1 中国石油大学（华东）海洋与空间信息学院，山东 青岛 266580
2 哈尔滨工程大学水声工程学院，黑龙江 哈尔滨 150001
3 齐鲁工业大学（山东省科学院）海洋仪器仪表研究所，山东 青岛 266061
高光谱异常检测是检测出与周围背景像素的光谱具有明显差异的目标的过程。研究学者针对高光谱异常检测提出了多种算法，其中低秩协同表示检测器（LRCRD）不仅能够考虑所有像素之间的高光谱相关性，而且用低秩和2范数最小化约束字典的系数矩阵，背景字典不需要过度完备，可以更好地表示背景。然而，LRCRD模型并没有考虑到高光谱数据的局部几何信息对于区分背景和异常像素的重要性。将图拉普拉斯正则项引入LRCRD模型中，提出了一种基于图正则化低秩协同表示的异常检测方法，分析数据中的非线性几何信息。该方法保持高光谱图像的局部几何结构，提高了检测精度。在合成和真实高光谱数据集上对所提方法进行了实验验证，实验结果证明了所提方法的可行性。
遥感 高光谱图像 异常探测 图拉普拉斯正则化 流形结构 低秩协同表示 激光与光电子学进展
2022, 59(12): 1228003
1 重庆光电技术研究所, 重庆 400060
2 驻重庆地区军代局, 重庆 400060
针对合成孔径雷达（Synthetic Aperture Radar, SAR）目标识别中方位角差距大的训练样本之间存在干扰的问题, 对传统协同表示字典进行了改进, 得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典, 基于此提出了一种自适应原子选择的核函数变换协同表示算法, 并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验。实验结果表明, 相较于基于全部训练样本字典的核协同表示模型, 基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响, 提高了对SAR目标识别的可靠性和鲁棒性。
合成孔径雷达 自动目标识别 自适应原子选择 多特征 核协同表示 synthetic aperture radar automatic target recognition adaptive atom selection multi-feature kernel collaborative representation
1 北方民族大学 计算机科学与工程学院，银川宁夏75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，银川宁夏75001
3 宁夏智能信息与大数据处理重点实验室，银川宁夏750021
4 宁夏医科大学 理学院，银川宁夏75000
5 宁夏医科大学总医院骨科，银川宁夏7004
针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题，本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤（Multi Scale DenseNet-NSCR）的识别方法。第一，使用迁移学习将预训练密集神经网络模型初始化参数；第二，将肺部图像预处理，提取多尺度病灶ROI区域；第三，采用多尺度CT图像训练密集神经网络，提取全连接层的特征向量；第四，针对融合特征维度较高问题，采用非负稀疏协同表示分类器（NSCR）对特征向量进行表示，求解系数矩阵；第五，利用残差相似度进行分类。最后，采用AlexNet，DenseNetNet-201模型及三种分类算法（SVM、SRC、NSCR）两两组合模型进行对比试验，实验结果表明，Multiscale-DenseNet-NSCR分类效果优于其它模型，且特异性和灵敏度等各项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。
密集神经网络 多尺度医学图像 迁移学习 NSCR算法 DenseNet multi-scale medical image transfer learning non-negative， sparse， collaborative representation classifier
1 四川轻化工大学 自动化与信息工程学院, 四川 自贡 643000
2 成都工业学院 电子工程学院, 四川 成都 611730
3 电子科技大学 电子工程学院, 四川 成都 611731
针对叠加稀疏表示分类(SSRC)计算复杂度大的问题, 利用协同表示分类(CRC)的计算复杂度比SRC少得多且识别率相似于SRC的优点, 提出基于叠加协同表示分类(SCRC)的人脸识别。基于原型和变化的表示模型, 在SCRC中, 利用类质心和样本与质心的差异来构造成字典, 可以显著地改善CRC的性能。实验结果表明, 利用基于原型和变化的表示模型, 协同表示在人脸识别中能起作用, 甚至字典基在非受控和每类只有一个样本的条件下被汇集, 协同表示也具有很好的性能。与其他算法相比, SCRC在大幅降低计算复杂度的同时保证了识别率。
人脸识别 协同表示 稀疏表示 字典 face recognition collaborative representation sparse representation dictionary
1 中国科学院 西安光学精密机械研究所, 陕西 西安 710119
2 西安交通大学 电子信息与工程学院, 陕西 西安 710049
3 中国科学院大学, 北京100049
4 中国科学院 地球环境研究所, 陕西 西安 710016
高光谱图像目标检测作为一个研究热点在**和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息, 本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition, BTD)分别对高光谱数据进行盲源分析, 提取了有效的局部图像块空谱特征, 建立了一个基于稀疏表示和协作表示的检测模型, 针对多种类型背景复杂的场景数据进行实验, 并与当前流行的目标检测算法进行比较。从可视化检测结果来看, 本文算法在复杂背景和强噪声环境下, 有效提取了空谱特征, 对背景具有较好的抑制能力, 检测的目标显著。此外, 本文从接收机操作曲线(Receiver Operating Characteristic Curve, ROC)和ROC曲线下面积(Area Under Curve, AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例, 在10%的虚警率下, 本文算法取得90%的检测精度, AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度, 更强的鲁棒性。
目标检测 高光谱图像 张量表示 特征提取 协作表示 target detection hyperspectral imagery tensor representation feature extraction collaborative representation
火箭军工程大学 导弹工程学院, 西安 710025
针对空谱信息中普遍存在的异常干扰现象, 提出了基于空谱联合聚类的自适应核协同表示高光谱异常目标探测算法.算法充分发挥了基于密度的聚类算子(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)对于异常点的筛选特性, 在DBSCAN聚类去除异常波谱的基础上, 采用分波段子集随机投影变换对数据降维处理, 以减少谱噪声和谱冗余, 并采用DBSCAN聚类消除了局部背景像元中的杂乱点对协同探测算法结果的干扰.研究了背景离散度对核参选择的影响, 比较了不同的核估计方法, 并提出基于平均差的自适应核协同算法.采用该方法对AVIRIS和ROSIS的三组数据进行仿真实验并与现有算法进行了对比, 结果表明该算法表现出较好的探测性能.
高光谱 异常探测 基于密度的聚类算子 聚类 自适应核 联合表示理论 Hyperspectral image Anomaly detection Density-Based Spatial Clustering of Applications w Cluster Adaptive Kernel Collaborative Representation Detection (CRD)
1 江南大学物联网工程学院, 江苏 无锡 214122
2 新疆大学电气工程学院, 新疆 乌鲁木齐 830047
为了解决协作表征分类器(CRC)对相似样本误分类概率高的问题,提出一种判别协作表征分类器(DCRC)。该分类器考虑了所有训练样本和每一类样本对协作表征系数的影响,得到判别性强的协作表征系数,提升了对相似样本的判别性。基于DCRC进行人体行为识别研究。首先用深度运动映射图(DMMs)提取深度动作序列特征,得到DMMs特征描述子,然后利用DCRC对特征描述子进行协作表征编码,最后利用新的判别规则进行分类识别。在人体行为识别数据集上的实验结果表明,DCRC对相似动作具有一定的判别性,且识别精度优于现有的方法。
图像处理 人体行为识别 判别协作表征分类器 协作表征分类器 深度图 深度运动映射图 激光与光电子学进展
2018, 55(1): 011010
合肥工业大学计算机与信息学院，安徽 合肥 230009
图像超分辨率重建是利用单幅或多幅降质的低分辨率图像重建得到高分辨率图像，以提高图像的视觉效果并获得更多可用的信息。本文提出结合图像特征聚类和协同表示的超分辨率重建方法。在训练阶段根据图像的特征信息对图像样本进行聚类并利用图像特征的差异性训练不同的字典，克服了传统训练单个字典方法对图像特征表示不足的缺点。而且利用协同表示方法求得不同聚类的高、低分辨率图像样本之间的映射矩阵，提高了图像重建速度。实验表明，本文方法与其他方法相比，不仅提高了重建图像的PSNR和SSIM指标，而且改善了视觉效果。
超分辨率重建 聚类 协同表示 映射矩阵 image super-resolution clustering collaborative representation projection matrices
