基于稀疏表示的数据收集、复原与压缩研究

发布时间：2017-04-25 01:05

  本文关键词：基于稀疏表示的数据收集、复原与压缩研究，由笔耕文化传播整理发布。

【摘要】：随着信息获取技术和网络技术的迅猛发展,以传感器感知数据、图像视频为典型代表的数字信号以指数级增长,给其采集、复原和压缩等应用带来了巨大挑战与压力。稀疏表示理论为数字信号的高效表示与精确重建提供了新的途径,但是针对数据收集、图像复原与图像视频压缩等具体应用,如何基于稀疏表示理论,充分利用数字信号自身特性和挖掘具体应用的先验知识,建立其高效表示模型和鲁棒重建模型,仍然是一个开放问题,相关研究具有重要的理论与实际意义。本文基于稀疏表示理论,面向无线传感网络数据采集、图像复原和图像视频压缩三类应用展开研究,提出了一系列模型与算法来改进应用性能。论文的主要工作集中在如下几个方面:第一,在无线传感网络数据收集方面,提出了基于自适应压缩感知的感知数据收集方案,建立了基于自回归模型的感知数据自适应重建模型,实现了高效的感知数据获取。现有基于压缩感知的数据收集方法不能有效应对复杂多变的感知数据,针对这个问题,利用无线传感网络中相邻结点之间感知数据高度相关的特点,提出基于自回归模型的自适应压缩感知重建模型。在此基础上,针对无线传感网络中普遍存在异常感知数据的问题,提出了基于变换域空域联合稀疏的异常感知数据重建和检测方法。针对现有压缩感知数据收集中采用固定数目观测的问题,利用压缩感知中随机观测具有同等重要性以及重建值具有渐进性的特性,提出了基于重建误差估计的自适应观测方法。在真实感知数据集上的实验结果表明本文方法能够大幅度提高传感器数据重建质量。第二,在彩色深度图像增强方面,提出了多通道图像稀疏系数分组稀疏重建模型和多通道图像正交稀疏字典的学习方法。通过分析彩色深度图像各分量之间的高度相关性,发现彩色深度图像中不同分量稀疏系数具有近似相同的非零系数位置。根据这种特性,提出了多通道图像分组稀疏重建模型。针对现有稀疏表示冗余字典导致求解效率低的问题,提出彩色深度多通道图像正交稀疏字典学习方法。利用学习出的字典的正交特性,从理论上证明了对应稀疏编码问题具有显式封闭解。将传统稀疏编码问题的迭代求解转变为显式的封闭解,从而极大降低了稀疏编码问题求解的运算复杂度。实验结果表明多通道分组稀疏重建模型显著提升了彩色深度图像重建图像的主客观质量。在图像插值方面,提出了图像信号的局部-非局部联合低秩重建模型。同时利用自然图像中广泛存在的局部空间相关性和非局部自相似性,基于低秩矩阵重建理论构造了图像局部-非局部联合低秩重建模型,将图像插值问题转化为低秩矩阵填充问题,并给出了基于分离Bregman的高效求解算法。实验结果表明,本文方法能有效提升插值图像的主客观质量。第三,在视频帧内预测方面,提出了基于低秩矩阵填充的帧内预测方法。针对标准H.264/AVC不能有效预测复杂纹理的问题,利用视频帧中的全局自相似性,构造了视频帧的低秩表示模型。利用模板匹配的方式搜索视频帧中相似图像块并将其重新组织为近似低秩矩阵形式,将帧内预测问题转化为一个低秩矩阵填充问题。定义了多方向模板匹配以进一步准确捕捉图像块的纹理方向。实验结果表明,基于低秩矩阵填充的帧内预测方法在重建图像主客观质量上明显都优于标准H.264/AVC。在图像压缩方面,提出了基于基元图稀疏表示的图像压缩方案。针对现有图像压缩方法中大量损失高频信息的问题,从计算机视觉的角度出发,利用从训练图像集中获得的基元图先验知识对重建图像中的高频信息进行重建。对于从训练图像集中获得的基元图,利用正交稀疏字典学习的方式获得其高效紧致的表示。利用高低质量基元图之间的结构相似性,结合基元图稀疏字典,以稀疏重建的方式对图像高频信息进行重建。实验结果表明,基于基元图稀疏表示的图像压缩方法在低码率下具有比JPEG2000更高的重建图像主客观质量,尤其在边缘区域能获得更好的主观质量。
【关键词】：稀疏表示 压缩感知 数据收集 图像复原 图像视频压缩
【学位授予单位】：北京工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-29
• 1.1 研究背景及意义11-12
• 1.2 研究内容及研究现状12-26
• 1.2.1 稀疏表示理论13-21
• 1.2.2 无线传感网络数据收集21-22
• 1.2.3 图像视频压缩与图像复原22-26
• 1.3 本文主要研究工作与论文组织26-29
• 第2章 基于自适应压缩感知的无线传感网络数据收集29-51
• 2.1 基于压缩感知的数据收集29-30
• 2.2 基于自回归模型的感知数据自适应重建30-38
• 2.3 基于多域联合稀疏的异常感知数据检测与处理38-41
• 2.4 基于重建误差估计的感知数据自适应观测41-44
• 2.5 实验结果及分析44-49
• 2.6 本章小结49-51
• 第3章 基于稀疏表示的图像复原51-77
• 3.1 基于正交稀疏字典与分组稀疏的彩色深度图像增强51-66
• 3.1.1 多通道正交稀疏字典与多通道分组稀疏模型52-59
• 3.1.2 实验结果及分析59-66
• 3.2 基于局部-非局部联合低秩重建模型的图像插值66-76
• 3.2.1 图像局部-非局部联合低秩重建模型67-72
• 3.2.2 实验结果及分析72-76
• 3.3 本章小结76-77
• 第4章 基于稀疏表示的图像视频压缩77-99
• 4.1 基于低秩矩阵填充的帧内预测77-89
• 4.1.1 H.264/AVC帧内预测78-79
• 4.1.2 基于低秩矩阵填充的帧内预测框架79-80
• 4.1.3 基于低秩矩阵重建模型的帧内预测方法80-83
• 4.1.4 实验结果及分析83-89
• 4.2 基于基元图稀疏表示的图像压缩89-98
• 4.2.1 基于基元图的图像压缩89-90
• 4.2.2 基于基元图稀疏表示的图像压缩框架90
• 4.2.3 基于正交稀疏字典的基元图字典学习90-94
• 4.2.4 基于基元图稀疏重建的高频信息重建94-96
• 4.2.5 实验结果与分析96-98
• 4.3 本章小结98-99
• 结论99-101
• 参考文献101-113
• 攻读博士学位期间所取得的学术成果113-115
• 致谢115

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年

7 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年

8 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年

9 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年

10 李海山;基于稀疏表示理论的地震信号处理方法研究[D];中国石油大学（华东）;2013年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

  本文关键词：基于稀疏表示的数据收集、复原与压缩研究，，由笔耕文化传播整理发布。

本文编号：325293