本文關(guān)鍵詞：基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息獲取技術(shù)和網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展,以傳感器感知數(shù)據(jù)、圖像視頻為典型代表的數(shù)字信號以指數(shù)級增長,給其采集、復(fù)原和壓縮等應(yīng)用帶來了巨大挑戰(zhàn)與壓力。稀疏表示理論為數(shù)字信號的高效表示與精確重建提供了新的途徑,但是針對數(shù)據(jù)收集、圖像復(fù)原與圖像視頻壓縮等具體應(yīng)用,如何基于稀疏表示理論,充分利用數(shù)字信號自身特性和挖掘具體應(yīng)用的先驗知識,建立其高效表示模型和魯棒重建模型,仍然是一個開放問題,相關(guān)研究具有重要的理論與實際意義。本文基于稀疏表示理論,面向無線傳感網(wǎng)絡(luò)數(shù)據(jù)采集、圖像復(fù)原和圖像視頻壓縮三類應(yīng)用展開研究,提出了一系列模型與算法來改進應(yīng)用性能。論文的主要工作集中在如下幾個方面:第一,在無線傳感網(wǎng)絡(luò)數(shù)據(jù)收集方面,提出了基于自適應(yīng)壓縮感知的感知數(shù)據(jù)收集方案,建立了基于自回歸模型的感知數(shù)據(jù)自適應(yīng)重建模型,實現(xiàn)了高效的感知數(shù)據(jù)獲取�，F(xiàn)有基于壓縮感知的數(shù)據(jù)收集方法不能有效應(yīng)對復(fù)雜多變的感知數(shù)據(jù),針對這個問題,利用無線傳感網(wǎng)絡(luò)中相鄰結(jié)點之間感知數(shù)據(jù)高度相關(guān)的特點,提出基于自回歸模型的自適應(yīng)壓縮感知重建模型。在此基礎(chǔ)上,針對無線傳感網(wǎng)絡(luò)中普遍存在異常感知數(shù)據(jù)的問題,提出了基于變換域空域聯(lián)合稀疏的異常感知數(shù)據(jù)重建和檢測方法。針對現(xiàn)有壓縮感知數(shù)據(jù)收集中采用固定數(shù)目觀測的問題,利用壓縮感知中隨機觀測具有同等重要性以及重建值具有漸進性的特性,提出了基于重建誤差估計的自適應(yīng)觀測方法。在真實感知數(shù)據(jù)集上的實驗結(jié)果表明本文方法能夠大幅度提高傳感器數(shù)據(jù)重建質(zhì)量。第二,在彩色深度圖像增強方面,提出了多通道圖像稀疏系數(shù)分組稀疏重建模型和多通道圖像正交稀疏字典的學(xué)習(xí)方法。通過分析彩色深度圖像各分量之間的高度相關(guān)性,發(fā)現(xiàn)彩色深度圖像中不同分量稀疏系數(shù)具有近似相同的非零系數(shù)位置。根據(jù)這種特性,提出了多通道圖像分組稀疏重建模型。針對現(xiàn)有稀疏表示冗余字典導(dǎo)致求解效率低的問題,提出彩色深度多通道圖像正交稀疏字典學(xué)習(xí)方法。利用學(xué)習(xí)出的字典的正交特性,從理論上證明了對應(yīng)稀疏編碼問題具有顯式封閉解。將傳統(tǒng)稀疏編碼問題的迭代求解轉(zhuǎn)變?yōu)轱@式的封閉解,從而極大降低了稀疏編碼問題求解的運算復(fù)雜度。實驗結(jié)果表明多通道分組稀疏重建模型顯著提升了彩色深度圖像重建圖像的主客觀質(zhì)量。在圖像插值方面,提出了圖像信號的局部-非局部聯(lián)合低秩重建模型。同時利用自然圖像中廣泛存在的局部空間相關(guān)性和非局部自相似性,基于低秩矩陣重建理論構(gòu)造了圖像局部-非局部聯(lián)合低秩重建模型,將圖像插值問題轉(zhuǎn)化為低秩矩陣填充問題,并給出了基于分離Bregman的高效求解算法。實驗結(jié)果表明,本文方法能有效提升插值圖像的主客觀質(zhì)量。第三,在視頻幀內(nèi)預(yù)測方面,提出了基于低秩矩陣填充的幀內(nèi)預(yù)測方法。針對標(biāo)準(zhǔn)H.264/AVC不能有效預(yù)測復(fù)雜紋理的問題,利用視頻幀中的全局自相似性,構(gòu)造了視頻幀的低秩表示模型。利用模板匹配的方式搜索視頻幀中相似圖像塊并將其重新組織為近似低秩矩陣形式,將幀內(nèi)預(yù)測問題轉(zhuǎn)化為一個低秩矩陣填充問題。定義了多方向模板匹配以進一步準(zhǔn)確捕捉圖像塊的紋理方向。實驗結(jié)果表明,基于低秩矩陣填充的幀內(nèi)預(yù)測方法在重建圖像主客觀質(zhì)量上明顯都優(yōu)于標(biāo)準(zhǔn)H.264/AVC。在圖像壓縮方面,提出了基于基元圖稀疏表示的圖像壓縮方案。針對現(xiàn)有圖像壓縮方法中大量損失高頻信息的問題,從計算機視覺的角度出發(fā),利用從訓(xùn)練圖像集中獲得的基元圖先驗知識對重建圖像中的高頻信息進行重建。對于從訓(xùn)練圖像集中獲得的基元圖,利用正交稀疏字典學(xué)習(xí)的方式獲得其高效緊致的表示。利用高低質(zhì)量基元圖之間的結(jié)構(gòu)相似性,結(jié)合基元圖稀疏字典,以稀疏重建的方式對圖像高頻信息進行重建。實驗結(jié)果表明,基于基元圖稀疏表示的圖像壓縮方法在低碼率下具有比JPEG2000更高的重建圖像主客觀質(zhì)量,尤其在邊緣區(qū)域能獲得更好的主觀質(zhì)量。
【關(guān)鍵詞】：稀疏表示 壓縮感知 數(shù)據(jù)收集 圖像復(fù)原 圖像視頻壓縮
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-29
• 1.1 研究背景及意義11-12
• 1.2 研究內(nèi)容及研究現(xiàn)狀12-26
• 1.2.1 稀疏表示理論13-21
• 1.2.2 無線傳感網(wǎng)絡(luò)數(shù)據(jù)收集21-22
• 1.2.3 圖像視頻壓縮與圖像復(fù)原22-26
• 1.3 本文主要研究工作與論文組織26-29
• 第2章 基于自適應(yīng)壓縮感知的無線傳感網(wǎng)絡(luò)數(shù)據(jù)收集29-51
• 2.1 基于壓縮感知的數(shù)據(jù)收集29-30
• 2.2 基于自回歸模型的感知數(shù)據(jù)自適應(yīng)重建30-38
• 2.3 基于多域聯(lián)合稀疏的異常感知數(shù)據(jù)檢測與處理38-41
• 2.4 基于重建誤差估計的感知數(shù)據(jù)自適應(yīng)觀測41-44
• 2.5 實驗結(jié)果及分析44-49
• 2.6 本章小結(jié)49-51
• 第3章 基于稀疏表示的圖像復(fù)原51-77
• 3.1 基于正交稀疏字典與分組稀疏的彩色深度圖像增強51-66
• 3.1.1 多通道正交稀疏字典與多通道分組稀疏模型52-59
• 3.1.2 實驗結(jié)果及分析59-66
• 3.2 基于局部-非局部聯(lián)合低秩重建模型的圖像插值66-76
• 3.2.1 圖像局部-非局部聯(lián)合低秩重建模型67-72
• 3.2.2 實驗結(jié)果及分析72-76
• 3.3 本章小結(jié)76-77
• 第4章 基于稀疏表示的圖像視頻壓縮77-99
• 4.1 基于低秩矩陣填充的幀內(nèi)預(yù)測77-89
• 4.1.1 H.264/AVC幀內(nèi)預(yù)測78-79
• 4.1.2 基于低秩矩陣填充的幀內(nèi)預(yù)測框架79-80
• 4.1.3 基于低秩矩陣重建模型的幀內(nèi)預(yù)測方法80-83
• 4.1.4 實驗結(jié)果及分析83-89
• 4.2 基于基元圖稀疏表示的圖像壓縮89-98
• 4.2.1 基于基元圖的圖像壓縮89-90
• 4.2.2 基于基元圖稀疏表示的圖像壓縮框架90
• 4.2.3 基于正交稀疏字典的基元圖字典學(xué)習(xí)90-94
• 4.2.4 基于基元圖稀疏重建的高頻信息重建94-96
• 4.2.5 實驗結(jié)果與分析96-98
• 4.3 本章小結(jié)98-99
• 結(jié)論99-101
• 參考文獻101-113
• 攻讀博士學(xué)位期間所取得的學(xué)術(shù)成果113-115
• 致謝115

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學(xué)報;2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學(xué)報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識別[J];計算機工程與設(shè)計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學(xué)學(xué)報(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應(yīng)用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測[J];彈箭與制導(dǎo)學(xué)報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 李小薪;稀疏表示的分段匹配尋蹤方法[D];華南理工大學(xué);2009年

7 何艷敏;稀疏表示在圖像壓縮和去噪中的應(yīng)用研究[D];電子科技大學(xué);2011年

8 宋相法;基于稀疏表示和集成學(xué)習(xí)的若干分類問題研究[D];西安電子科技大學(xué);2013年

9 匡金駿;基于稀疏表示的圖像分類與目標(biāo)跟蹤研究[D];重慶大學(xué);2013年

10 李海山;基于稀疏表示理論的地震信號處理方法研究[D];中國石油大學(xué)（華東）;2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

  本文關(guān)鍵詞：基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究，，由筆耕文化傳播整理發(fā)布。

本文編號：325293