基于结构化稀疏表示与深度学习的图像增强及分类技术研究

Recently, with the appearance of many image picking-up devices, digital images have become the most convenient and efficient carrier for recording, transferring and storing information. They play a very important role in human perception. However, for the influences of various degenerative factors, low-quality images with noise and low-resolution are usually obtained in the imaging process. This makes it difficult for image recognition. In this project, started with some important prior features from the images, we plan to establish a robust system for image enhacement and classification by using the theory of low-rank and sparsity and the method of deep learning. The concrete research of this project includes: 1) We introduce the space coherence of images based on the techniques of low rank matrix (tensor) recovery and deep neural network to extremely keep the detailed features of the images in image denoising process. 2) By using the local self-similarities and the structural sparsity of multi-features of images, we achieve the sharing and the compensation between multi-features, and enhance the reconstruction ability of the super-resolution dictionary. Then we can get clearer images. 3) We introduce the structural relationships between labeled and unlabeled samples in the frameworks of dictionary learning and deep learning respectively. This makes the learned features more discriminative, and provides useful basis for image classification.

近几年随着大量成像设备的出现，数字图像成为记录、传输和存储信息最方便快捷的一种载体，在人类感知中扮演了十分重要的角色。然而在实际成像过程中，由于受到诸多退化因素的影响，得到的往往是含噪声且分辨率低的低质图像，从而给后续的图像识别带来诸多困难。本项目拟从图像结构上的一些重要先验特性出发，以低秩和稀疏理论为指导，运用深度学习方法，构建鲁棒的图像增强及分类系统，具体包括：1) 采用基于图像空间相关性的低秩矩阵（张量）恢复技术与深度神经网络学习技术对图像进行处理，以实现在有效去噪的同时，最大程度地保持图像的细节特征；2) 通过引入图像的局部自相似性和多特征结构化稀疏约束，实现多特征之间的共享和互补，提升超分辨率字典的重建能力，以获得清晰的超分辨率图像；3) 将有标签样本和无标签样本的结构关系分别引入到字典学习和深度学习框架中，提高所学特征的判别能力，为图像分类提供更好的判别依据。

近几年随着大量成像设备的出现，数字图像成为记录、传输和存储信息最方便快捷的一种载体，在人类感知中扮演了十分重要的角色。然而在实际成像过程中，由于受到诸多退化因素的影响，得到的往往是含噪声的低质图像，从而给后续的图像识别带来诸多困难。此外，监督学习需要大量的有标签数据才能确保良好的泛化性能，但获取大量有标签数据往往十分困难且代价高昂。针对上述问题，本项目从图像结构上的一些重要先验特性出发，利用图像数据的空间相关性信息，研究图像增强和分类的相关理论和方法，具体包括：1）采用基于图像空间相关性的低秩矩阵（张量）恢复技术对图像进行处理，以实现在有效去噪的同时，最大程度地保持图像的细节特征；2）通过引入图像多特征结构化稀疏约束，选取重要特征，实现多特征之间的共享和互补；3）将有标签样本和无标签样本的结构关系分别引入到字典学习框架中，提高所学特征的判别能力；4）通过分而治之的思想，探索分布式学习算法的最优泛化性能，并设计新型分布式策略，实现对分布式存储数据的模型训练。根据以上研究内容共发表论文13篇，申请发明专利5项，其中授权2项。