导读:本文包含了图像稀疏表示论文开题报告文献综述及选题提纲参考文献，主要关键词:电力设备,图像识别,稀疏表示,贝叶斯稀疏
图像稀疏表示论文文献综述
刘树吉,刘颖,刘为,同东辉,刘雪松[1]（2019）在《基于稀疏表示的电力设备图像识别方法》一文中研究指出电力设备图像分析对于电力巡线、检修具有重要的实用意义。本文提出一种基于稀疏表示的电力设备图像识别方法。考虑到图像采集过程中不可避免受到光线条件、噪声干扰等因素的影响,本方法采用贝叶斯压缩感知算法求解稀疏表示问题。该算法具有较强的噪声稳健性和抗干扰能力,适用于电力设备图像面临的不同条件。实验中,对绝缘子、变压器和断路器叁类电力设备的图像进行分类,提出方法的准确率达到93.56%,并且在噪声干扰条件下可以保持较强的稳健性,表明了其有效性。(本文来源于《电子设计工程》期刊2019年22期）
谢斌,黄安,黄辉[2]（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）
薛智爽,黄坤超,陈明举,陈柳[3]（2019）在《非局部群稀疏表示的图像去噪模型》一文中研究指出针对图像的非局部稀疏表示忽略图像中结构相似信息的缺点,将群稀疏表示引入到图像的最优滤波中,提出了一种有效去除图像高斯噪声的非局部群稀疏表示模型。该模型首先选择图像非局部相似块构建相似矩阵,在群稀疏限制下对相似矩阵进行正交分解得到正交矩阵;在已知噪声服从高斯分布的情况下,再通过求得的正交矩阵结合贝叶斯最小均方误差准则实现对特征矩阵的最优估计;最后通过正交矩阵与特征矩阵重构去噪后的图像。实验对比证明,所提的非局部群稀疏表示的图像去噪模型在去除噪声的同时更好地保留了图像的结构信息,获得了更好的主客观评价指标,去噪的峰值信噪比提高1 dB以上。(本文来源于《电讯技术》期刊2019年10期）
黎丽,潘博,杨俊,蒋涛,陈丽[4]（2019）在《图像非局部自相似的稀疏表示算法》一文中研究指出在研究图像非局部自相似以及图像稀疏表示的基础上,致力于设计简单有效的数据变换方式,提出一个图像非局部自相似的投影算法,并利用该算法设计一个图像去噪声算法,通过稀疏表示图像,增强图像的纹理细节及图像的结构信息,从而恢复具有高保真度的图像.仿真实验结果表明,该算法能在保留图像纹理及结构信息的情况下有效去除噪声.(本文来源于《嘉兴学院学报》期刊2019年06期）
傅迎华,李江,潘东艳,王国政,付东翔[5]（2019）在《基于稀疏表示的视网膜图像对变化检测》一文中研究指出视网膜图像对变化检测主要研究两个不同时间点所采集到图像的变化情况。图像间的亮度差异及解剖结构与病灶的亮度相似性,使得基于逐点对比的差分方法或商方法很难准确检测变化区域。针对光照干扰问题,提出对光照具有鲁棒性的稀疏表示(SRC)变化检测方法。SRC方法先抽取参考图像局部区域块构建字典,再通过稀疏表示重构当前图像的局部背景块,最后利用背景相减获得变化区域。通过该方法,图像对的亮度差异可用稀疏表示系数自动调整,而基于块的方式可过滤掉局部光照,更有效地检测出变化区域。SRC方法与其他检测方法结合,可以增加检测结果的准确性。实验根据一对来自DRIVE数据集的小病灶仿真数据,SRC方法的AUC和mAP值分别为0.986和0.865;对一对采集自临床的大病灶数据,SRC与迭代鲁棒同态曲面拟合(IRHSF)校正结合方法的AUC和mAP值分别达到了0.989和0.969。实验结果表明,SRC方法比RPCA方法对局部光照鲁棒性更强,比基于逐点的比较差分方法更多地考虑局部邻域信息,能够更有效地检测出变化区域。(本文来源于《中国生物医学工程学报》期刊2019年05期）
林相泽,张俊媛,朱赛华,刘德营[6]（2019）在《基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法》一文中研究指出针对当前稻飞虱图像分类研究中存在图像识别速度慢、分类精度低的不足,该文提出一种基于K-SVD和正交匹配追踪(orthogonal matching pursuit, OMP)稀疏表示的稻飞虱图像分类方法。首先,根据稻飞虱的趋光性特点,使用团队自主研发的野外昆虫图像采集装置自动获取稻田害虫图像;然后,利用K-SVD算法对稻飞虱图像特征的过完备字典进行更新构造,结合OMP算法对原始输入图像的特征信号进行稀疏表示;最后,通过求解输入图像的重构误差对昆虫图像进行分类。在相同的试验条件下,与传统的图像分类算法(SVM、BP神经网络)进行比较。实验结果表明,该文提出的基于K-SVD和OMP算法的稻飞虱图像稀疏表示分类方法可对稻飞虱与非稻飞虱进行快速准确的分类,分类速度达到6.0帧/s,平均分类精度达到93.7%。与SVM和BP神经网络相比,分类速度分别提高了5和5.5帧/s;分类精度分别提高了15.7和28.2个百分点,为稻飞虱的防治预警工作提供了信息与技术支持。(本文来源于《农业工程学报》期刊2019年19期）
贾立丽,张升伟,何杰颖,李娜[7]（2019）在《基于多任务联合稀疏表示的高光谱图像分类算法》一文中研究指出为了充分提取高光谱图像丰富的光谱信息,尽可能降低光谱冗余,同时保留较多有效判别信息.基于高光谱图像单波段的谱间相似性,提出了基于多任务学习和稀疏表示的分类算法.该方法将光谱间的冗余特性转化为有效信息加以利用,使用波段交叉分组策略构建子任务,并引入稀疏表示模型将所有分类任务进行联合表示,最终根据所有任务的累积残差确定测试样本的类别.实验对比分析了多任务联合表示分类和单任务分类的准确率.结果表明,基于多任务联合稀疏表示模型的分类性能优于单任务模型.(本文来源于《微电子学与计算机》期刊2019年10期）
石翠萍,王晴[8]（2019）在《基于稀疏表示的图像超分辨率重建算法设计》一文中研究指出为解决一般重建方法效果欠佳的问题,使重建后的图像具有良好的清晰度,本文依据稀疏表示原理等内容,设计了一种新的超分辨率重建算法,实现了超分辨率最优解问题.对一幅低分辨率图像,分割后进行特征提取,得到的图像特征块可在字典的低分辨率部分生成一组权重系数.在字典的高分辨率部分,用高分辨率特征块乘以所得系数,可以重新构造出高分辨率图像块,并将它们组合起来得到一幅完备的高分辨率图像.实验结果表明,与双叁次插值方法相比,本文算法重构的高分辨率图像具有更好的质量.(本文来源于《微电子学与计算机》期刊2019年10期）
王文卿,高钰迪,刘涵,谢国,焦鹏飞[9]（2019）在《基于低秩稀疏表示的红外与可见光图像序列融合方法》一文中研究指出考虑到红外与可见光图像序列间的高度相关性,本文提出了基于低秩稀疏表示的红外与可见光图像序列融合方法。首先,利用低秩稀疏表示理论分别将红外图像序列与可见光图像序列进行背景与目标分离,获取低秩分量与稀疏分量。其次,利用Laplace金字塔融合方法将每帧红外与可见光图像的低秩分量进行融合。再次,采用最大值选择规则将每帧红外与可见光图像的稀疏分量进行融合。最后,融合低秩分量与融合稀疏分量相加获得最终融合图像。本文算法在Nato-camp与Bristol Eden Project数据集上进行了性能验证。主观视觉分析与客观评价指标表明本文算法比传统的融合算法具有更优越的性能。(本文来源于《西安理工大学学报》期刊2019年03期）
张克,牛鹏涛[10]（2019）在《稀疏表示分类在SAR图像目标识别中的应用分析》一文中研究指出文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。(本文来源于《信息技术》期刊2019年09期）
图像稀疏表示论文开题报告
（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。
（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。
图像稀疏表示论文参考文献
[1].刘树吉,刘颖,刘为,同东辉,刘雪松.基于稀疏表示的电力设备图像识别方法[J].电子设计工程.2019
[2].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
[3].薛智爽,黄坤超,陈明举,陈柳.非局部群稀疏表示的图像去噪模型[J].电讯技术.2019
[4].黎丽,潘博,杨俊,蒋涛,陈丽.图像非局部自相似的稀疏表示算法[J].嘉兴学院学报.2019
[5].傅迎华,李江,潘东艳,王国政,付东翔.基于稀疏表示的视网膜图像对变化检测[J].中国生物医学工程学报.2019
[6].林相泽,张俊媛,朱赛华,刘德营.基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法[J].农业工程学报.2019
[7].贾立丽,张升伟,何杰颖,李娜.基于多任务联合稀疏表示的高光谱图像分类算法[J].微电子学与计算机.2019
[8].石翠萍,王晴.基于稀疏表示的图像超分辨率重建算法设计[J].微电子学与计算机.2019
[9].王文卿,高钰迪,刘涵,谢国,焦鹏飞.基于低秩稀疏表示的红外与可见光图像序列融合方法[J].西安理工大学学报.2019
[10].张克,牛鹏涛.稀疏表示分类在SAR图像目标识别中的应用分析[J].信息技术.2019