鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对...鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。展开更多
图像融合中,多数边缘保持滤波器在优化过程中会损坏细节和纹理信息,并且噪声也会严重影响融合结果,使得融合结果之间出现边界模糊和细节丢失问题。提出了一种基于RPCA(Robus principal compo-nent association)算法的红外光和可见光图...图像融合中,多数边缘保持滤波器在优化过程中会损坏细节和纹理信息,并且噪声也会严重影响融合结果,使得融合结果之间出现边界模糊和细节丢失问题。提出了一种基于RPCA(Robus principal compo-nent association)算法的红外光和可见光图像融合方法,可有效提高图象清晰度和视觉信息的保真度。首先,利用鲁棒主成分分析(RPCA)分解源图像为低秩部分和稀疏部分,并运用相对全变分和平均能量法对两者进行处理,最后通过NSCT逆变换获得融合图像。实验结果表明,与其他方法相比,该方法所得融合图像的平均梯度、空间频率、边缘强度、互信息量均有提升,提升量级分别为10.6%到72.6%、15%到60.2%、9.7%到69.6%,22.7%到229.7%。展开更多
为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE...为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE方法。首先,基于最大信息系数法(maximal information coefficient,MIC)筛选出高相关性的输入特征,提高预测模型的精度;然后,通过全变差正则化技术(total variation regularized,TV)优化鲁棒主成分分析法(robust principal component analysis,RPCA),构建TRPCA层,并将其嵌入到Crossformer中,以填补Crossformer无法有效处理非高斯噪声的空白;最后,利用改进的预测模型进行超短期负荷预测,经潮流计算得到节点伪量测,在量测不足情况下补全缺失数据,并结合扩展卡尔曼滤波器(extended Kalman filter,EKF)进行状态估计。在IEEE 33节点和IEEE 118节点标准配电网上进行仿真测试,结果表明所提方法在估计精度和鲁棒性等方面具有一定优势,可为主动配电网FASE提供参考。展开更多
近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归...近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.展开更多
为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现"空洞"现象,提出了一种鲁棒主成分分析(robust principal component analysis,RPCA)与三帧差分相融合的运动目标检测算法。...为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现"空洞"现象,提出了一种鲁棒主成分分析(robust principal component analysis,RPCA)与三帧差分相融合的运动目标检测算法。算法通过将RPCA提取的视频当前帧的背景作为三帧差分法的中间帧与视频当前帧的前一帧和视频当前帧分别进行邻间差分,使得三帧差分法在运动目标检测过程中避免了背景像素点所带来的影响,消除了"空洞"现象。仿真结果表明该算法在完整性和准确性方面要优于其他三种传统运动目标检测算法,可以在复杂背景环境中实现准确的运动目标提取。展开更多
降维对于数据的可视化和预处理具有重要意义,主成分分析作为最常用的无监督降维算法之一,在实际应用中面临着对噪声和离群点敏感的问题。为了解决这个问题,研究者们提出了多种鲁棒主成分分析算法,通过减小整体样本的重构误差来减小离群...降维对于数据的可视化和预处理具有重要意义,主成分分析作为最常用的无监督降维算法之一,在实际应用中面临着对噪声和离群点敏感的问题。为了解决这个问题,研究者们提出了多种鲁棒主成分分析算法,通过减小整体样本的重构误差来减小离群点的影响。然而,这些算法忽略了数据的固有局部结构,导致数据的本质结构信息丢失,从而影响了对噪声和离群点的准确辨识和移除,进而影响了后续算法的性能。因此,该文提出了基于Soft均值滤波的鲁棒主成分分析(Robust Principal Component Analysis Based on Soft Mean Filtering,RPCA-SMF)算法。RPCA-SMF采用Soft均值滤波的思想,通过两步走的形式,不仅在模型学习前对噪声处理,同时在模型学习后也引入了噪声处理机制。具体而言,RPCA-SMF算法首先引入了均值滤波的相关思想,通过对比样本与其局部近邻这两者和局部均值的偏差对样本进行Soft加权,从而对噪声进行判定。随后,通过第一步获取的关于噪声的“判别知识”处理噪声信息。由于均值滤波能有效保留数据的整体轮廓信息,因此对于被识别为噪声的样本,RPCA-SMF算法强调保留其低频整体轮廓信息,而非高频的噪声信息。这样能够有效地保留数据中的有用信息,提高对数据整体结构特征的保留能力,使得算法具有较强的鲁棒性和较好的泛化性。展开更多
高光谱图像在采集过程中极易产生高斯、椒盐、条纹等噪声,从而对后续的地物空间识别工作产生影响.因此有效的噪声去除工作在高光谱图像处理中是不可缺少的一步.鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是能将受稀疏...高光谱图像在采集过程中极易产生高斯、椒盐、条纹等噪声,从而对后续的地物空间识别工作产生影响.因此有效的噪声去除工作在高光谱图像处理中是不可缺少的一步.鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是能将受稀疏噪声干扰的低秩矩阵进行有效恢复的模型.高光谱图像由于其光谱特征之间存在很高的相关性,即每个光谱特征可以用光谱端元的线性组合来表示,因此高光谱图像具有高度低秩性,从而RPCA算法能在高光谱图像去噪中取得显著的效果.结合高光谱图像空间邻域相似性和改进RPCA(Spatial Neighboring Similarity and Improve RPCA,S_IRPCA),提出一种新的高光谱图像去噪算法.算法在去除噪声的同时,更好的保留了细节信息.实验表明,算法与主流的低秩恢复算法相比,无论在主观视觉上还是在客观评价指标上,都做到了显著提升.展开更多
文摘鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。
文摘图像融合中,多数边缘保持滤波器在优化过程中会损坏细节和纹理信息,并且噪声也会严重影响融合结果,使得融合结果之间出现边界模糊和细节丢失问题。提出了一种基于RPCA(Robus principal compo-nent association)算法的红外光和可见光图像融合方法,可有效提高图象清晰度和视觉信息的保真度。首先,利用鲁棒主成分分析(RPCA)分解源图像为低秩部分和稀疏部分,并运用相对全变分和平均能量法对两者进行处理,最后通过NSCT逆变换获得融合图像。实验结果表明,与其他方法相比,该方法所得融合图像的平均梯度、空间频率、边缘强度、互信息量均有提升,提升量级分别为10.6%到72.6%、15%到60.2%、9.7%到69.6%,22.7%到229.7%。
文摘为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE方法。首先,基于最大信息系数法(maximal information coefficient,MIC)筛选出高相关性的输入特征,提高预测模型的精度;然后,通过全变差正则化技术(total variation regularized,TV)优化鲁棒主成分分析法(robust principal component analysis,RPCA),构建TRPCA层,并将其嵌入到Crossformer中,以填补Crossformer无法有效处理非高斯噪声的空白;最后,利用改进的预测模型进行超短期负荷预测,经潮流计算得到节点伪量测,在量测不足情况下补全缺失数据,并结合扩展卡尔曼滤波器(extended Kalman filter,EKF)进行状态估计。在IEEE 33节点和IEEE 118节点标准配电网上进行仿真测试,结果表明所提方法在估计精度和鲁棒性等方面具有一定优势,可为主动配电网FASE提供参考。
文摘近年来,鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)被广泛应用到运动目标检测中,但该类方法未能有效利用运动目标的时空连续性先验,容易将动态背景误判为运动目标,且背景恢复精度不高.为此提出一种基于全变分-核回归的RPCA运动目标检测方法.该方法以RPCA为基础,利用3维全变分模型增强前景的时空连续性,去除动态背景干扰,得到清晰完整的前景.同时,利用基于扩散张量的核回归对背景的时空相关性建模,去除噪声干扰,从而精确恢复背景.在多组公开数据集上的实验结果表明,该方法在动态背景、光照变化等复杂场景中能够较为精确地检测出运动目标和恢复背景.
文摘为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现"空洞"现象,提出了一种鲁棒主成分分析(robust principal component analysis,RPCA)与三帧差分相融合的运动目标检测算法。算法通过将RPCA提取的视频当前帧的背景作为三帧差分法的中间帧与视频当前帧的前一帧和视频当前帧分别进行邻间差分,使得三帧差分法在运动目标检测过程中避免了背景像素点所带来的影响,消除了"空洞"现象。仿真结果表明该算法在完整性和准确性方面要优于其他三种传统运动目标检测算法,可以在复杂背景环境中实现准确的运动目标提取。
文摘降维对于数据的可视化和预处理具有重要意义,主成分分析作为最常用的无监督降维算法之一,在实际应用中面临着对噪声和离群点敏感的问题。为了解决这个问题,研究者们提出了多种鲁棒主成分分析算法,通过减小整体样本的重构误差来减小离群点的影响。然而,这些算法忽略了数据的固有局部结构,导致数据的本质结构信息丢失,从而影响了对噪声和离群点的准确辨识和移除,进而影响了后续算法的性能。因此,该文提出了基于Soft均值滤波的鲁棒主成分分析(Robust Principal Component Analysis Based on Soft Mean Filtering,RPCA-SMF)算法。RPCA-SMF采用Soft均值滤波的思想,通过两步走的形式,不仅在模型学习前对噪声处理,同时在模型学习后也引入了噪声处理机制。具体而言,RPCA-SMF算法首先引入了均值滤波的相关思想,通过对比样本与其局部近邻这两者和局部均值的偏差对样本进行Soft加权,从而对噪声进行判定。随后,通过第一步获取的关于噪声的“判别知识”处理噪声信息。由于均值滤波能有效保留数据的整体轮廓信息,因此对于被识别为噪声的样本,RPCA-SMF算法强调保留其低频整体轮廓信息,而非高频的噪声信息。这样能够有效地保留数据中的有用信息,提高对数据整体结构特征的保留能力,使得算法具有较强的鲁棒性和较好的泛化性。
文摘高光谱图像在采集过程中极易产生高斯、椒盐、条纹等噪声,从而对后续的地物空间识别工作产生影响.因此有效的噪声去除工作在高光谱图像处理中是不可缺少的一步.鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是能将受稀疏噪声干扰的低秩矩阵进行有效恢复的模型.高光谱图像由于其光谱特征之间存在很高的相关性,即每个光谱特征可以用光谱端元的线性组合来表示,因此高光谱图像具有高度低秩性,从而RPCA算法能在高光谱图像去噪中取得显著的效果.结合高光谱图像空间邻域相似性和改进RPCA(Spatial Neighboring Similarity and Improve RPCA,S_IRPCA),提出一种新的高光谱图像去噪算法.算法在去除噪声的同时,更好的保留了细节信息.实验表明,算法与主流的低秩恢复算法相比,无论在主观视觉上还是在客观评价指标上,都做到了显著提升.
