1 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
2 甘肃省人工智能与图形图像工程研究中心, 甘肃 兰州 730070
3 甘肃省轨道交通装备系统动力学与可靠性重点实验室, 甘肃 兰州 730070
传统稠密轨迹算法在人体动作识别中取得了较大的成功,但是其在轨迹的形成过程中将动作产生的轨迹和背景运动导致的轨迹进行了相同处理,导致视频表示过于冗余,识别精度受限。为解决这一问题,首先分析背景运动与行为运动模式的差异性,以特征字典的稀疏系数矩阵为基础,利用低秩分解的方法得到稀疏误差矩阵,进一步求解出视频的显著图,然后以显著图作为依据仅在动作相关区域内形成显著性轨迹,并以此表征人体动作。最后基于公开数据集:UCF Sports数据集和YouTube数据集,验证了本文方法的有效性。
图像处理 动作识别 稠密轨迹 视频显著性 低秩矩阵分解 稀疏编码 激光与光电子学进展
2020, 57(24): 241003
1 云南师范大学 信息学院, 昆明 650500
2 西部资源环境地理信息技术教育部工程研究中心, 昆明 650500
针对彩色遥感图像中薄云带来的降质问题, 提出了一种基于低秩矩阵分解的去云方法。将彩色遥感图像分成三个单通道图像, 对每一个通道进行低秩矩阵分解, 得到单通道薄云信息; 根据薄云在三个通道中均匀分布的特点, 选取合适的阈值对薄云信息进行自动判定, 提取代表三个通道的薄云图像; 用三个通道的图像分别减去对应通道的薄云图像, 并融合三个通道的结果得到去云后的彩色遥感图像。实验结果表明, 该方法不仅能够保留无云区域信息的完整性, 而且对有云区域的处理在主观视觉效果和客观评价指标上都具有较好的效果。
彩色遥感图像 薄云去除 低秩矩阵分解 color remote sensing image thin cloud removal low-rank matrix decomposition
1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 北京师范大学 地表过程与资源生态国家重点实验室, 北京 100875
3 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法。相对于其它低秩矩阵分解方法如鲁棒主成分分析, 低秩表示方法更为契合高光谱图像的线性混合模型。该算法将低秩表示模型应用到高光谱图像异常探测问题上来, 引入表征背景信息的学习字典, 大大增强了低秩表示模型对初始参数的鲁棒性。仿真和实际高光谱数据的实验结果表明, 所提出的算法有效地提高了异常的探测率, 同时对初始参数具有较好的鲁棒性, 可以作为一种解决高光谱图像异常探测的有效手段。
高光谱图像 异常探测 低秩矩阵分解 低秩表示 学习字典 Hyperspectral imagery anomaly detection low-rank matrix decomposition low-rank representation learned dictionary 红外与毫米波学报
2016, 35(6): 2016
