南昌工程学院 江西省水信息协同感知与智能处理重点实验室, 江西 南昌 330099
稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前, 主要采用L0或L1范数作为稀疏度量。L0稀疏性好, 但求解困难; L1求解方便, 但稀疏性差。提出一种近似稀疏模型, 并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中, 将观测矩阵进行多层次稀疏分解, 提高非负矩阵分解高光谱解混的精度, 提升算法的收敛性。仿真数据和真实数据实验表明: 该算法能够避免陷入局部极值, 提高非负矩阵分解高光谱解混性能, 算法精度上比其他几种算法都有较大的提升效果, RMSE降低0.001~1.676 7, SAD降低0.002~0.244 3。
非负矩阵分解(NMF) 稀疏 混合像元 解混 non-negative matrix factorization (NMF) sparsity mixed pixels unmixing 红外与激光工程
2018, 47(11): 1117010
南昌工程学院信息工程学院，江西 南昌 330099
基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点。主要研究了L1正则化的高光谱混合像元分解算法。首先分析了L1正则化的三种解混模型，即无约束、非负约束和全约束模型；然后给出了三种模型对应的数值求解算法；最后，采用模拟的和真实的高光谱数据进行实验，比较了三种高光谱混合像元分解算法的效果。实验结果表明：三种模型均具有很好的高光谱混合像元分解精度(SRE)，其中全约束模型最好，非负约束模型次之，无约束模型最差；全约束模型在信噪比低和端元数多的情况下，仍然获得较高的SRE。
高光谱 混合像元分解 稀疏性 增广拉格朗日 hyperspectral unmixing sparsity augmented Lagrangian
南昌工程学院 信息工程学院, 江西 南昌 330099
针对红外图像分辨率低、受噪声影响严重等问题, 引入近似稀疏正则化和K-奇异值分解(K-SVD)法, 提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染, 首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题, 在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下, 联合近似稀疏表示模型和K-SVD方法, 提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后, 通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能, 对提出的算法与稀疏性正则化的图像超分辨模型(SRSR)和Zeyde算法进行了实验比较。结果表明, 本文方法能够较好地减少红外图像中的噪声, 同时获得更好的超分辨率重建效果。
红外图像 超分辨率重建 近似稀疏 字典学习 infrared image super-resolution reconstruction approximate sparsity dictionary training
1 南昌工程学院 计算机网络与信息安全研究所, 江西 南昌 330099
2 江西科技师范大学 通信与电子学院, 江西 南昌 330013
以压缩传感和稀疏表示为理论依据, 提出了一种基于剪切波变换的稀疏性正则化的图像修复模型, 以便更好地保留图像的结构特征。该模型用剪切波作为图像的稀疏表示, 以稀疏性作为正则化项; 同时基于变量分裂法, 采用增广Lagrange优化方法求解最优化问题。另外, 通过交替最小化方式来降低计算复杂性。从峰值信噪比(PSNR)、结构相似度(SSIM)、收敛速度和视觉效果等4个方面验证了算法的有效性。结果显示：利用本文算法修复图像的质量明显优于其他算法, 获得了更优的PSNR和SSIM值。新的模型无论是在客观还是视觉主观方面都具有更好的性能, 同时算法具有更快的收敛速度。得到的结果表明本文算法能够更好地修复图像, 获得较好的视觉效果。
图像修复 剪切波变换 稀疏性正则化 增广Lagrange函数 image inpainting shearlet transform sparse regularization augmented Lagrange function
