图像特征自动发现和提取及图像复原中的优化模型及算法研究

Image feature discovery, extraction, and image restoration are key two closely related issues in image processing, in particular image pattern recognition. The discovery and extraction of image features is an important basis and foundation about image pattern recognition. And image restoration is the foundation and the one of important application on image feature discovery and extraction. The project intends to carry out research in three areas: (1) Automatic discovery and extract image feature. Completely different from the image processing, pattern recognition of the traditional methods, this project intends to study the automatic feature discovery and extraction of the three optimization model and algorithm based on the data sample learning, including: based on improved non-negative matrix factorization, based on matching learning and deep learning. (2) Image restoration. The project intends to study two types of image restoration models and algorithms: general regularized image restoration model and parallel algorithms; based on image data statistics, build joint statistical distribution image restoration model by structuring more practical regularization term and design the fast solution algorithm. (3) A special kind of image feature automatic discovery, extraction and remediation. The project intends to study the automatic discovery and extraction about macroscopic features and details features of fingerprint images, combined with textures and cyclical nature of the fingerprints. And the project intends to remedy low quality fingerprints by combination with the growth characteristics of the fingerprint.

图像特征发现、提取和图像复原是图像处理、特别是图像模式识别中两个关系密切的关键问题。图像特征发现、提取是图像模式识别的重要依据和基础，而图像复原又是图像特征发现、提取的基础和重要应用之一。本项目拟开展三个方面的研究：（1）图像特征的自动发现和提取。完全不同于图像处理、模式识别的传统方法，本项目拟研究基于数据样本学习的特征自动发现和提取的模型与算法，包括：改进的非负矩阵分解、基于匹配学习以及基于深度学习的三类优化模型与算法。（2）图像复原。本项目拟研究两类图像复原的模型与算法：一般正则化的图像复原模型与并行算法；基于图像数据统计信息，构造更加符合实际问题的正则项，建立联合统计分布的图像复原模型并设计快速的求解算法。（3）一类特殊图像的特征自动发现、提取和修复研究。针对指纹图像，结合指纹的纹理和周期特性，本项目拟研究指纹的宏观特征和细节特征的自动发现和提取，结合指纹生长特性研究低质量指纹修复。

本项目围绕图像特征发现与提取、图像复原等图像模式识别中的两大关系密切的关键问题展开研究。在研究过程中，结合机器学习方法主要是深度学习方法，形成针对图像构造深度网络，设计新型优化模型和算法有效自动形成特征和提取特征的一类方法。在图像复原的内容上特别提出了针对TV模型的快速鲁棒的梯度算子下降的新算法；研究了单位球笛卡尔积为约束的优化问题，给出了此类问题的最优性条件，将求解此类问题的一些经典算法推广到了一般形式，随机二次规划问题和图像的变分去噪模型数值结果表明在精度较高的情形下，这个一般形式的算法有较强的优势。采用非局部均值全变差正则化和稀疏编码提出一种新的单幅图像超分辨率重建方法，实验结果证明该方法得到的高分辨率图像结果具有鲁棒性且更自然。利用深度学习自动编码网络，产生外部梯度，内部梯度使用非局部全变差，我们给出了超分辨率图像重建的新的SISR方法，实验表明算法比当前的SISR方法更有效。.针对指纹图像的特征与识别完成研究，基本形成一套指纹图像的分类和识别的深度学习算法。对大容量数据库指纹识别算法与系统的改进，利用深度学习自动特征给出了指纹快速索引相关算法。在自动编码深度学习网络模型基础上，研究了指纹自动分类问题，给出了一种模糊分类的方法，有效的提高了指纹粗分类的效率。设计了指纹特征识别的专用深度网络，构造一个CNN结构的指纹ConvNet，通过训练学习网络，得到深度特征。大大提高了指纹自动识别的速度。.另外，在项目研究中，我们还扩展研究了深度学习求解的相关算法及其收敛性理论，组合优化问题的机器学习方法，初步形成了一个新的研究方向。.项目执行期内，项目组成员共发表本项目为第一标注的国内、国际重要期刊论文13篇，会议论文9篇；其中SCI索引论文7篇，CCF推荐B类、C类论文有5篇。出版专著1本，丛书1章。并获得学术奖励国际奖1项，国内省部级奖励1项和学生优秀论文奖。培养了4名博士研究生和3名硕士研究生。