版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、本文主要研究基于矩陣正則化表示的紅外目標(biāo)增強(qiáng)、圖像修復(fù)與補(bǔ)全、高光譜圖像解混等問(wèn)題。所使用的矩陣正則化表示模型主要有:矩陣低秩稀疏分解模型、矩陣調(diào)和稀疏分解模型、矩陣聯(lián)合稀疏回歸模型等。本文的主要研究?jī)?nèi)容及貢獻(xiàn)如下:
首先,根據(jù)紅外目標(biāo)檢測(cè)中的紅外圖像通常具有緩慢變化背景這一特點(diǎn),提出利用矩陣的低秩稀疏分解模型,將紅外圖像分解為背景分量和目標(biāo)分量,進(jìn)而獲得目標(biāo)增強(qiáng)圖像,并將其用于紅外目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,基于矩陣低秩稀疏分解
2、獲得的紅外目標(biāo)分量,其信雜比顯著高于原始紅外圖像的信雜比,也高于一些傳統(tǒng)目標(biāo)增強(qiáng)算法所獲得的增強(qiáng)圖像的信雜比。
其次,盡管基于全變分的小波域圖像修復(fù)方法已成為小波域圖像修復(fù)領(lǐng)域的一種重要方法,但由于需要在迭代過(guò)程中反復(fù)進(jìn)行小波變換和小波逆變換,該類(lèi)方法通常比較耗時(shí)。為此,提出基于低秩矩陣恢復(fù)的小波域圖像修復(fù)方法,該方法通過(guò)最小化小波系數(shù)矩陣的秩,直接在小波域修復(fù)受損的小波系數(shù),其迭代過(guò)程中不需要反復(fù)進(jìn)行小波變換,因而速度非???/p>
3、。實(shí)驗(yàn)結(jié)果表明,該算法運(yùn)行速度快、圖像修復(fù)效果良好?;诘椭染仃嚮謴?fù)的小波域圖像修復(fù)方法為小波域圖像快速修復(fù)提供了一種新的選擇。
再次,盡管基于矩陣低秩稀疏分解的紅外目標(biāo)增強(qiáng)方法性能良好,但由于其涉及核范數(shù)最小化,在每次迭代中,均需進(jìn)行矩陣奇異值分解,因而對(duì)較大的圖像,該算法較為耗時(shí),難以滿(mǎn)足實(shí)時(shí)性要求;而且,該算法隱含的低秩假設(shè)對(duì)一般的圖像都不成立。為此,提出一種矩陣調(diào)和稀疏分解模型及基于增廣拉格朗日交替方向的求解算法,用于
4、將紅外圖像快速分解為平滑分量和稀疏分量,其分解所得的稀疏分量可直接應(yīng)用于紅外目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,所提算法計(jì)算復(fù)雜度低,收斂速度快,對(duì)包含紅外小目標(biāo)的紅外圖像的分解效果良好。將所提算法應(yīng)用于圖像補(bǔ)全與修復(fù),其實(shí)驗(yàn)效果同樣良好。本部分內(nèi)容的主要貢獻(xiàn)在于,提出了一種新的圖像分解模型,并為其設(shè)計(jì)了一種快速求解算法,進(jìn)而通過(guò)實(shí)驗(yàn),展示了該模型及算法在多個(gè)方面的潛在應(yīng)用價(jià)值。
另外,在高光譜圖像解混方面,針對(duì)現(xiàn)有基于約束稀疏回歸的高光
5、譜圖像解混算法難以保證豐度矩陣非零行的稀疏性問(wèn)題,提出了一種新的基于重加權(quán)l(xiāng)d,1(d>0)范數(shù)聯(lián)合稀疏回歸的高光譜解混模型,并基于變量分裂和交替方向乘子法(Alternating Direction Method of Multipliers, ADMM),給出了兩種快速迭代重加權(quán)算法。區(qū)別于其他迭代權(quán)更新算法,所提算法中的改進(jìn)算法無(wú)需額外參數(shù)來(lái)保證加權(quán)矩陣的可逆性。實(shí)驗(yàn)結(jié)果表明,算法的解混精度及其所估計(jì)的豐度矩陣的一致稀疏度均高于現(xiàn)
6、有同類(lèi)算法,而且收斂速度快。
最后,考慮到高光譜圖像相鄰像元的豐度系數(shù)的局部相似性,在基于加權(quán)l(xiāng)1,1范數(shù)稀疏回歸的基礎(chǔ)上,繼續(xù)對(duì)豐度矩陣增加全變分空間正則化約束,并由此提出一種新的基于加權(quán)l(xiāng)1,1范數(shù)及全變分空間正則化的高光譜稀疏解混方法。算法中,我們使用卷積矩陣和矩陣乘法而不是卷積核和二維離散卷積運(yùn)算,來(lái)計(jì)算全變分,這使得我們的算法的推導(dǎo)變得簡(jiǎn)明。實(shí)驗(yàn)結(jié)果表明,算法解混效果較好,但其計(jì)算復(fù)雜度較高。
論文最后對(duì)本
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 正則化方法在圖像處理中的應(yīng)用.pdf
- 基于正則化的圖像去模糊方法研究.pdf
- 基于圖像先驗(yàn)?zāi)P偷恼齽t化圖像復(fù)原方法研究.pdf
- 基于混合正則化方法的圖像復(fù)原問(wèn)題研究.pdf
- 40857.基于hessian矩陣范數(shù)的正則化方法在圖像恢復(fù)中的應(yīng)用研究
- 基于正則化優(yōu)化的圖像視頻復(fù)原方法研究.pdf
- 基于正則化方法的中子圖像復(fù)原算法研究.pdf
- 基于非線性結(jié)構(gòu)張量的圖像正則化方法研究.pdf
- 基于稀疏正則化的壓縮圖像復(fù)原方法研究.pdf
- 圖的若干矩陣表示的研究.pdf
- 基于稀疏表示的紅外圖像預(yù)處理方法研究.pdf
- 基于正則化水平集方法的醫(yī)學(xué)圖像分割.pdf
- 基于正則化方法的圖像去噪模型的研究.pdf
- 基于形態(tài)學(xué)和正則化的圖像復(fù)原方法研究.pdf
- 基于雙重正則化的矩陣分解推薦算法研究.pdf
- 基于壓縮感知和正則化的ISAR圖像增強(qiáng)方法研究.pdf
- 圖上的正則化擴(kuò)散圖像分割方法研究.pdf
- 圖像復(fù)原的Bregman迭代正則化方法研究.pdf
- 基于圖像復(fù)原的一種正則化方法.pdf
- 低秩矩陣分解的正則化方法與應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論