發(fā)布時間：2018-04-21 00:05

  本文選題：稀疏特性 + 壓縮傳感　； 參考：《復(fù)旦大學(xué)》2014年碩士論文

【摘要】：近年來,作為最流行的概念之一,稀疏特性被廣泛應(yīng)用于信號處理領(lǐng)域,包括信號壓縮與編碼、信號加密與傳輸、信號源分離、信號去噪與重構(gòu)、特征提取等。同時,稀疏特性作為理論和實用相結(jié)合的信號特性,一直以來在應(yīng)用數(shù)學(xué)的諸多領(lǐng)域廣受關(guān)注,例如：理論信號處理、統(tǒng)計估計以及計算諧波分析等。學(xué)界對于稀疏特性的熱情源于一項有別于著名的香農(nóng)采樣定理的新型采樣理論,這個理論被稱為“壓縮傳感”。壓縮傳感理論基于信號本身具有稀疏性的先驗知識,而香農(nóng)采樣理論是針對普適的頻率帶限信號進行設(shè)計的。如今的壓縮傳感理論就像二十多年前的小波變換理論一樣,將各個不同的研究領(lǐng)域緊密聯(lián)系在一起。通過在采樣和稀疏特性之間建立起一種直接的聯(lián)系,壓縮傳感理論已經(jīng)對醫(yī)學(xué)成像、編碼與信息理論、信號采集與圖像處理以及地球物理與天文數(shù)據(jù)分析等諸多科研領(lǐng)域產(chǎn)生了深遠的影響。壓縮傳感理論體現(xiàn)了稀疏特性的重要價值,同時也闡明了一系列如小波變換、曲線波變換等有關(guān)稀疏數(shù)據(jù)表示方法的原理。事實上,一個信號一般說來在直接空間(即像素空間)中是不具有稀疏特性的,但通過在某一特定函數(shù)集合上的分解之后,該信號可能變得非常稀疏。本論文重點研究稀疏特性在遙感領(lǐng)域中的一系列應(yīng)用場景,從傳統(tǒng)的信號處理方法(圖像去噪以及修復(fù)重構(gòu))擴展到遙感圖像中目標(biāo)場景的自動分類等。第二章介紹了稀疏特性分析與形態(tài)多樣性概念之間的內(nèi)在聯(lián)系,在此基礎(chǔ)上,第三至第五章分別討論了稀疏特性分析的具體應(yīng)用。第三章重點討論了稀疏特性分析在遙感圖像去噪中的應(yīng)用。本章介紹了一種基于廣義形態(tài)成分分析的新型遙感圖像去噪方法。這個新算法將經(jīng)典的形態(tài)成分分析算法進一步擴展到了盲源信號分離的架構(gòu)中。廣義形態(tài)成分分析算法采用迭代限定閾值的策略來調(diào)整優(yōu)化各參數(shù)。算法首先處理圖像中最顯著的那些特征,然后逐步合并那些沒有那么顯著的特征來細細調(diào)整整個模型所有的參數(shù)。文中對廣義形態(tài)成分分析算法的計算復(fù)雜度進行了數(shù)學(xué)分析,并與當(dāng)前最先進的遙感圖像去噪算法進行了一些對比實驗。為了對實驗中遙感圖像去噪算法的效果進行衡量和定量化分析,本文分別采用峰值信噪比指數(shù)和結(jié)構(gòu)相似度指數(shù),從灰度保真度和結(jié)構(gòu)保真度兩個方面來評估去噪效果。對實驗結(jié)果的定量分析已經(jīng)證明了所提出的廣義形態(tài)成分分析算法出色的去噪性能,這一定量分析結(jié)果也與去噪后的圖像所展示出的視覺效果相吻合。觀察者甚至很難通過視覺效果來區(qū)分出原始的無噪聲圖像和采用廣義形態(tài)成分分析算法去噪后恢復(fù)出的圖像。第四章重點討論了稀疏特性分析在遙感圖像修復(fù)中的應(yīng)用。本章介紹了一種基于增速廣義形態(tài)成分分析的新型遙感圖像修復(fù)方法。由于廣義形態(tài)成分分析算法具有很好的表示和分離形態(tài)多樣性的能力,所以是一種具有當(dāng)前最先進的圖像修復(fù)效果的算法。本章提出的增速廣義形態(tài)成分分析算法能夠提高廣義形態(tài)成分分析算法迭代過程的速度。通過對廣義形態(tài)成分分析算法添加更多的一些假設(shè)條件,新提出的增速廣義形態(tài)成分分析算法被證明是一種更加快速的算法,這樣就能夠處理非常大規(guī)模的一些應(yīng)用問題。一系列實驗結(jié)果說明增速廣義形態(tài)成分分析算法能夠很好地修復(fù)帶有不同模式丟失像素的遙感圖像。觀察者甚至很難通過視覺效果來區(qū)分辨別原始遙感圖像和經(jīng)過修復(fù)之后的圖像。峰值信噪比指數(shù)和結(jié)構(gòu)相似度指數(shù)也進一步證實了增速廣義形態(tài)成分分析算法驚人出眾的圖像修復(fù)性能,并且解釋了為什么采用增速廣義形態(tài)成分分析算法能夠獲得這么好的圖像修復(fù)視覺效果。對于時間消耗對比實驗結(jié)果的量化分析證明了,增速廣義形態(tài)成分分析算法確實能夠極大地提高廣義形態(tài)成分分析算法的迭代速度。第五章重點討論了稀疏特性分析在衛(wèi)星圖像場景分類中的應(yīng)用。本章提出了一種基于對紋理層和底圖層進行形態(tài)成分分析的高分辨率衛(wèi)星圖像分類方法。在該分類算法中所使用的字典矩陣是通過獨立元分析的方法構(gòu)造而成的。經(jīng)過形態(tài)成分分析分解之后,就得到了紋理層和底圖層的形態(tài)系數(shù)向量。這些向量被稱為輸入的高分辨率衛(wèi)星圖像的稀疏表示。結(jié)合紋理層和底圖層這兩層各自的特征,就可以根據(jù)最大似然估計機制,計算出對目標(biāo)圖像進行分類的總體概率大小。對實驗結(jié)果進行的量化分析以及與一些經(jīng)典的圖像分類算法的對比都證明了,基于對紋理層和底圖層進行形態(tài)成分分析的衛(wèi)星場景分類算法比大多數(shù)最先進的分類算法有著更高的效率、更好的分類準(zhǔn)確度和分類效果。
[Abstract]:In recent years, as one of the most popular concepts, sparsity has been widely used in the field of signal processing, including signal compression and coding, signal encryption and transmission, signal source separation, signal denoising and reconstruction, feature extraction and so on. At the same time, sparsity is used as a signal characteristic of combination of theory and practice. Domains are widely concerned, such as theoretical signal processing, statistical estimation, and calculation of harmonic analysis. The enthusiasm of the academic community for sparse characteristics is derived from a new sampling theory different from the famous Shannon sampling theorem. This theory is called "compression sensing". The theory of compressed sensing is based on the prior knowledge of the sparse characteristic of the signal itself. Shannon sampling theory is designed for universal frequency band limited signals. Today's compression sensing theory, like the theory of wavelet transform more than 20 years ago, closely links different research fields. By establishing a direct connection between sampling and sparsity, the theory of compression sensing has already been applied to medicine Imaging, coding and information theory, signal acquisition and image processing, and geophysical and astronomical data analysis have had a profound impact. The theory of compressed sensing embodies the important value of sparse characteristics, and also expounds a series of principles on sparse data representation, such as wavelet transform, curve wave transformation, etc. In fact, a signal generally does not have a sparse characteristic in direct space (i.e. pixel space), but the signal may become very sparse after the decomposition of a particular set of functions. This paper focuses on a series of application scenarios in the field of remote sensing, from the traditional signal processing method (image). The second chapter introduces the internal relations between the sparse characteristic analysis and the concept of morphological diversity, and on this basis, the third to fifth chapters discuss the specific application of the sparse characteristic analysis respectively. In the third chapter, the sparse characteristic analysis is discussed in the remote sensing map. In this chapter, a new remote sensing image denoising method based on generalized morphologic component analysis is introduced in this chapter. This new algorithm further extends the classical morphological component analysis algorithm to the architecture of blind source separation. The generalized morphological component analysis algorithm uses the strategy of iterative threshold threshold to adjust the parameters. The algorithm first deals with the most significant features in the image, and then gradually combines those less significant features to finely adjust the parameters of the whole model. In this paper, the computational complexity of the generalized morphological component analysis algorithm is mathematically analyzed, and some comparison is made with the most advanced remote sensing image denoising algorithm. In order to measure and quantify the effect of the remote sensing image denoising algorithm in the experiment, this paper uses the peak signal-to-noise ratio index and the structure similarity index respectively to evaluate the denoising effect from two aspects of the gray fidelity and the structure fidelity. The excellent denoising performance of the algorithm is analyzed, which is consistent with the visual effect shown in the image de-noising. The observer is even difficult to distinguish the original noise free images and the generalized morphologic component analysis algorithm to restore the image. The fourth chapter focuses on the sparse characteristics. In this chapter, a new method of remote sensing image restoration based on generalized morphological component analysis is introduced in this chapter. Because the generalized morphological component analysis algorithm has the ability to express and separate the morphological diversity, it is an algorithm which has the first image restoration effect. The speed of the generalized morphologic component analysis algorithm can improve the speed of the iterative process of the generalized morphologic component analysis algorithm. By adding more assumptions to the generalized morphologic component analysis algorithm, the newly proposed growth generalized morphologic component analysis algorithm is proved to be a quicker algorithm, so that it can handle very big rules. A series of experimental results. A series of experimental results show that the growth generalized morphological component analysis algorithm can well repair remote sensing images with different patterns of lost pixels. The observer is even difficult to distinguish between the original remote sensing image and the restored image by visual effect. The peak signal to noise ratio index and the structure similarity degree are very difficult to distinguish. The index also further confirms the remarkable image restoration performance of the generalized morphological component analysis algorithm, and explains why the growth generalized morphologic component analysis algorithm can obtain such good image restoration visual effects. The analysis algorithm really can greatly improve the iterative speed of the generalized morphological component analysis algorithm. The fifth chapter focuses on the application of the sparse characteristic analysis in the satellite image scene classification. In this chapter, a high resolution satellite image classification method based on the morphological composition analysis of the texture layer and the bottom layer is proposed. The dictionary matrix used in the method is constructed by the method of independent meta analysis. After the decomposition of the morphological component analysis, the morphological coefficient vectors of the texture layer and the bottom layer are obtained. These vectors are called the sparse representation of the high resolution satellite images of the input. They are combined with the two layers of the texture layer and the bottom layer. According to the maximum likelihood estimation mechanism, the overall probability of the target image classification is calculated. The quantitative analysis of the experimental results and the comparison with some classic image classification algorithms prove that the satellite scene classification algorithm based on the morphological composition analysis of the texture layer and the bottom layer is more advanced than most. The classification algorithm has higher efficiency, better classification accuracy and classification effect.

【學(xué)位授予單位】：復(fù)旦大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP751

【共引文獻】

相關(guān)期刊論文 前10條

1 劉繁明;張迎發(fā);李艷;姚建奇;;基于壓縮感知的地磁數(shù)據(jù)分頻壓縮與重構(gòu)方法[J];測繪學(xué)報;2013年04期

2 宋無名;陳南圭;;功能MRI:最先進方法的簡要回顧和展望(英文)[J];磁共振成像;2013年05期

3 劉平;劉曉曼;朱永貴;;基于K-SVD字典學(xué)習(xí)的核磁共振圖像重建方法[J];中國傳媒大學(xué)學(xué)報(自然科學(xué)版);2013年04期

4 劉佶鑫;孫權(quán)森;;多尺度分形壓縮感知遙感成像方法[J];測繪學(xué)報;2013年06期

5 袁義明;孫晨;楊長春;;基于迭代再加權(quán)最小二乘的地震資料稀疏反演方法[J];地球物理學(xué)進展;2013年05期

6 李東;倉吉;夏新星;李海峰;劉向東;劉旭;;基于壓縮感知的后調(diào)制遠距離三維成像研究[J];光學(xué)學(xué)報;2014年01期

7 嚴(yán)奉霞;王澤龍;朱炬波;劉吉英;;壓縮感知理論與光學(xué)壓縮成像系統(tǒng)[J];國防科技大學(xué)學(xué)報;2014年02期

8 林溱;;基于稀疏表示的MRI研究簡介[J];電子世界;2014年09期

9 趙彥孟;宋建新;;一種基于壓縮感知全變差算法的圖像去噪方法[J];電視技術(shù);2014年05期

10 裴琳;王小慶;;基于二維壓縮感知的超聲k空間重建[J];工業(yè)控制計算機;2014年07期

相關(guān)會議論文 前3條

1 袁義明;孫晨;楊長春;;基于迭代再加權(quán)最小二乘的地震資料稀疏反演方法[A];中國科學(xué)院地質(zhì)與地球物理研究所2013年度（第13屆）學(xué)術(shù)論文匯編——蘭州油氣中心及離退休等部門[C];2014年

2 劉運松;Jian-feng Cai;占志芳;郭迪;葉婧;陳忠;屈小波;;壓縮感知MRI稀疏模型對比:分解型、綜合型和平衡型[A];第十八屆全國波譜學(xué)學(xué)術(shù)年會論文集[C];2014年

3 張量;張忠祥;周元元;范程華;;天線近遠場測試數(shù)據(jù)的稀疏特性研究[A];2015年全國微波毫米波會議論文集[C];2015年

相關(guān)博士學(xué)位論文 前10條

1 王良君;基于壓縮感知的多描述編碼研究[D];西安電子科技大學(xué);2013年

2 鄒健;分塊稀疏表示的理論及算法研究[D];華南理工大學(xué);2012年

3 張湃;可實現(xiàn)圖像自修復(fù)的壓縮感知超分辨率成像算法的研究[D];燕山大學(xué);2013年

4 宋曉霞;低冗余CS觀測方法及其在WSNs數(shù)據(jù)收集中的應(yīng)用[D];西安電子科技大學(xué);2013年

5 孫彪;基于壓縮感知的信號頻譜測量方法研究[D];華中科技大學(xué);2013年

6 張臻;基于壓縮感知的圖像編解碼方法研究[D];北京工業(yè)大學(xué);2013年

7 劉晨軼;基于壓縮感知的OCT圖像稀疏重建[D];北京郵電大學(xué);2013年

8 尹海濤;面向圖像融合和圖像復(fù)原的稀疏表示研究[D];湖南大學(xué);2012年

9 王鐵丹;壓縮感知技術(shù)在陣列測向中的應(yīng)用[D];電子科技大學(xué);2013年

10 陳慧;稀疏欠采樣陣列信號處理方法研究[D];電子科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 孫興國;基于壓縮感知的無線信道估計方法研究[D];安徽大學(xué);2013年

2 仇樂樂;無線傳感網(wǎng)中基于量化壓縮感知的圖像傳輸方法研究[D];安徽大學(xué);2013年

3 文首先;壓縮感知匹配追蹤算法的研究[D];安徽大學(xué);2013年

4 段世芳;壓縮感知中的圖像重構(gòu)算法研究[D];天津理工大學(xué);2013年

5 郭凱;模擬信號壓縮采樣的研究[D];天津理工大學(xué);2013年

6 袁媛;基于壓縮感知的圖像壓縮技術(shù)的研究[D];成都理工大學(xué);2013年

7 彭善華;基于徑向軌跡稀疏采樣的快速磁共振成像方法研究[D];湖南師范大學(xué);2013年

8 孫媛;基于壓縮感知的數(shù)字圖像可逆水印算法研究[D];蘭州理工大學(xué);2013年

9 賈義亭;圖像超分辨率重建研究[D];西北大學(xué);2013年

10 周禮;壓縮感知SAR成像重構(gòu)算法研究[D];西南交通大學(xué);2013年

，

本文編號：1780030