基于原子加权稀疏表示的图像融合算法

图像融合一直以来都是图像处理与机器视觉领域中极其重要的研究方向,而稀疏表示(Sparse Representation,SR)是当前应用最为广泛的图像表示理论之一.针对传统的基于稀疏表示的图像融合策略对超完备字典信息利用不足的问题,提出了基于原子加权稀疏表示(Atom?weighted Sparse Representation,AWSR)的图像融合算法.首先,利用超完备字典对源图像进行稀疏域分解,得到稀疏系数向量;然后,基于超完备字典的信息表达特性构造权向量,并对稀疏系数向量进行加权;最后,基于原子加权融合系数,并结合稀疏系数向量及超完备字典完成源图像的融合.基于六种融合图像质量客观评价指标的对比实验证明了本文方法的融合质量优于传统的基于稀疏表示的图像融合算法,验证了该加权策略能够有效提升图像融合系统的抗噪性和鲁棒性.     

引入稀疏原子特征融合的滑动轴承摩擦故障状态监测

从信息融合理论出发，将特征的稀疏表达作为特征融合参数，提出一种结合K奇异值分解(KSVD）和最大相关最小冗余准则(mRMR）的轴承摩擦故障特征融合算法。该算法采用KSVD对信号稀疏化，将稀疏系数对应的字典原子作为特征融合的参数，用以表达非线性故障信息；针对字典原子集的优化选择问题，基于互信息的mRMR提出一种确定最优原子集的原子数目的准则；最后，通过最大化原则融合稀疏系数，提取故障状态监测的有效信息。轴承摩擦故障模拟实验的结果表明，所提方法能够更好地融合不同特征的故障信息，相比于单特征和其他融合特征方法，提高了约12%的故障识别率。      

基于迁移学习的SAR目标超分辨重建

针对合成孔径雷达(SAR)目标超分辨重建问题,提出了一种基于迁移学习的超分辨方法。在光学图像梯度域中联合训练超完备字典与稀疏编码映射,利用半耦合字典联系SAR图像与光学图像,寻找SAR图像在半耦合字典下的稀疏编码,并在高分辨率字典下完成重建。结合SAR图像的先验信息,使用正则化方法对SAR目标进行特征增强。所提方法在TerraSAR-X数据和MSTAR数据上进行了仿真实验,重建结果表明,相比目前的插值方法和稀疏表示方法,所提方法空间分辨率可提高0.5~1.5个像素。正则化增强结果表明,引入稀疏先验的正则化增强能够进一步提高空间分辨率并抑制杂波比,最后分析了正则化参数的选取对图像质量的影响。     

基于协方差矩阵高阶幂的二维DOA估计新算法

 针对稀疏分解方法进行均匀圆阵(UCA)的二维波达方向(DOA)估计运算复杂度大的问题,提出了一种基于协方差矩阵高阶幂稀疏分解的二维DOA估计新算法。该算法首先利用协方差矩阵高阶幂无需进行特征值分解和信源数估计的特性,构建了协方差矩阵高阶幂的稀疏分解向量;然后运用粒度分层思想,构造了粗区域估计和细方位估计的分层多粒度的快速分解模型,分层字典的长度大大减少,在保持估计精度的前提下,算法运算时间远小于现有的恒定冗余字典的稀疏分解方法,从而解决了基于稀疏分解的圆阵二维DOA估计问题。论文提出的算法与二维MUSIC算法相比,估计精度高,且能满足对相干信号的估计。仿真结果验证了算法的有效性和可行性。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。     

基于NSCT与PCNN的图像融合

针对非下采样Contourlet变换(NSCT)变换的平移不变性、多尺度性和多方向等特点,结合脉冲耦合神经网络(PCNN)的全局连接性和神经元的脉冲同步性,提出基于NSCT变换区域特征与脉冲耦合神经网络相结合的图像融合方法。首先对待融合图像进行多尺度、多方向的分解,低频系数采用区域能量融合规则,高频系数作为脉冲耦合神经网络的输入,最后对融合后的系数经过NSCT逆变换得到融合图像。实验结果表明,融合结果在主观和客观评价上均优于其他对比方法。     

基于弹性网稀疏编码的空间目标识别

 传统的特征袋(BoF)模型在目标识别过程中假设每个局部特征点只关联特征词典中一个视觉单词。此外,l₁范数约束下的稀疏编码对于具有较强成对相关性的特征通常只选择一个特征,而不关注哪一个特征被选择。本文提出一种基于弹性网稀疏编码的特征袋模型。该模型利用尺度不变特征变换(SIFT)特征描述子构建特征字典,再通过弹性网回归模型求解每个描述子所对应的稀疏系数向量,最后将目标图像内的稀疏系数向量合并用于分类。与传统的特征袋模型和基于l₁范数稀疏编码的特征袋模型相比,该模型有较好的识别性能,并对视角变化具有较强的鲁棒性。在空间目标图像数据库上的实验验证了该模型的有效性。     

基于NSCT变换和PCA的图像融合算法

针对小波变换与Contourlet变换的不足,提出了一种将非下采样Contourlet 变换与主成分分析相结合的图像融合算法。对已配准好的融合源图像作NSCT分解,采用PCA加权融合规则对低频系数处理,采用边缘强度最大的规则对各高频子带系数作融合处理,分别得到融合图像的变换系数,对该系数经NSCT逆变换重构得到融合图像。实验结果表明,算法有效地融合了源图像中的重要信息,融合图像边缘、纹理、细节清晰,得到较好视觉效果和较优的评价指标。     

基于Contourlet变换的图像去噪算法

针对小波变换不能有效地表示图像纹理和轮廓的缺陷,本文重点研究了基于Contourlet变换的图像去噪算法。首先对图像进行Contourlet变换,得到能量集中分布的变换系数,再对变换后的系数应用Bayes-Shrink去噪方法进行降噪处理,并分别比较了运用硬阈值方法和软阈值方法的处理效果。结果表明:基于Contourlet变换的图像去噪算法在峰值信噪比(PSNR)效果和去噪质量上都优于小波变换。     

一种局部自适应内窥镜图像降噪模型

在内窥镜图像处理中,如何消除图像中的噪声一直是个热点问题。由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,二进小波变换的图像去噪效果会好于小波级数变换的图像去噪效果。基于这个思想,文章从二进小波理论入手,提出一种自适应二进小波去噪模型,简称ADWD。该方法利用图像信息、噪声信息与小波系数之间的关系,采用局部自适应的方法识别噪声像素,避免了直接确定噪声门限的困难。实验结果及分析表明该方法对Gaussian噪声和Pepper噪声均有较高的信噪比,且对图像的细节有较好的保持能力。     

Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning

Impulse components in vibration signals are important fault features of complex machines. Sparse coding(SC) algorithm has been introduced as an impulse feature extraction method, but it could not guarantee a satisfactory performance in processing vibration signals with heavy background noises. In this paper, a method based on fusion sparse coding(FSC) and online dictionary learning is proposed to extract impulses efficiently. Firstly, fusion scheme of different sparse coding algorithms is presented to ensure higher reconstruction accuracy. Then, an improved online dictionary learning method using FSC scheme is established to obtain redundant dictionary and it can capture specific features of training samples and reconstruct the sparse approximation of vibration signals. Simulation shows that this method has a good performance in solving sparse coefficients and training redundant dictionary compared with other methods. Lastly, the proposed method is further applied to processing aircraft engine rotor vibration signals. Compared with other feature extraction approaches, our method can extract impulse features accurately and efficiently from heavy noisy vibration signal, which has significant supports for machinery fault detection and diagnosis.     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法。首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习。其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复杂度。此外,设计了一种基于融合系数最大绝对值的融合规则,并根据过完备字典和融合后的局部约束线性系数实现融合图像的重建。最后,利用圆周滤波器提取舰船图像的候选区域。大量试验结果表明,在融合图像质量方面,所提方法在保留高频细节的同时将图像中的舰船目标有效增强了,MI、Q_w、Q^AB/F等客观评价指标优于同类算法;在实时性方面,所提算法的计算速度相比于采用匹配追踪算法的图像融合方案有明显提升。     

基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理（STAP）是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习STAP方法。     

风电场雷达杂波动态重构抑制方法

随着风电场的大范围建设，风轮机杂波对雷达的干扰问题日益严重，常规杂波抑制方法难以有效解决风轮机杂波（WTC）干扰问题，因此提出了一种利用动态字典对风轮机杂波进行稀疏重构进而抑制的方法。首先，建立了WTC干扰下的雷达信号模型并分析了风轮机杂波的信号特征。其次，依据WTC的时频特征提出了一种微动参数粗估计方法，利用粗估计结果缩小了字典稀疏重构参数范围，在此基础上利用正交匹配追踪（OMP）算法对字典进行动态生成，并逐级更新字典原子。最后，通过动态字典对风轮机杂波信号进行稀疏重构，从而实现了对WTC的有效抑制。通过仿真实验，分析了风轮机杂波对目标检测的干扰影响，验证了基于动态稀疏重构的风电场杂波抑制方法在不同情况下的有效性。     

基于区域分割的红外与可见光图像融合算法的研究(英文)

由于红外图像和可见光图像的成像特点不同,因此在航空监视领域红外图像和可见光图像融合有重要的研究意义。由于非下采Contourlet变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能,能有效的提取图像的特征信息。因此我们在非下采Contourlet域,以空间频率为度量标准对红外图像进行阈值分割,经过分割将红外图像和可见光图像分别划分为目标区域以及背景,随后对红外图像和可见光图像进行边缘检测从而得到边缘区域,针对三个不同区域分别选择不同的融合规则进行融合。通过两组不同灰度差异的红外与可见光图像的实验,将基于像素点,窗口策略的融合算法和本文所提出基于区域算法进行了主观和客观的对比,试验结果表明基于区域分割的红外与可见光图像融合算法不仅能有效提取出红外图像中的目标信息还能有效的保持可见光图像的所反映的光谱信息,因此本文提出的算法是一种有效且可行的图像融合算法。     

基于稀疏分解的空间目标双基地ISAR自聚焦算法

空间目标双基地逆合成孔径雷达（ISAR）成像中,双基地角时变会造成二维图像的散焦。针对此问题,在三大同步理想可实现的条件下,以平稳空间目标为研究对象,分析了空间目标双基地ISAR成像原理,研究了双基地角时变对二维图像散焦的影响机理,提出了利用稀疏分解实现高精度自聚焦的算法。首先,将半双基地角的余弦进行泰勒展开;其次,结合目标的平动及转动条件,将成像相位项用多项式建模;然后,利用稀疏分解算法估计多项式的二次项系数,据此构建补偿项完成相位补偿。算法利用L-曲线准则选取正则参数,基于目标尺寸的先验信息构建冗余基的高分辨因子,利用推广的正则化欠定系统聚焦求解（FOCUSS）算法实现稀疏表示系数的估计,在恰当选取词典分辨率的条件下,算法可实现二次相位项的精确补偿,仿真实验验证了算法性能优于常用的非参数化自聚焦算法。     

基于方向可控金字塔的图像融合算法

为克服传统正交小波变换在进行图像融合时存在的不足,提出了一种基于方向可控金字塔的图像融合算法。首先对待融合图像进行方向可控金字塔分解,对分解后的低频分量采用平均和选择相结合的方法进行融合,对各方向的高频分量则使用像素绝对值选大的规则进行融合,最后对融合后的低频分量和高频分量进行方向可控金字塔重构得到融合图像。仿真试验表明算法能够得到质量较高的融合图像,同时,熵、平均梯度和空间频率等客观评价指标也较平均法和基于小波变换的图像融合算法有所提高,是一种有效的图像融合算法。