1 中北大学仪器与电子学院,山西 太原 030051
2 山西省自动化检测装备与系统工程技术研究中心,山西 太原 030051
针对目前光纤环缺陷检测方法可靠性低、实用性差的问题,提出一种基于改进低秩表示模型的光纤环缺陷检测算法。基于低秩表示理论对缺陷检测问题进行模型构建,将无缺陷的光纤环图像建模为低秩结构,将缺陷建模为稀疏结构;同时将拉普拉斯正则化约束项施加到低秩表示模型中,以扩大缺陷区域与背景之间的差距;为了提高算法的效率,采用幂法迭代的思想来实现奇异值分解。通过实验对算法进行验证,结果表明,所提算法对不同类型的缺陷均具有良好的检测性能,且与其他算法相比,取得最优的表现。
光纤环 缺陷检测 低秩表示 奇异值 幂法迭代 激光与光电子学进展
2022, 59(22): 2215008
1 电子科技大学航空航天学院,四川成都 611731
2 飞行器集群感知与协同控制四川省重点实验室,四川成都 611731
红外和可见光图像融合广泛应用于目标跟踪、检测和识别等领域。为了保留细节的同时增强对比度,本文提出一种基于潜在低秩表示的红外和可见光图像融合方法。潜在低秩分解将源图像分解为基层和显著层,其中基层包含主要内容和结构信息,显著层包含能量相对集中的局部区域。进一步利用比例金字塔分解得到低频和高频的基层子带,并针对不同层的特点设计对应的融合规则。利用稀疏表示表达低频基层较分散的能量,设计 L1范数最大和稀疏系数最大规则,加权平均融合策略保留不同的显著特征;绝对值最大增强高频基层的对比度信息;而显著层则利用局部方差度量局部显著性,加权平均方式突出对比度较强的目标区域。在 TNO数据集上的定性和定量实验分析表明方法具有良好的融合性能。基于低秩分解的方法能够增强红外和可见光融合图像中目标对比度的同时保留了丰富的细节信息。
潜在低秩表示 显著性分解 稀疏表示 图像融合 latent low-rank representation, saliency decomposi
西南科技大学制造科学与工程学院, 四川 绵阳 621010
针对线性加权多核图聚类方法限制了共识核的表达能力和再生核希尔伯特空间中噪声污染的问题, 提出一种鲁棒多核子空间图聚类算法(RSMKL), 旨在增强核的表达能力和提高核空间中噪声的鲁棒性。该算法利用一种新颖的非线性自加权核融合策略来生成最佳的共识核, 同时在核空间利用低秩约束模型来消除噪声对关系图质量的影响。最后, 提出一种基于交替方向乘子的迭代优化算法求解目标函数。与5种同类流行算法在5个常用数据集上比较, 实验结果表明RSMKL在聚类精度(ACC)、标准互信息(NMI)和聚类纯度(Purity)上具有更好的聚类性能。
子空间聚类 谱图聚类 关系图学习 多核学习 低秩约束 subspace clustering spectral graph clustering affinity graph learning multiple kernel learning low-rank representation
1 西安理工大学 印刷包装与数字媒体学院, 西安70048
2 中国科学院西安光学精密机械研究所 光谱成像技术重点实验室,西安710119
针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。
高光谱影像 异常检测 3D卷积 自编解码器 低秩表示 Hyperspectral imagery Anomaly detection 3D Convolution Autoencoder Low rank representation
1 天津大学电气自动化与信息工程学院, 天津 300072
2 北京智芯微电子科技有限公司, 北京 102200
提出一种基于多视角低秩表征的短视频多标签分类模型。该模型将低秩表征和多标签学习结合到同一框架中,利用不同类型特征的一致性学习本征稳定的低秩表示。同时为了获得标签相关性的潜在表示,构建了标签相关性学习项来自适应地捕获标签的相关性矩阵。此外,模型利用监督信息进一步提高了其表征能力。大量的实验结果证实了所提方法的优越性。
图像处理 低秩表征 多标签学习 多视角学习 短视频 激光与光电子学进展
2020, 57(22): 221012
安徽医学高等专科学校基础部,安徽合肥 230601
组合聚类 (EC)是解决数据挖掘问题的关键手段之一,但现有的 EC方法较少考虑可能破坏聚类结构的各种噪声,降低了聚类性能。为此,提出一种改进的谱组合聚类 (ISEC)方法。将聚类问题建模为输入的多个基本分区 (BPs)派生的共协矩阵的图分割问题; ISEC方法学习得到共协矩阵的低秩表示,并在共协矩阵上进行谱聚类,提高聚类性能;最后采用增强拉格朗日乘数法进行优化求解,获得最终的聚类结果。在多个真实数据集上的 仿真实验结果表明, ISEC方法的聚类性能优于目前的大多数聚类方法。
组合聚类 基本分区 低秩表示 共协矩阵 增强拉格朗日乘数法 Ensemble Clustering Basic Partitions Low Rank Representation(LRR) covariancematrix enhanced Lagrange multiplier method 太赫兹科学与电子信息学报
2020, 18(3): 497