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 四川轻化工大学 自动化与信息工程学院, 四川 自贡 643000
2 企业信息化与物联网测控技术四川省高校重点实验室, 四川 自贡 643000
协同表示算法对人脸图像具有快速分类的特点, 但在单样本或欠样本情况下, 对变化复杂的人脸识别率还不够理想, 无法满足工程要求。针对该问题, 提出一种基于欠样本混合内变基字典的 扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程, 提取人脸的变化共同特征并生成内变基, 再融合两种及两种以上不同人脸变化的共同特征生成混合内变基, 提高内变基的 通用性, 建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸, 达到扩展训练样本集的目的, 再对人脸协同分类。利用AR库、ORL库、Yale库和 Yale B库进行识别实验。结果表明, 本文算法能有效提高协同表示算法的识别率, 在欠样本情况下识别率提高7.33%～3317%, 在单样本情况下识别率提高6.78%~24.47%。
人脸识别 协同表示 权值融合 欠样本 特征提取 稀疏字典 机器学习 图像处理 face recognition cooperative representation weight fusion due sample feature extraction sparse dictionary image processing
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
西北师范大学 计算机科学与工程学院, 兰州 730070
为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。
遥感 邻域谱 概率协同表示 分类 remote sensing neighborhood spectrum probability cooperative representation classification
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
四川理工学院 自动化与信息工程学院,四川 自贡 643000
在人脸识别中, 人脸图像受到表情、光照、遮挡、姿态变化、特别是训练样本数量的影响, 而现实中经常只获得少量的训练样本, 由于原始样本生成虚拟样本可以增加训练样本的数量, 分析提出原始样本与轴对称样本融合的协同表示算法。首先生成镜像样本与轴对称样本, 再在协同表示分类器下分类, 最后加权值融合, 分析不同权值下的人脸识别率。实验结果显示原始样本、镜像样本与轴对称样本融合能提高识别率, 而原始样本与轴对称样本融合的识别率更加优越, 较原始样本, 识别率提高2%~9%, 比原始样本与镜像样本融合高1%~5%。结果表明本文提出方法能有效提高人脸识别率。
人脸识别 镜像样本 轴对称样本 协同表示 权值融合 face recognition mirror samples axial-symmetry samples collaborative representation weight fusion
四川理工学院 自动化与信息工程学院,四川 自贡 643000
在人脸识别中, 人脸图像往往受到表情、光照、遮挡、姿态变化的影响, 对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像, 再分别对训练样本与误差图像提取特征构造特征字典, 计算测试样本图像特征字典下的协同表示系数, 最后通过重构误差进行分类。通过AR和ORL人脸库进行实验, 结果表明, 本文提出的人脸识别算法的识别率、识别速率得到有效提高。
人脸识别 低秩矩阵 特征脸 协同表示 face recognition low-rank matrix eigenface collaborative representation
