CN106097278B - 一种多维信号的稀疏模型、重建方法和字典训练方法 - Google Patents
一种多维信号的稀疏模型、重建方法和字典训练方法 Download PDFInfo
- Publication number
- CN106097278B CN106097278B CN201610474921.0A CN201610474921A CN106097278B CN 106097278 B CN106097278 B CN 106097278B CN 201610474921 A CN201610474921 A CN 201610474921A CN 106097278 B CN106097278 B CN 106097278B
- Authority
- CN
- China
- Prior art keywords
- sparse
- dictionary
- tensor
- training
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 239000013598 vector Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于稀疏表示的稀疏重建和字典训练的技术领域,具体地涉及一种多维信号的稀疏模型、重建方法和字典训练方法。
背景技术
稀疏表示作为近年来图像视频建模的有效方法,成功地应用于诸如图像去噪、超分辨率重建、人脸识别等计算机视觉领域。传统的稀疏表示通常是将多维信号转化为一维信号,该一维信号可以由一个字典中的几个基元线性组合表示。高阶信号(图像、视频等信号)首先需要被转化为一维信号,利用一些处理向量的方法对其处理。传统稀疏表示模型的研究包括模型的建立,稀疏重建,和字典训练方法。尽管一维稀疏表示模型有效,但是由于在处理高维信号时,随之维度的增加,向量化后的一维信号是一个高维向量,在其进行处理时,需要较大维度的观测矩阵,会引起维度灾难等问题,因此存在空间存储和算法复杂度的压力。
目前的一些研究表明,在对多维信号进行处理时,保持多维信号本身的空间结构存在很多好处。针对二维图像信号,提出的二维稀疏表示模型充分利用图像内部的二维空间结构和相关性,被成功地应用于图像去噪和图像超分辨率重建。其中二维字典训练问题可以通过两阶段的块坐标松弛方法来实现。二维稀疏重建问题可以通过诸如2DSL0或2D-OMP等一维稀疏重建的拓展方法来解决,也可以利用克罗奈克积(Kronecker product)将其转化为一维稀疏重建问题,通过一些常用的一维稀疏重建方法求解。二维稀疏表示模型的采用可以大幅度地减少图像处理的时间复杂度和存储空间。但是由于需要利用一维稀疏重建方法,将二维稀疏表示模型直接推广到多维稀疏表示模型是比较困难的。
此外,张量结构也被引入到向量的稀疏表示中,用来逼近多维信号在每一个模式(方向)的结构。由于有约束的Tucker模型和张量的Kronecker表达具有等价性,同时考虑到多维稀疏特性和块稀疏特性等稀疏约束,张量可以由给定的不同方向的可分离Kronecker字典表示。相应的Kronecker OMP和N-way Block OMP方法用来解决字典给定情况下的稀疏重建问题,由于需要使用Kronecker乘积运算,这两种方法都相对比较复杂。另外,还有一类利用张量结构的模型是基于张量分解的,如PARAFAC,基于Tucker模型的张量分解;或者是张量低秩逼近,如LRTA,HOSVD,和Tensor-DL等。然而这些基于张量的方法都是对张量信号本身进行分解或逼近,目前还没有统一的框架来刻画张量的稀疏表示模型,在算法复杂度和存储空间上存在矛盾。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种多维信号的稀疏模型,其能够保证不需要采用Kronecker乘积,从而保证在算法复杂度和存储空间上都有明显的改进。
本发明的技术解决方案是:这种多维信号的稀疏模型,其为公式(1)
还提供了一种多维信号的稀疏模型的重建方法,该方法为基于张量的迭代收缩阈值方法TISTA,针对公式(3)和(2)得到公式(10)、(11)
还提供了重建方法的字典训练方法,字典训练模型为公式(13)
本发明旨在利用张量对多维信号建立一种新的稀疏表示模型,即张量稀疏表示模型,同时提出其相应的多维稀疏重建和多维字典训练方法。提出的张量稀疏表示模型能够通过字典学习得到一系列自适应的可分离字典,来更好地刻画多维信号内部每个方向的结构。本发明提出的基于最近邻方法的多维稀疏重建算法能够更进一步地降低算法复杂度。本发明通过三维多光谱图像的去噪验证了提出的张量稀疏表示模型能够大幅度地降低算法复杂度和存储空间,但是却可以获得和最先进的稀疏表示模型相当的去噪性能。因此,张量稀疏表示模型是一种更好地刻画多维信号的稀疏表达能力的方式。
附图说明
图1示出了根据本发明的基于张量的迭代收缩阈值方法的流程图;
图2示出了根据本发明的基于张量的多维字典训练方法的流程图。
图3示出了根据本发明的多光谱图像去噪的流程图。
具体实施方式
这种多维信号的稀疏模型,其为公式(1)
其中,λ是用来平衡保真度和稀疏度的。
优选地,通过松弛转化为l1约束的凸规划问题,相应的稀疏模型为公式(3)
还提供了一种多维信号的稀疏模型的重建方法,该方法为基于张量的迭代收缩阈值方法TISTA(如图1所示),针对公式(3)和(2)得到公式(10)、(11)
还提供了重建方法的字典训练方法(如图2所示),字典训练模型为公式(13)
该问题通过基于张量的迭代收缩阈值方法TISTA进行求解。
本发明旨在利用张量对多维信号建立一种新的稀疏表示模型,即张量稀疏表示模型,同时提出其相应的多维稀疏重建和多维字典训练方法。提出的张量稀疏表示模型能够通过字典学习得到一系列自适应的可分离字典,来更好地刻画多维信号内部每个方向的结构。本发明提出的基于最近邻方法的多维稀疏重建算法能够更进一步地降低算法复杂度。本发明通过三维多光谱图像的去噪验证了提出的张量稀疏表示模型能够大幅度地降低算法复杂度和存储空间,但是却可以获得和最先进的稀疏表示模型相当的去噪性能。因此,张量稀疏表示模型是一种更好地刻画多维信号的稀疏表达能力的方式。
下面更详细地说明本方法的实施例。
传统的稀疏表示模型是基于向量形式的数据进行建模和表达的。它将一维信号向量化,得到的向量形式的一维信号可以表达为一个大的字典下少量基元的线性组合。一维稀疏表示模型尽管简单,但是它忽略了多维信号的内部结构和破坏了其相关性。将多维信号转化为一维信号会生成高维信号,对于处理高维信号而言,会大大增加存储需求和计算资源。因此,本发明旨在利用张量对多维信号建立一种新的稀疏表示模型,即张量稀疏表示模型,同时提出其相应的多维稀疏重建和多维字典训练方法。提出的张量稀疏表示模型能够通过字典学习得到一系列自适应的可分离字典,来更好地刻画多维信号内部每个方向的结构。本发明提出的基于最近邻方法的多维稀疏重建算法能够更进一步地降低算法复杂度。本发明通过三维多光谱图像的去噪验证了提出的张量稀疏表示模型能够大幅度地降低算法复杂度和存储空间,但是却可以获得和最先进的稀疏表示模型相当的去噪效果。因此,张量稀疏表示模型是一种更好地刻画多维信号的稀疏表达能力的方式。
为了便于下文中公式和符号的方便理解,这里先给出些符号公式的解释。N阶张量记作N阶张量的l0,l1,lF范数分别定义如下: 其中是张量的第个元素。通过固定其他方向的索引,而遍历某一个方向(第n个方向)的索引,可以得到按第n模式方向展开的n模式向量。张量按第n模式展开得到矩阵定义为将所有的n模式向量按列排列为一个矩阵。张量与矩阵的按n模式的乘积定义为可以得到一个N阶张量它的每一个元素为可以通过公式得到。两个相同大小的张量的内积定义为它们中每一个元素对应位置相乘的和,记作符号表示克洛内克积(Kronecker乘积)。对张量向量化可以得到向量x。
针对张量的稀疏表示模型,以下从两方面稀疏重建问题和字典训练问题的来介绍本发明所提出的求解方法。
其中,λ是用来平衡保真度和稀疏度的。此外,这个l0约束的非凸优化问题,可以通过松弛转化为l1约束的凸规划问题,定义如下:
本发明提出了一种基于张量的迭代收缩阈值方法(Tensor-based IterativeShrinkage Thresholding Algorithm,TISTA)的方法来解决上述稀疏重建问题,主要是通过迭代收缩方法来实现。
具体如下,上述问题可记作:
这里的||·||表示定义在张量上的F范数,L(f)是f的Lipschitz常数,通过推导,可以得到,
表1
下面介绍本发明提出来的多维字典训练问题的方法。
该问题可以通过两阶段——稀疏重建和字典更新的分块松弛方法来迭代求解,直到达到预设的迭代终止条件为止才停止循环,例如目标函数的相对误差小于预设的误差。表2总结了基于张量的字典训练方法:
该问题可以直接通过上述本发明提出的TISTA的稀疏重建算法进行求解,而不是通过Kronecker product将其转化为一维稀疏重建问题来求解。此外,我们这里的目标函数更加灵活,可以同时求解整个训练样本集I的稀疏系数,也可以先将I分段,然后分段求解训练样本集中的稀疏系数,也可以并行计算其稀疏系数。因此,这种稀疏重建算法更加地灵活。
表2
由于在张量稀疏模型中n-mode积(n模式乘积)的可交换性,基于本发明提出的张量稀疏表示模型,每一个样本满足其中因此很容易通过按第n模式方向展开得到而不是通过利用克罗内克积Kronecker积的方式实现(根据张量运算,第n-mode展开的矩阵满足 因此,当更新字典Dn时,首先通过计算得到以实现然后按第n模式方式展开得到从而使得最后Dn可以通过解决如下的二次约束二次规划问题来求解:
为了说明本发明的有效性,本发明将提出的张量稀疏模型,以及其相应的稀疏重建方法和字典训练方法应用于多光谱图像去噪问题。
具体地,利用哥伦比亚大学的多光谱图像数据集进行测试。该图像数据集有32个真实场景,每一个场景的空间分辨率是512×512,频谱为31个谱带,谱带范围是从400nm到700nm。对多光谱图像添加不同的均方误差(σ=5,10,20,30,50)的高斯噪声后得到噪声图像,然后对噪声图像做去噪处理。本发明提出的基于张量稀疏模型的方法中,三个方向的字典D1,D2,D3的大小都是5×10,同时利用冗余离散余弦字典(Overcomplete DictionaryLearning,ODCT)进行字典的初始化,针对某一副噪声图像,从该图像中随机采样40,000块大小为5×5×5的立方体(cubes),然后通过本发明提出来的多维字典训练方法训练得到字典,通过训练得到的字典,对噪声多光谱图像采样得到的所有立方体块,利用本发明提出的多维稀疏重建方法进行稀疏系数的求解,从而重建去噪的MSI图像块,最终实现多光谱图像的去噪。其中,对应不同的均方误差σ=5,10,20,30,50,相应地控制稀疏度约束的参数λ=9,20,45,70,160。
为了验证以上多光谱图像的每一个谱带的图像的去噪效果,主要是通过峰值信噪比(Peak Signal to Noise Ratio,PSNR)度量,单位为分贝(dB)。
其计算公式如下:
两幅大小为m*n的图像的均方误差MSE的定义如下:
其中I,J分别表示原始不含噪声的图像和利用稀疏编码方法重建图像,而I(x,y),J(x,y)为对应于位置(x,y)处的像素值,则均方误差越小,则PSNR越高,则该方法的去噪效果越高。
客观质量的评判标准为结构相似度量:它是一种基于结构失真图像质量的评价方法,该方法将亮度和对比度从图像结构信息中分离,并结合结构信息对图像质量进行评价.定义了SSIM:
SSIM(i,j)=[L(i,j)]α·[C(i,j)]β·[S(i,j)]γ (18)
其中:
其中L表示亮度(Lightness),用均值(μi,μj)作为亮度的估计,C表示对比度(Contrast),用标准差(σi,σj)作为对比度的估计,而相应的协方差σij作为结构相似程度的度量。而α,β,γ是用来调整亮度,对比度和结构信息的权重,为了防止分母出现零或接近0,而产生不稳定现象,而引入了λ1,λ2,λ3。当α=β=γ=1,λ3=λ2/2时,公式简化为
由于SSIM的较好的特性:对称性,有界性,唯一性。使得它很好的反映了图像的客观质量。尤其是由于观察值在某一瞬间对某个局部区域的细节更关注些,所以图像的整体统计特征不能反映图像的特点。因此SSIM结合PSNR更能反映图像的质量。一般PSNR较大时SSIM的区分度较小,即PSNR高,SSIM也高,而在PSNR较小时,SSIM就具有较好的区分度。因此这里主要是通过PSNR和SSIM来评价超分辨图像的结果。
表3给出了多光谱图像在不同的均方误差情况下的平均峰值信噪比(PSNR)和结构相似度量(SSIM)。本发明主要和4个方法进行了比较,包括PARAFAC,Bw-KSVD,3DK-SVD和基于低秩张量逼近的方法LRTA。由表3可以看出本文的方法优于其他三种方法(PARAFAC,Bw-KSVD,3DK-SVD),与LRTA的结果相当。
表3
这里需要指出的是,在进行上述实验过程中,与基于稀疏表示的方法(Bw-KSVD,3DK-SVD)相比,本发明的字典大小是最小的。本发明的字典大小为3×5×10,其中每个方向的字典大小为5×10,而Bw-KSVD方法的字典大小分别为64×128×31,其中31副多光谱图像的每一谱带都需要一个64×128大小的字典。3DK-SVD方法所需要的字典大小是448×500,其中每一个测试的基本图像块单位为一个8×8×7的大小。因此Bw-KSVD方法和3DK-SVD方法所需字典是本发明方法字典的1693,1493倍。
此外,为了说明本发明的算法复杂度低,我们同时给出了本发明中TISTA算法和传统的一维稀疏重建方法——FISTA算法的复杂度比较。具体地,我们从一些局部的多光谱图像(Cube Size大小分别为:12×12×31,16×16×31,32×32×31)中采样一些5×5×5的立体块Cubes,Cubes的个数分别为1758,3888,21168。然后设置三个方向的字典D1,D2,D3的大小都是5×10,且都为冗余离散余弦字典(Overcomplete Dictionary Learning,ODCT)。同时设置迭代次数num=50,λ=1。由于TISTA算法可以单独考虑每一个样本的重建(single),也可以成批地考虑(Batch)或者是所有的样本(All)一起考虑。表4所示给出了求解每个集合的稀疏重建问题在不同情况下所需要的时间(秒,seconds),另外也给出了传统的FISTA方法的稀疏重建问题所需的时间。通过表4可以看出本发明提出的TISTA方法比FISTA所用的时间要少很多。因此本发明的方法在算法复杂度上有明显地提升。
表4
其中,Sτ(·)是软阈值算子,定义为sign(·)max(|·|-τ,0),而相应地,Hτ(·)是硬阈值算子,定义为max(|·|-τ,0)。
3.多维稀疏求解阶段,根据当前给定的多维字典,求解所有样本的稀疏系数。具体地,利用本发明提出的基于张量的迭代收缩阈值方法求解如下稀疏重建问题。
5.判断是否达到迭代终止条件,如1)迭代条件为迭代次数是否达到上限num,2)迭代条件为噪声误差是否达到指定值。
基于张量稀疏表示模型的多维信号去噪的实施例
1.利用含噪的多光谱图像构造待求解的多维信号,每个多维信号大小为5×5×5,共采样N块,得到待重建的多光谱图像块的集合In。
4.利用上述N个多光谱图像块重建去噪多光谱图像。
根据采样过程中的采样方式以及相应图像块的重叠方式,将目前得到的N个重建图像块重新恢复回原始图像大小,对应于有重叠的地方,则采用取平均值的操作。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (3)
1.一种多光谱图像去噪方法,其特征在于包括以下步骤:
(a)利用含噪的多光谱图像构造待求解的多维信号,每个多维信号大小为I1×I2×…×In…×IN,共采样O块,得到待重建的多光谱图像块的集合In;
(d)利用步骤(c)的O个重建图像块重建去噪多光谱图像;
(e)根据采样过程中的采样方式以及相应图像块的重叠方式,将目前得到的O个重建图像块重新恢复回原始图像大小,对于有重叠的地方,则采用取平均值的操作;
步骤(b)中,字典训练模型为公式(13)
其中是张量样本集I中所有训练样本的稀疏系数集合,为训练样本集I中对应的稀疏系数,的定义是实数域上大小为M1×M2×…×Mn…×MN×S的N+1阶张量;为待训练的可分离的字典,其中Mn为稀疏字典矩阵Dn的列数,In为稀疏字典矩阵Dn的行数,r是稀疏字典Dn的列的索引;×n表示张量按n模式的乘积;λ是用来平衡保真度和稀疏度的系数;字典训练模型公式(13)的求解通过解决稀疏重建问题和字典训练问题交替迭代来实现的,包括以下步骤:
(III)多维稀疏重建阶段,根据当前给定的多维字典,求解所有样本的稀疏系数,利用基于张量的迭代收缩阈值方法求解稀疏重建问题;
(V)判断是否达到迭代终止条件;未达到迭代条件回到步骤(III),已达到则继续下一步;
2.根据权利要求1所述的多光谱图像去噪方法,其特征在于所述基于张量的迭代收缩阈值方法,包括以下步骤:
(4)根据公式(7)计算f在最近邻点Ck-1的梯度
其中,f的定义是:输入一个张量信号以及一系列的各个方向的字典求解其稀疏系数 表示数据拟合项 写作是f在附近的进行线性化逼近,可以表达为其中为利用基于张量的迭代收缩阈值方法TISTA求解的稀疏系数时第k-1次得到的稀疏系数,k表示迭代次数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610474921.0A CN106097278B (zh) | 2016-06-24 | 2016-06-24 | 一种多维信号的稀疏模型、重建方法和字典训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610474921.0A CN106097278B (zh) | 2016-06-24 | 2016-06-24 | 一种多维信号的稀疏模型、重建方法和字典训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097278A CN106097278A (zh) | 2016-11-09 |
CN106097278B true CN106097278B (zh) | 2021-11-30 |
Family
ID=57252842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610474921.0A Active CN106097278B (zh) | 2016-06-24 | 2016-06-24 | 一种多维信号的稀疏模型、重建方法和字典训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097278B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067380B (zh) * | 2017-03-28 | 2020-04-28 | 天津大学 | 基于低秩张量和层次化字典学习的高分辨率图像重构方法 |
CN107480720B (zh) * | 2017-08-18 | 2021-02-26 | 成都通甲优博科技有限责任公司 | 人体姿态模型训练方法及装置 |
CN107561576B (zh) * | 2017-08-31 | 2023-10-20 | 中油奥博(成都)科技有限公司 | 基于字典学习正则化稀疏表示的地震信号恢复方法 |
CN108305297A (zh) * | 2017-12-22 | 2018-07-20 | 上海交通大学 | 一种基于多维张量字典学习算法的图像处理方法 |
CN111212198B (zh) * | 2018-11-22 | 2022-04-08 | 中移(杭州)信息技术有限公司 | 一种视频去噪的方法和设备 |
CN109921799B (zh) * | 2019-02-20 | 2023-03-31 | 重庆邮电大学 | 一种基于聚能量字典学习的张量压缩方法 |
CN109934178A (zh) * | 2019-03-18 | 2019-06-25 | 电子科技大学 | 一种基于Kronecker基稀疏表示的红外弱小目标检测方法 |
CN110969638B (zh) * | 2019-11-12 | 2023-09-29 | 桂林电子科技大学 | 一种基于张量的背景减除方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
CN103279932A (zh) * | 2013-06-05 | 2013-09-04 | 北京工业大学 | 一种二维合成稀疏模型和基于该模型的字典训练方法 |
CN105046672A (zh) * | 2015-06-30 | 2015-11-11 | 北京工业大学 | 一种图像超分辨率重建方法 |
-
2016
- 2016-06-24 CN CN201610474921.0A patent/CN106097278B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279932A (zh) * | 2013-06-05 | 2013-09-04 | 北京工业大学 | 一种二维合成稀疏模型和基于该模型的字典训练方法 |
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
CN105046672A (zh) * | 2015-06-30 | 2015-11-11 | 北京工业大学 | 一种图像超分辨率重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106097278A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097278B (zh) | 一种多维信号的稀疏模型、重建方法和字典训练方法 | |
Yokota et al. | Smooth PARAFAC decomposition for tensor completion | |
US11221990B2 (en) | Ultra-high compression of images based on deep learning | |
Patel et al. | Kernel sparse subspace clustering | |
Figueiredo et al. | Majorization–minimization algorithms for wavelet-based image restoration | |
Qi et al. | Multi-dimensional sparse models | |
CN107067367A (zh) | 一种图像超分辨重建处理方法 | |
Qi et al. | Using the kernel trick in compressive sensing: Accurate signal recovery from fewer measurements | |
CN112699899A (zh) | 一种基于生成对抗网络的高光谱图像特征提取方法 | |
CN111640059B (zh) | 基于高斯混合模型的多字典图像超分辨方法 | |
CN113205449A (zh) | 表情迁移模型的训练方法及装置、表情迁移方法及装置 | |
Yger et al. | Supervised logeuclidean metric learning for symmetric positive definite matrices | |
CN105513033A (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
Qi et al. | Two dimensional synthesis sparse model | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
Silva et al. | Efficient separable filter estimation using rank-1 convolutional dictionary learning | |
Zhang et al. | Tensor Recovery Based on A Novel Non-convex Function Minimax Logarithmic Concave Penalty Function | |
Yao | A compressed deep convolutional neural networks for face recognition | |
Liu et al. | Hyperspectral image classification based on extended morphological profile features and ghost module | |
CN113554569A (zh) | 基于双记忆字典的人脸图像复原系统 | |
Chen et al. | Tensor network for image classification | |
CN112966753A (zh) | 一种基于熵稳定约束的自动数据降维方法 | |
Luo et al. | Convolutional Laplacian sparse coding | |
CN111475768A (zh) | 一种基于低相干单位范数紧框架的观测矩阵构造方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |