变换低秩性高阶张量表示与降质图像恢复识别算法研究

The significant value of data low-rankness has attracted increasing attention and wide application in various fields, such as signal processing, biomedicine and computer vision. It provides a direct and effective way to process data with repetitive information and has been applied to solve computer vision related problems such as image completion and denoising. However, in dealing with practical applications such as remote sensing images, medical images, non-structured images and videos, some limitations and problems are still not solved, such as 1) Limited by the requirement of repeatability or symmetry structure of the image and the degree of data defects, it fails to exploit the essential correlation information, i.e., non-local, coarse-to-fine grained and temporal-spatial, hidden in data and thus is not effective in applications. 2) The existing models and algorithms are of low computation efficiency and high calculation storage, lack of high efficiency and online processing ability. 3) There is no effective recovery and cross-task processing model and algorithm. Aiming at solving these problems, the aim and focus of this research are as follows: 1) By space transforming of image data and representing the data in high-order tensor, the intrinsic correlation or sparsity information in the original image data can be found out. 2) Proposing efficient processing algorithms for online tensor subspace learning and high efficiency low-rank tensor decomposition. 3) Proposing effective algorithms for remote sensing images reconstruction, real-time video de-raining and de-snowing, image cross-task collaborative processing to promote the environmental adaptability of robot intelligent perception. 4) Validating the research progress in the platforms of unmanned aerial/ground vehicles.

数据低秩性的重要价值在信号处理、生物医学及计算机视觉等领域引起广泛关注。它提供了一种有效的方式来解决计算机视觉中重复性数据的缺失修补及去噪等问题。现有建模方式在处理遥感图像、医学影像、非结构性图像以及视频等时，仍存在以下问题：1）受限于图像结构重复性、对称性以及缺陷程度，无法有效挖掘数据非局部、粗-细粒度间以及时空间蕴含的本质关联信息；2）存在计算难、存储计算复杂度高等问题，缺乏高效、在线处理算法；3）缺乏有效的恢复及跨任务处理算法。针对上述问题，本项目拟 1）提出具有原创性的变换空间高阶张量表示方法，有效挖掘数据本质低秩特性；2）建立在线张量子空间更新学习以及低秩张量分解的高效处理算法，实现数据的实时在线处理；3）以医学图像的恢复、实时视频雨雪处理以及降质遥感图像识别等应用问题为背景，解决机器人智能感知的环境及任务适应性问题；4）在无人机和无人车平台系统上验证模型与算法的有效性和先进性。

数据低秩性的重要价值在信号处理、生物医学及计算机视觉等领域引起广泛关注。它提供了一种有效的方式来解决计算机视觉中重复性数据的缺失修补及去噪等问题。本项目研究主要集中在两个方面，分别取得的重要进展包括：1）在变换空间高阶张量表示方面，提出了基于延迟嵌入空间的低秩张量分解模型，在延迟嵌入空间下实现对光谱图像的融合超分，有效提高了光谱图像分辨率；提出了交叠升阶的元素加权 TT 分解模型，在希尔伯特实空间下进行带有元素加权的低秩分解建模，有效解决了图像恢复出现的块效应现象；提出了基于空间变换低秩张量分解的深度神经网络轻量化表达，通过对深度网卷积核进行仿射变换或旋转处理后进行低秩张量分解，达到对深度网的压缩，同时能够提高网络性能；2）在张量分解高效计算和在线处理方面，提出了基于非局部空间的非凸Tucker分解模型，利用非局部空间信息的相似性进行低秩张量分解近似，提升了医学影像的三维超分精度；提出了基于聚类非局部技术的在线RPCA模型算法，实现了在线低秩视频流数据的噪声去除，取得了最佳的处理效果，同时极大提高了视频在线处理的效率。.本项目研究的科学意义体现在：充分研究了数据在张量空间进行变换的基本原理和可行手段，深入挖掘了数据中的低秩特性和本质表达方式，更有效地提取了数据中的关键信息，为进一步实现图像视频理解、提高深度网络表达能力和学习效率、推进深度学习基本理论发展打下深厚的理论基础。.依托本项目，发表学术论文13篇，其中SCI收录论文6篇，包括 IEEE Transactions on Image Processing、IEEE Transactions on Circuits and Systems for Video Technology、Knowledge-Based Systems、Remote Sensing、IEEE Signal Processing Letters等；申请发明专利6项；培养中国科学院青年创新促进会会员1名；出站博士后1名；培养博士/硕士研究生共5名。