基于特征提取的图像分类算法的核心问题是如何对特征进行有效编码.局部约束线性编码(Locality-constrained linear coding,LLC)因其良好的特征重构性与局部平滑稀疏性,已取得了很好的分类性能.然而,LLC编码的分类性能对编码过程中的近邻...基于特征提取的图像分类算法的核心问题是如何对特征进行有效编码.局部约束线性编码(Locality-constrained linear coding,LLC)因其良好的特征重构性与局部平滑稀疏性,已取得了很好的分类性能.然而,LLC编码的分类性能对编码过程中的近邻数k的大小比较敏感,随着k的增大,编码中的某些负值元素与正值元素的差值绝对值也可能增大,这使得LLC越来越不稳定.本文通过在LLC优化模型的目标方程中引入非负约束,提出了一种新型编码方式,称为非负局部约束线性编码(Non-negative locality-constrained linear coding,NNLLC).该模型一般采取迭代优化算法进行求解,但其计算复杂度较大.因此,本文提出两种近似非负编码算法,其编码速度与LLC一样快速.实验结果表明,在多个广泛使用的图像数据集上,相比于LLC,NNLLC编码方式不仅在分类精确率上提高了近1%～4%,而且对k的选取具有更强的鲁棒性.展开更多
由于图像的降质属性,传统的稀疏表示方法并不能如实的重建原图像。为提升基于稀疏编码方法图像去噪能力,提出一种非局部自适应稀疏编码图像去噪算法。为改进稀疏水平以及图像的局部属性,提出一种自适应学习字典;图像的非局部自相关先验...由于图像的降质属性,传统的稀疏表示方法并不能如实的重建原图像。为提升基于稀疏编码方法图像去噪能力,提出一种非局部自适应稀疏编码图像去噪算法。为改进稀疏水平以及图像的局部属性,提出一种自适应学习字典;图像的非局部自相关先验融入到正则项中,提出一种自适应非局部正则项,进一步提升图像的去噪能力;为提高算法的有效性,利用一种迭代阀值算法进行优化。实验结果表明,该方法相对于BM3D、EPLL等方法具有较高的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(feature similarity,FSIM),在图像细节、边缘保持和抑制视觉块效应方面具有比较好的重建效果,具有广泛的实际应用价值。展开更多
文摘基于特征提取的图像分类算法的核心问题是如何对特征进行有效编码.局部约束线性编码(Locality-constrained linear coding,LLC)因其良好的特征重构性与局部平滑稀疏性,已取得了很好的分类性能.然而,LLC编码的分类性能对编码过程中的近邻数k的大小比较敏感,随着k的增大,编码中的某些负值元素与正值元素的差值绝对值也可能增大,这使得LLC越来越不稳定.本文通过在LLC优化模型的目标方程中引入非负约束,提出了一种新型编码方式,称为非负局部约束线性编码(Non-negative locality-constrained linear coding,NNLLC).该模型一般采取迭代优化算法进行求解,但其计算复杂度较大.因此,本文提出两种近似非负编码算法,其编码速度与LLC一样快速.实验结果表明,在多个广泛使用的图像数据集上,相比于LLC,NNLLC编码方式不仅在分类精确率上提高了近1%～4%,而且对k的选取具有更强的鲁棒性.
文摘由于图像的降质属性,传统的稀疏表示方法并不能如实的重建原图像。为提升基于稀疏编码方法图像去噪能力,提出一种非局部自适应稀疏编码图像去噪算法。为改进稀疏水平以及图像的局部属性,提出一种自适应学习字典;图像的非局部自相关先验融入到正则项中,提出一种自适应非局部正则项,进一步提升图像的去噪能力;为提高算法的有效性,利用一种迭代阀值算法进行优化。实验结果表明,该方法相对于BM3D、EPLL等方法具有较高的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(feature similarity,FSIM),在图像细节、边缘保持和抑制视觉块效应方面具有比较好的重建效果,具有广泛的实际应用价值。
