摘要：低分辨率自适应图像的像素密度过于稀疏,导致图像清晰度达不到超分辨标准。为此提出低秩矩阵恢复下的自适应图像超分辨率重建方法。构建低秩矩阵恢复模型,计算峰值信噪比参数,完成低秩矩阵恢复下的自适应图像降噪处理。在图像区域中提取自适应特征,根据超分辨率判别条件定义具体的重建函数表达式,完成低秩矩阵恢复下自适应图像超分辨率重建方法的设计。实验结果表明,该方法的应用可使图像有效去噪,信噪比高于31 dB,重建后图像分辨率均值达到100 PPI,实现了超分辨重建。

摘要：传统的基于低秩矩阵恢复的椒盐噪声去噪算法易产生条纹失真,中值滤波去除椒盐噪声后边缘易产生移位和块状效应,纹理细节不太清晰,为此提出一种椒盐噪声去噪模型。在原有的低秩矩阵核范数约束基础上引入总变分约束项,为提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入加权的方法。实验结果表明,该算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,保证了去噪效果,保留了图像的细节信息,具有更佳的视觉效果,提高了客观评价指标。

摘要：为分析低秩矩阵恢复算法在交通视频背景重建中的性能,分别对基于矩阵补全、鲁棒主成分分析和低秩表示3种低秩恢复方法做交通视频背景重建实验。分别针对环境光照变化、不同车流量、阴影等场景进行测试。为客观评价算法性能,使用SBMI2015推荐的评测指标,结合算法复杂度和执行效率说明算法性能优劣。与目前常用的加权移动平均法、自适应背景学习算法和高斯混合模型法进行对比。实验结果表明,对于缓变交通场景,低秩矩阵恢复算法在处理环境光照变化、较大车流量和克服阴影等不利因素时,较传统背景重建算法有突出优势。综合指标表明,鲁棒主成分分析方法在交通场景背景视频重建中的性能优于其它方法。

摘要：低秩矩阵恢复算法主要包括鲁棒主成分分析、矩阵补全、低秩表示,由于矩阵补全是一个NP难的问题,低秩表示涉及到字典矩阵,复杂度高,因此本文主要针对鲁棒主成分分析在FPGA上的研究与应用进行了描述,并且在CPU以及FPGA上实现了图像恢复。实验结果表明,基于FPGA的HLS设计相对于传统CPU在速度上得到了数十倍的提高。

摘要：针对不同噪声背景下广义斜投影滤波存在滤波“死角”,且易受噪声协方差矩阵估计误差影响的问题,提出了一种基于奇异值阈值(SVT)的广义斜投影极化-空域联合滤波方法。以均匀圆阵极化敏感阵列为基础建立阵列接收信号模型;利用最小化干扰约束广义斜投影算子设计广义斜投影三维极化滤波器;在干扰参数未知的情况下,提出了一种基于SVT的滤波权矢量计算方法;通过对滤波器性能进行理论分析并与三种同类方法仿真对比,结果表眀:基于SVT的广义斜投影三维极化滤波方法能够在无需估计噪声协方差矩阵的条件下实现干扰抑制并恢复出目标信号。

摘要：由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在。本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征。最后,利用主成分分析(Principal component analysis,PCA)算法对所提取的特征矩阵进行进一步降维,并运用稀疏表示方法分类。实验结果表明,当样本中存在一定的椒盐噪声时,本文算法在AR、Yale和CMU_PIE人脸库上均具有较好的识别精度,验证了本文算法对椒盐噪声的鲁棒性。

摘要：为解决传统图像去噪方法存在的纹理失真、边缘模糊等问题,基于矩阵低秩稀疏分解理论,改进低秩矩阵恢复去噪时对于高斯噪声约束的不足,提出一种局部图像块正则的模型,采用非精确增广拉格朗日乘子法(IALM)对该模型进行求解。实验结果表明,与低秩矩阵恢复去除图像噪声相比,该算法对于高斯白噪声和脉冲噪声的混合噪声模型去噪效果更优。

摘要：为了增强广义低秩矩阵逼近(Generalized Low Rank Approximations of Matrices,GLRAM)的鲁棒性与稳定性,提出稳定广义低秩矩阵逼近(Stable GLRAM,SGLRAM)算法。将每个数据矩阵分解为低秩成分、稀疏噪声和稠密高斯噪声之和,并考虑了数据缺失情形。为了恢复低秩矩阵,建立最小化矩阵l 1范数与Frobenious范数的优化问题,并设计求解它的交替方向乘子法。在合成和真实数据集上的实验结果验证了该方法的可行性与有效性。

摘要：针对显著目标不相似时目标的显著值不一致问题,提出区域弱相关自表示的显著目标检测方法.首先在低秩矩阵恢复理论基础上为显著目标引入拉普拉斯正则项,以增大显著目标与背景的差异;然后最小化显著目标自表示系数的F-范数,使检测出的显著目标一致高亮;最后用可调节反正切函数对背景施加强的低秩约束,使背景与显著目标最大程度分离.在公开的显著目标检测数据集上与不同的显著目标检测方法进行对比实验,结果表明,该方法能得到更完整的显著目标和更一致的显著图.

摘要：在无线传感器网络(WSN)节点轨迹拟合中,由于频繁传输传感器节点的位置信息会增加网络能量消耗,为解决上述问题,提出一种低秩矩阵恢复算法(LRMR)的节点轨迹拟合方法,即对轨迹信息进行稀疏采样来降低信息传输量以达到节能目的,并研究一种改进的LRMR算法以提高运行速度,即在迭代中对单一低秩矩阵与噪声矩阵作局部粗寻优,对恢复矩阵中的元素作全局细寻优。轨迹拟合方法包括构造采样节点位置信息的稀疏矩阵,可采用改进LRMR算法进行恢复。仿真结果表明,基于改进LRMR的节点轨迹拟合方法是切实可行的,在不同的采样比例下都可取得稳定的恢复效果,改进的LRMR算法在运行时间上优于现有的LRMR算法,为信号传输节能设计提供了依据。