导读:本文包含了图像稀疏分解论文开题报告文献综述及选题提纲参考文献，主要关键词:彩色图像,图像去噪,本征图像分解,稀疏表示
图像稀疏分解论文文献综述
谢斌,黄安,黄辉[1]（2019）在《本征图像分解的稀疏表示彩色图像去噪算法》一文中研究指出为解决传统彩色图像去噪算法容易出现细节模糊、伪色彩及去噪效果不佳等问题,文中提出了一种基于本征图像分解的稀疏表示彩色图像去噪算法。利用本征图像分解良好的色彩保持和细节恢复等优点,将含噪彩色图像分解成反映图像真实颜色特征的反射率部分和反映图像亮度特征的光照率部分。一方面,反射率部分仅含有部分孤立噪声点且是具有分段平滑特性的彩色图像,因此文中采用在去除彩色图像轻度污染方面表现良好的基于稀疏表示的彩色图像去噪算法对其进行处理。另一方面,光照率部分包含了主要噪声成分且是具有较强稀疏性的灰度图像,因此文中采用能够保持图像细节的非局部集中稀疏表示灰度图像去噪算法对其进行处理。为了有效地求解所提算法,文中结合正交匹配追踪法和软阈值法设计了一种新的数值解法。数值实验结果表明,新算法明显优于经典的彩色图像去噪算法。以256×256的Boat图像为例,在噪声方差等于20时,新算法的PSNR值比K-SVD算法和NCSR算法分别提高了1.7dB和0.67dB,SSIM值比K-SVD方法和NCSR算法分别提高了0.11和0.09。文中所提算法在提高彩色图像去噪效果的同时能够有效地保留图像细节,在视觉效果和客观评价指标等方面均优于传统的ROF算法、K-SVD算法和NCSR算法。(本文来源于《液晶与显示》期刊2019年11期）
王雪,靳伍银[2]（2019）在《基于矩阵低秩稀疏分解的图像去噪算法》一文中研究指出为解决传统图像去噪方法存在的纹理失真、边缘模糊等问题,基于矩阵低秩稀疏分解理论,改进低秩矩阵恢复去噪时对于高斯噪声约束的不足,提出一种局部图像块正则的模型,采用非精确增广拉格朗日乘子法(IALM)对该模型进行求解。实验结果表明,与低秩矩阵恢复去除图像噪声相比,该算法对于高斯白噪声和脉冲噪声的混合噪声模型去噪效果更优。(本文来源于《计算机工程与设计》期刊2019年10期）
王丽,王威[3]（2019）在《基于冗余字典的高光谱图像稀疏分解研究》一文中研究指出高光谱图像的稀疏分解能得到其稀疏表示形式,便于对图像进行压缩处理。因高光谱图像特征复杂,单一正交基无法捕捉到图像信号的所有特征,需构建原子个数更多的冗余字典对高光谱图像进行稀疏表示。针对高光谱图像,以高斯原子为基础,构造叁种冗余字典,利用正交匹配追踪算法找到最优原子,完成高光谱图像的稀疏分解,利用重构图像的峰值信噪比、结构相似性和计算效率对冗余字典的稀疏表示能力进行评价。实验结果表明,构造的叁种冗余字典均能对高光谱图像进行稀疏表示,重构图像的峰值信噪比均能达到40 dB以上,结构相似性达到0.99以上,且高斯字典的计算效率最高。(本文来源于《电子设计工程》期刊2019年10期）
潘悦,靳展,石翠萍,滕晓雪,井贺然[4]（2019）在《基于稀疏张量分解的高光谱图像压缩》一文中研究指出针对高光谱图像带来的大量数据存储和传输的问题,本文提出了一种基于稀疏张量分解的高光谱图像压缩方法。首先,将高光谱图像作为叁阶张量进行分析。其次,通过核心张量和压缩比的关系进行张量分解。最后,对数据进行稀疏编码处理。实验结果证明本文方法相对于现有方法来说,重构图像可以获得更高的信噪比,压缩时间更短,具有更好的压缩效果。(本文来源于《科学技术创新》期刊2019年04期）
戚余斌,郁梅,姜浩,邵华,蒋刚毅[5]（2019）在《基于张量分解和卷积稀疏表示的多曝光图像融合》一文中研究指出针对多曝光图像融合中存在细节丢失和颜色失真等问题,本文提出了一种基于张量分解和卷积稀疏表示的多曝光图像融合方法。张量分解作为一种对高维数据低秩逼近的方式,在多曝光图像特征提取方面有较大的潜力,而卷积稀疏表示是对整幅图像进行稀疏优化,能最大程度地保留图像的细节信息。同时,为了避免融合图像出现颜色失真,本文采取亮度与色度分别融合的方式。首先通过张量分解得到源图像的核心张量;然后在包含信息最多的第一子带上提取边缘特征;接着对边缘特征图进行卷积稀疏分解,继而利用分解系数的L1范数来得到每个像素的活跃水平;最后用"赢者取全"策略生成权重图,从而加权得到融合后的亮度分量。与亮度融合不同的是,色度分量则采用简单的高斯加权方式进行融合,在一定程度上解决了融合图像的颜色失真问题。实验结果表明,所提出的方法具有良好的细节保留能力。(本文来源于《光电工程》期刊2019年01期）
张凯[6]（2018）在《基于稀疏矩阵分解的遥感图像融合》一文中研究指出目前,我国对地观测遥感卫星已迎来密集发射期,各类高分辨率遥感图像正在被广泛应用于现代农业、防灾减灾、资源调查、环境保护和国防安全等领域。然而,由于卫星传感器的硬件技术和发射成本的限制,传感器的空间分辨率与时间分辨率、光谱分辨率、扫描幅宽等存在的固有矛盾,使得遥感卫星无法同时获取高空间分辨率和高光谱分辨率的图像。例如,全色图像虽然包含一个波段,但是其空间分辨率很高。而多光谱图像空间分辨率较低,但是其由多个波段组成。高光谱图像则包含几百甚至上千个波段,能够提供丰富的光谱特征,但是其空间分辨率很低。因此,为了获得多属性的高分辨率遥感图像,研究人员采用图像融合技术综合利用多源遥感图像来实现对场景信息更加准确的解译。遥感图像可视为高维矩阵,而多源图像融合可看作是矩阵复原问题。针对现有图像融合方法中存在的光谱扭曲和空间信息损失等问题,本文挖掘遥感图像在空间和光谱域上的稀疏性,研究了基于稀疏矩阵分解的遥感图像融合技术。基于非负矩阵分解,卷积稀疏编码,低秩分解等模型,对全色与多光谱图像,以及多光谱和高光谱图像的融合进行了深入研究。论文主要工作内容如下:(1)挖掘高分辨率图像在空间与光谱退化模型中的稀疏性,结合遥感图像中像素值的非负性,提出了一种基于耦合稀疏非负矩阵分解的多光谱与全色图像融合方法。首先,该方法将低空间分辨率多光谱图像和全色图像分别进行非负矩阵分解,并通过源图像与融合图像之间的观测模型将字典和系数矩阵进行联合共享,从而实现源图像的联合表示。然后,通过交替迭代算法对该模型进行优化求解。最后,通过将来自全色图像的高分辨率字典与来自低空间分辨率多光谱图像的系数矩阵相乘得到融合图像。在QuickBird卫星和Geoeye-1卫星数据上的实验结果显示该方法能够较好地保持融合图像中的光谱信息。通过该算法学习得到的高分辨率字典能够很好地揭示图像中的空间结构,从而进一步增强图像中的空间细节。(2)挖掘多光谱图像波段间的结构稀疏性,提出了一种基于卷积结构稀疏编码的图像融合方法。该方法将低空间分辨率多光谱图像和全色图像看成是高空间分辨率多光谱图像空谱退化的结果。然后,将源图像与融合图像间的退化关系与卷积稀疏编码模型相结合。为了进一步利用多光谱图像波段间的相关性,该方法采用结构稀疏约束对该先验进行刻画,从而建立了卷积结构稀疏编码模型。再通过迭代方向乘子法(Alternating Direction Method of Multipliers,ADMM)对高分辨率特征图进行估计,从而得到融合图像。此外,为了保证高/低分辨率滤波器的对应性与一致性,还提出了一种基于块坐标下降法(Block Coordinate Descent,BCD)的高/低分辨率滤波器联合学习方法。在QuickBird卫星和Geoeye-1卫星数据上进行了性能验证。实验结果表明该方法能够有效提升融合图像的空谱质量。(3)为了获得更加准确的空谱注入成分,提出了一种基于低秩分解和空谱抵消成分的多光谱与全色图像融合方法。该方法采用低秩矩阵分解模型对高/低空间分辨率多光谱图像之间的关系进行建模。其次,定义空间抵消和光谱抵消分量,其中空间抵消分量用来表示高/低空间分辨率多光谱图像的空间差异,光谱抵消分量用来表示二者之间的光谱差异。基于两个抵消分量,分别定义空间均等正则和光谱比例正则,从全色图像和多光谱图像中学习得到准确的空间和光谱抵消分量。然后,结合融合图像与全色图像的光谱退化模型,建立了低秩融合框架。最后,通过增广拉格朗日乘子法计算得到融合图像。在QuickBird卫星和Geoeye-1卫星数据上验证了该方法的性能。实验结果显示该方法能够减少融合图像中的空间和光谱扭曲。(4)挖掘高光谱图像波段间的成组相关性,提出了一种基于低秩分解和组光谱嵌入的多光谱与高光谱图像融合方法。该方法结合多光谱图像与高光谱图像的光谱退化关系与差异图中的组稀疏先验,建立了低秩融合模型。此外,挖掘低空间分辨率高光谱图像中存在的流形结构,构建了组光谱嵌入正则。在低秩融合模型中,利用该正则能够将低空间分辨率多光谱图像各个波段间的几何关系和相似性共享到高空间分辨率高光谱图像中,从而保证了高光谱图像中相邻波段的相似性。在两类高光谱数据上的实验结果显示该方法产生的融合结果能够得到与参考图像更接近的高光谱曲线。(5)为了更完整地保持融合图像中的空谱结构,提出了一种基于低秩张量分解和空谱图正则的多光谱与高光谱图像融合方法。该方法采用低秩张量分解模型将源图像与融合图像进行建模。为了进一步提升融合图像的质量,该方法分别从多光谱图像和低空间分辨率高光谱图像中构建了空间图正则和光谱图正则。空谱图正则能够有效地将源图像中的先验信息进一步继承到融合图像中。由于考虑了源图像中的空间一致性和光谱结构,该方法能够能产生较好的融合图像。在两类高光谱数据上验证了该方法的算法性能。实验结果证明该方法更能够保持高光谱图像的整体结构。(本文来源于《西安电子科技大学》期刊2018-09-01）
邓志华,李华锋[7]（2018）在《低秩稀疏分解与显着性度量的医学图像融合》一文中研究指出提出一种低秩稀疏成分分解和显着性相结合的医学图像融合方法。所提方法假设待融合源图像由低秩成分和稀疏成分构成,设计了低秩与稀疏成分分解模型,通过不同的字典对不同成分进行了稀疏表达。在融合过程中采用一种"绝对值"取大的策略对低秩成分融合,以保留源图像的亮度信息;对于稀疏成分,提出一种基于视觉显着性度量的方法来保留显着性特征。实验结果表明,本文方法无论从主观视觉还是客观评价指标上都优于最新的方法。(本文来源于《光学技术》期刊2018年04期）
王金茹[8]（2018）在《基于稀疏分解和背景差分融合方法的图像处理技术》一文中研究指出针对传统融合算法处理聚焦区域能力弱、边缘效果差以及目标轮廓提取存在缺陷等问题,提出了基于稀疏分解和背景差分融合的方法.稀疏分解经过鲁棒主成分分析方式提取多聚焦图像轮廓,从而为源图像的准确分离奠定基础;背景差分融合依照源图像与增强图像的差异图提取轮廓信息以准确定位聚焦区域,从而防止引入人工干扰.结果表明,与传统方法相比,本文提出的方法在很大程度上提升了融合效果,能够很好地加强其对噪声的鲁棒性,同时表现出很好的视觉效果.(本文来源于《沈阳工业大学学报》期刊2018年04期）
刘洋[9]（2018）在《蜂群算法与低秩稀疏分解融合的图像去噪方法研究》一文中研究指出图像去噪是图像预处理中一个至关重要的步骤并且也是图像处理的基础问题,低秩稀疏分解是现阶段应用比较广泛的图像去噪法,但是低秩稀疏分解的缺陷是如何自适应获取奇异值阈值。由于传统的人工蜂群算法及其改进算法应用到图像去噪中时主要与小波算法融合,并且改进后的融合算法在去噪效果方面仍有待提高。本文中采用Bloch球面编码的方式改进基于量子编码方式的人工蜂群算法,提出一种改进的基于Bloch球面量子蜂群(Improved Bloch Quantum Artificial Bee Colony,IBQABC)算法,同时选取适应度函数—低秩稀疏分解的数学模型对图像去噪的问题进行深入研究,本文具体的工作内容如下:首先,阐述低秩矩阵稀疏分解的基础理论知识和常用的低秩稀疏分解算法,其中低秩稀疏分解算法包括迭代阈值法、加速近端梯度法以及拉格朗日乘子法。最后分析低秩稀疏分解的数学模型对图像去噪的影响;其次,分析基本人工蜂群算法的缺点以及不足之处。将初始蜜源分散到Bloch球面上在叁维空间中编码,使目标函数全局最好解的个数得到扩充。基于Bloch球面劣弧寻优路径的原理,将Bloch球看作一个透明的球体,改变原来的寻优路径,将叁角函数的关系式融合到最初的蜜源更新公式之中,从而改进蜜源的更新策略,提出IBQABC算法。最后分析人工蜂群算法每个参数对函数优化结果的影响,把传统蜂群算法以及改进后蜂群算法的参数设置采用同一标准,并且通过选取具有代表性的函数进行仿真实验。比较ABC算法、BQABC算法以及IBQABC算法在寻优、收敛速度等方面的能力,检验IBQABC算法良好的优化性能,即良好的获取最优值的能力;再次,分析低秩稀疏分解现阶段的优化算法。阐述低秩稀疏分解的优化算法不精确的增广拉格朗日乘子法存在的两个缺陷,其一根据经验人为事先设定奇异值阈值,其二针对大数据量的矩阵处理时处理速度急速下降的问题。为此引入图像的聚类分解,并且基于IBQABC算法的自适应寻优的特点,把低秩稀疏分解与IBQABC算法融合,为解决低秩稀疏分解存在的缺陷提供改进方向;最后,对融合算法的去噪性能进行实验分析,利用中值滤波法、IALM算法、BM3D算法以及本文蜂群与低秩稀疏分解的融合算法对标准图像库中的图像和扫描工程图纸的图像进行图像去噪,通过比较这四种算法对图像进行去噪后得到视觉效果图及实验数据,验证IBQABC算法在图像去噪中的有效性和实用性;ABC算法、BQABC算法分别与低秩稀疏分解融合对标准图像进行去噪处理,对去噪后的峰值信噪比、去噪运行时间、收敛速度等与IBQABC算法与低秩稀疏分解融合的去噪数据做对比,反映出IBQABC算法于低秩稀疏分解融合在去噪效果、收敛性能等都占有一定的优势。(本文来源于《东北石油大学》期刊2018-06-03）
邓志华[10]（2018）在《基于稀疏表示与低秩分解的医学图像融合方法研究》一文中研究指出医学图像融合是信息融合领域中一个重要的分支。基于对病情做出准确诊断这一目的,往往需要对来自同一或不同医学成像设备在不同环境条件下采集同一病变区域的图像信息进行研究与分析。但在临床诊断中,获取单一的图像是很难为医生提供全面的病情等信息,而医学图像融合技术正好能解决这一问题,该技术在疾病诊断与辅助治疗方面给医生提供了安全可靠的保障。因此,医学图像融合方法的研究具有着重要的理论价值和实际应用价值。图像融合技术的原理是对不同图像中的有用信息进行了综合,获得一幅细节更丰富、信息更全面的融合图像。目前已成功地将融合技术应用到临床医学上,如在图像引导放疗手术、非入侵诊断与治疗方案设计等方面都取得了显着性成果。尽管许多学者提出了大量的融合算法,但这些算法大多适用于特定类型的医学图像,缺乏良好的适用性与鲁棒性,同时在一定程度上限制了临床医学的发展。为解决上述问题,本文提出了两种医学图像融合方法。第一种是基于两次低秩分解与字典学习的医学图像融合方法,该方法将待融合图像低秩分解后对稀疏融合图像进行第二次分解,有效的将低秩分解与稀疏表示的优势结合,从而获得医学融合图像;第二种是基于低秩稀疏分解与显着性度量的医学图像融合方法,该方法在融合规则上对低秩成分与稀疏成分分别采取不同的策略,使得到的融合图像既能保留源图像更多的亮度信息又能保留更多的显着性稀疏成分并且视觉效果良好。最后,实验结果和分析表明,所提出的方法无论从人眼视觉上还是客观评价指标角度上都极大提升了医学图像融合质量并优于其他融合方法。(本文来源于《昆明理工大学》期刊2018-05-01）
图像稀疏分解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决传统图像去噪方法存在的纹理失真、边缘模糊等问题,基于矩阵低秩稀疏分解理论,改进低秩矩阵恢复去噪时对于高斯噪声约束的不足,提出一种局部图像块正则的模型,采用非精确增广拉格朗日乘子法(IALM)对该模型进行求解。实验结果表明,与低秩矩阵恢复去除图像噪声相比,该算法对于高斯白噪声和脉冲噪声的混合噪声模型去噪效果更优。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像稀疏分解论文参考文献
[1].谢斌,黄安,黄辉.本征图像分解的稀疏表示彩色图像去噪算法[J].液晶与显示.2019
[2].王雪,靳伍银.基于矩阵低秩稀疏分解的图像去噪算法[J].计算机工程与设计.2019
[3].王丽,王威.基于冗余字典的高光谱图像稀疏分解研究[J].电子设计工程.2019
[4].潘悦,靳展,石翠萍,滕晓雪,井贺然.基于稀疏张量分解的高光谱图像压缩[J].科学技术创新.2019
[5].戚余斌,郁梅,姜浩,邵华,蒋刚毅.基于张量分解和卷积稀疏表示的多曝光图像融合[J].光电工程.2019
[6].张凯.基于稀疏矩阵分解的遥感图像融合[D].西安电子科技大学.2018
[7].邓志华,李华锋.低秩稀疏分解与显着性度量的医学图像融合[J].光学技术.2018
[8].王金茹.基于稀疏分解和背景差分融合方法的图像处理技术[J].沈阳工业大学学报.2018
[9].刘洋.蜂群算法与低秩稀疏分解融合的图像去噪方法研究[D].东北石油大学.2018
[10].邓志华.基于稀疏表示与低秩分解的医学图像融合方法研究[D].昆明理工大学.2018