江西理工大学电气工程与自动化学院, 江西 赣州 341000
针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。
机器视觉 鲁棒主成分分析 全变分正则化 Rank-1正则化 运动目标检测 激光与光电子学进展
2020, 57(24): 241507
江西理工大学电气工程与自动化学院, 江西 赣州 341000
复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。
机器视觉 低秩稀疏分解 鲁棒主成分分析 三维全变分正则化 视频去噪 目标检测 激光与光电子学进展
2020, 57(16): 161506
1 武汉大学 电子信息学院, 湖北 武汉 430072
2 武汉大学 中南医院心血管内科, 湖北 武汉 430071
3 武汉大学 口腔医院放射科, 湖北 武汉 430079
如何在复杂噪声条件下提升锥形束计算机断层扫描成像(Cone Beam Computed Tomography, CBCT)图像重建质量, 对于CBCT系统而言是非常重要的。本文提出了一种混合高斯/泊松最大似然函数下的CBCT图像重建方法。首先研究了适宜于描述混合高斯/泊松噪声环境下的CBCT图像重建模型, 它包含一个基于混合高斯/泊松最大似然函数的保真项和一个基于三维全变分正则化方法的约束项。保真项用于约束在混合噪声模型下重建结果与观测值尽可能的相近, 约束项用于噪声去除并要求尽可能较好地保留图像的边缘与细节信息。进一步通过可分离近似方法和扩展拉格朗日方法对上述模型进行求解。最后通过仿真数据和真实数据对算法的有效性进行了验证, 实验结果表明: 仿真结果相对于其他方法而言, PSNR最高可以提升2.1 dB; 从主观视觉而言, 本文方法在噪声环境下具有较好的图像重建质量。因此, 本文方法可以被广泛应用于各种低剂量条件下的CBCT图像重建中。
混合高斯/泊松最大似然函数 全变分正则化 图像重建 CBCT Cone Beam Computed Tomography(CBCT) mixed Poisson-Gaussian maximum likelihood function total variation regularization image reconstruction