张量压缩感知下的字典学习算法及应用

发布时间：2021-04-11 00:13

　　本文主要研究多维信号下的张量压缩感知算法,中心是基于高阶奇异值分解的字典学习算法及其在视频信号中的应用。张量压缩感知（Tensor Compressed Sensing）是近年来新出现的一种处理多维数据的方法,例如视频序列、医学成像以及高光谱图像等。传统压缩感知理论的一个内在限制是,它只能以向量的形式对数据进行稀疏表示。对于多维信号,如果将原信号进行向量化处理,不仅容易使信号自身具有的某些结构信息遭到破坏,而且在优化求解过程中使计算的复杂度大大增加,从而使信号重构的效率降低。但是将多维信号表示为张量的话,用张量的形式处理多维信号,可以让数据的结构得到保存。因此,如何将传统压缩感知理论拓展到张量压缩感知,是大家致力于研究的问题中心。本文以视频序列为对象,提出了张量压缩感知的字典学习算法HOSVDDL（Higher Order SVD Dictionary Learning）。基于高阶奇异值分解模型,核张量作为稀疏表示系数,各个因子作为字典,在保证稀疏性要求的前提下,优化学习字典,对张量数据进行充分的逼近。与现有的字典学习算法Kronecker Dictionary Learning相比,... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 压缩感知理论
        1.2.2 张量压缩感知
    1.3 本文主要研究内容
第2章 稀疏表示的理论基础
    2.1 稀疏表示理论
        2.1.1 稀疏表示理论及模型
        2.1.2 稀疏表示算法
        2.1.3 字典学习算法
    2.2 本章小结
第3章 张量压缩感知
    3.1 张量及其性质
        3.1.1 张量简介
        3.1.2 张量的基本运算
    3.2 张量的稀疏表示算法
    3.3 张量的字典学习算法
        3.3.1 KDL字典学习算法
        3.3.2 HOSVDDL字典学习算法
    3.4 理论支撑
    3.5 本章小结
第4章 视频压缩感知及重构
    4.1 数据模拟
    4.2 彩色图像重构
    4.3 视频序列重构
    4.4 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]视频编码技术的若干新进展[J]. 黎洪松,程福林,艾新宇.  计算机应用研究. 2016(08)
[2]图像分块压缩感知中的自适应测量率设定方法[J]. 李然,干宗良,崔子冠,武明虎,朱秀昌.  通信学报. 2014(07)
[3]信号压缩重构的正交匹配追踪类算法综述[J]. 杨真真,杨震,孙林慧.  信号处理. 2013(04)
[4]基于变采样率的多假设预测分块视频压缩感知[J]. 练秋生,田天,陈书贞,郭伟.  电子与信息学报. 2013(01)
[5]基于压缩感知的视频编码技术研究[J]. 陈建,苏凯雄,朱宇耀.  福州大学学报(自然科学版). 2012(06)
[6]基于压缩感知理论的视频编解码器[J]. 谢晓春,赖昭胜,杨汉祥.  电视技术. 2010(05)



本文编号：3130589