像等實(shí)際系統(tǒng)。在計(jì)算機(jī)視覺(jué)感知系統(tǒng)中的各個(gè)階段也有著大量應(yīng)用，比如：圖像恢復(fù)、醫(yī)學(xué)和雷達(dá)成像、遙感、紋理和目標(biāo)分類識(shí)別、圖像分析和融合、視覺(jué)檢測(cè)跟蹤等方面。研究人員證實(shí)圖像信號(hào)在空間域或變換域具有稀疏的特性，論文以壓縮感知原理為基礎(chǔ)，結(jié)合稀疏表示及優(yōu)化理論在圖像信號(hào)處理中的優(yōu)勢(shì)，圍繞計(jì)算機(jī)視覺(jué)中的視覺(jué)感知問(wèn)題展開(kāi)研究，主要完成工作

2、及創(chuàng)新有以下幾點(diǎn)。
　?。?）圖像恢復(fù)的局部和非局部稀疏表示模型研究。目前基于稀疏表示和優(yōu)化的圖像恢復(fù)模型主要分為局部和非局部?jī)深?，也有結(jié)合局部和非局部模型的恢復(fù)方法，本文對(duì)此進(jìn)行了深入的分析和系統(tǒng)研究。針對(duì)在K-SVD方法執(zhí)行時(shí)易于陷入局部極小值問(wèn)題，提出在其稀疏表示階段，把需要貪婪追蹤方法求解的?0范數(shù)轉(zhuǎn)化為?1范數(shù)凸優(yōu)化方法中的固定點(diǎn)延拓(FPC)，進(jìn)而求解得到稀疏表示系數(shù)。對(duì)基于稀疏表示的聚類(CSR)中的雙?1范數(shù)模型求

3、解問(wèn)題，給出了新的代理函數(shù)求解方法，通過(guò)該代理函數(shù)可以直接進(jìn)行交替更新參數(shù)，并對(duì)代理函數(shù)的收斂性進(jìn)行了分析。通過(guò)優(yōu)化的迭代求解，能夠進(jìn)一步降低圖像恢復(fù)的誤差，得到較好的恢復(fù)結(jié)果。
　?。?）基于稀疏表示及優(yōu)化的圖像融合感知。圖像融合重要性不言而喻，待融合圖像在采集過(guò)程中難免會(huì)受各種退化因素干擾，希望發(fā)展在融合的同時(shí)也能去除噪聲等退化因素或者超分辨率的方法。本文提出了基于在線字典學(xué)習(xí)（ODL）的像素級(jí)圖像融合方法，采用ODL對(duì)分塊后

4、的待融合圖像進(jìn)行學(xué)習(xí)得到稀疏和冗余字典，ODL在更新字典時(shí)不需要對(duì)所有數(shù)據(jù)重新學(xué)習(xí)，適合處理大規(guī)模的數(shù)據(jù)，計(jì)算效率較高。其次在對(duì)融合圖像表示系數(shù)確定融合規(guī)則時(shí)，同時(shí)考慮稀疏表示系數(shù)的大小和信息熵，通過(guò)信息熵計(jì)算融合系數(shù)的權(quán)重，分情況討論確定融合后的系數(shù)。然后根據(jù)學(xué)習(xí)到的字典和融合系數(shù)，恢復(fù)出要融合圖像。通過(guò)對(duì)兩類模態(tài)圖像的融合實(shí)驗(yàn)表明，提出的融合框架獲得的融合圖像包含待融合圖像的顯著性特征和更豐富的信息，客觀評(píng)價(jià)指標(biāo)也較好。
　　

5、（3）基于弱稀疏約束的目標(biāo)分類識(shí)別。在基于稀疏表示的分類任務(wù)中，到底是稀疏約束對(duì)分類器性能幫助大還是協(xié)作表示的作用大的問(wèn)題。本文用稀疏性較弱的?2范數(shù)約束代替稀疏表示分類器中的?1范數(shù)約束，把它和判別模型結(jié)合在統(tǒng)一框架內(nèi)，提出了有效的用于人臉識(shí)別和目標(biāo)分類的表示模型 DCR(Discriminative and Collaborative Representation)方法。首先，DCR方法通過(guò)協(xié)作表示利用所有的訓(xùn)練樣本構(gòu)成的過(guò)完備字典

6、對(duì)測(cè)試樣本進(jìn)行表示，這種表示方式對(duì)遮擋等退化因素具有一定的魯棒性；此外，通過(guò)結(jié)合判別模型可以獲得對(duì)分類識(shí)別更多的判別信息。提出的方法有效的挖掘了樣本的相似性和鑒別性并且相對(duì)于已有方法而言獲得了較優(yōu)或相當(dāng)?shù)膶?shí)驗(yàn)性能，同時(shí)實(shí)驗(yàn)也表明重構(gòu)誤差對(duì)目標(biāo)分類的作用大于表示系數(shù)，這為探索通用的特征選擇機(jī)制提供了思路。
　　（4）基于稀疏表示和流形學(xué)習(xí)的特征降維方法研究。稀疏保留投影方法通過(guò)?1范數(shù)正則項(xiàng)最小化相關(guān)的目標(biāo)函數(shù)保留樣本數(shù)據(jù)的稀疏重建

7、關(guān)系。在此基礎(chǔ)上，本文提出了一種基于非相似度的稀疏保持投影(DSPP)方法。根據(jù)投影向量、表示系數(shù)、重構(gòu)誤差三個(gè)因素計(jì)算樣本之間關(guān)系，建立起所有樣本之間的非相似性散布矩陣。通過(guò)最大化目標(biāo)函數(shù)得到相應(yīng)的線性變換，該變換能夠在低維度空間保留原始數(shù)據(jù)空間中樣本之間的非相似性。針對(duì)保留投影過(guò)程中，直接丟棄分母中含有重要識(shí)別信息的零空間，本文結(jié)合同時(shí)對(duì)角化的思想，給出了一個(gè)直接完備的求解方案，提出的方法不存在其他降維方法中要設(shè)置鄰域大小和熱核寬度