基于非局部相似字典学习的人脸超分辨率与识别

随着视频监控应用的普及,超低分辨率人脸识别问题越来越突出。现存的人脸识别算法在面对超低分辨率人脸图像时无法给出满意识别性能。在一定程度上,人脸超分辨率方法可以提高人脸的分辨率,但是,目前主流的基于字典学习的人脸超分辨率方法并不能很好地处理超低分辨人脸图像重建问题,尤其是超分辨率人脸识别问题。利用人脸图像块的非局部相似性和多尺度相似性,提出一种改进的基于字典学习的超分辨率人脸重建算法,同时提出尺度不变特征的超低分辨率人脸识别方法。实验结果表明:本文提出的方法不但具有很好的视觉效果,而且还具有很好的识别效果,与目前主流的人脸超分辨率和识别算法相比具有明显的优势。     

基于字典学习的遥感影像超分辨率融合方法

鉴于多源遥感影像融合受现有分辨率的限制,结合稀疏表示理论,提出了一种基于字典学习的遥感影像超分辨率融合方法,可将多光谱影像的空间分辨率提升到全色影像空间分辨率的1倍或2倍。在遥感影像融合框架下,首先建立学习字典,利用冗余字典对影像稀疏表示,重构超分辨率;然后采用Gram-Schmidt(GS)光谱锐化法,融合得到超分辨率多光谱影像。利用QuickBird数据对提出的方法进行3个实验,结果都表明本文方法相对传统融合方法、传统超分辨率方法和其他字典学习方案具有一定优势,适用于遥感影像超分辨率融合,可为多源遥感影像融合的超分辨率问题提供1种可行的解决方案,而且对其他融合方法也有借鉴意义。     

基于鉴别字典学习的遮挡人脸姿态识别

利用字典学习与稀疏表示的信号重建与分类的性能,两步字典训练学习方法引入到鲁棒性人脸姿态识别中。首先,将人脸姿态离散化为不同的子空间,使用K-奇异值分解法（K-SVD）为每个子空间训练一个子字典使其对应一个类别;然后,将所有子字典组合成超完备字典;最后,采用基于Gabor特征与稀疏表示的方法进行姿态分类。为了提高字典的分类能力,本文采用两步字典训练学习方法,并在第二步学习中加入类别约束;为了提高算法的鲁棒性,本文重构一个遮挡人脸字典,解决人脸姿态识别中人脸遮挡问题。通过在公开的XJTU、PIE和CAS-PEAL-R1人脸库上的实验结果表明,本文方法在具有光照、噪声和遮挡变化的人脸库识别率均能达到95%左右,基本能达到实际应用的要求。     

利用在线字典学习实现图像超分辨率重建的算法

图像超分辨率重建是通过对单张或多张具有互补信息的低分辨率图像进行处理,重建一张高分辨率图像的技术。在单张图像的超分辨率重建中,基于稀疏表示的方法取得了很好的效果,得到了广泛的应用。一张图像中不同区域的图像块的内容一般会有显著变化。而基于稀疏表示的超分辨率重建算法多采用固定的字典,无法适应每一个图像块的重建需求。提出了一种结合外部数据和输入图像自身信息进行超分辨率重建的方法,通过搜索待处理图像块的非局部自相似块,结合在线字典学习方法对字典进行更新,从而保证更新后的字典能够匹配待处理的图像块。采用包括遥感图像在内的5张图像进行实验,并与4种经典的超分辨率重建算法进行比较,实验结果表明,此算法在主观评价和客观评价方面都有更好的表现。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

月球虹湾DEM超分辨率重建算法研究

月面地形信息对于嫦娥3号的安全降落是至关重要的。本文提出了一种基于压缩感知的超分辨率DEM重建方法,得到了虹湾(嫦娥3号的拟着陆位置)的超分辨率DEM。该方法先根据经过模糊处理并加入噪声的低分辨率DEM重建原始的高分辨率DEM,采用K-SVD算法完成高、低分辨率过完备字典Ah和Al的学习;再获得低分辨率DEM块的稀疏表示,并将表示系数用于高分辨率字典以生成对应的高分辨率DEM块;最后运用最小二乘算法得到满足重构约束的高分辨率DEM。实验验证了算法的有效性,表明其在视觉效果及RMSE指标上均优于插值方法。     

一种结合稀疏表示和纹理分块的遥感影像超分辨率方法

提出了一种基于稀疏表示和纹理分块的单幅遥感影像超分辨率方法,主要利用先验知识及影像自身的纹理信息重构遥感图像。首先,提取用于字典学习的图像块,从高、低分辨率遥感图像块中训练出冗余字典,采用正交匹配追踪方法更新字典,用迭代的方法直到算法收敛;然后,将训练的字典应用于遥感影像超分辨率重构。重构时将图像块分成平滑块和非平滑块两种类型,平滑块采用双三次卷积方法重构,非平滑块采用低分辨率遥感图像块的稀疏表示系数及高分辨率图像块冗余字典重构。实验结果表明,此方法重构速度较快,并在视觉及客观评价指标上有较好的超分辨率效果。     

基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

基于超分辨率重建的多时相MODIS与Landsat反射率融合方法

提出一种基于超分辨率重建的MODIS与Landsat反射率图像融合方法,以STARFM算法与超分辨率重建为基础,使用观测的MODIS和Landsat地表反射率图像预测给定时刻的Landsat合成反射率图像。该方法利用基于稀疏表示的超分辨率重建方法对MODIS图像进行分辨率增强,实验结果表明这一操作能够增加原MODIS图像的空间细节,有助于提高STARFM算法的预测精度;另一方面,考虑输入两个基时刻图像相差较大时原STARFM算法预测的反射率会存在"时间平滑"的问题,限制每次只使用一个基时刻MODIS和Landsat图像对进行STARFM预测,使用逐图像块选择策略,从由两个基时刻图像分别进行预测得到的两组预测图像中选择最优的预测,同样得到了优于STARFM算法的预测结果。     

融合纹理与形状的人脸加权新特征

根据人类进行人脸识别的特点,提出一种纹理与几何形状相结合的人脸新特征。新特征提取的第一步是提取脸部5个关键点;然后,根据人脸图像每个像素点到5个关键点距离动态对每个像素进行加权计算。新特征在纹理特征的基础上,融合了人脸关键点和每个纹理点与关键点之间的位置几何距离信息。与传统的单一纹理特征相比,提高了抗干扰性;而且,由于定位了5个关键点,有利于后续的人脸分块识别。在YALE人脸库和XJTU人脸库上采用线性判别方法与稀疏表示人脸识别方法的实验研究表明:新特征与传统的纹理特征相比,识别率提高了5%~10%;新特征加人脸分块方法识别率接近100%。