基于改进的快速稀疏编码的图像特征提取

doi:10.3724/SP.J.1087.2013.00656

计算机应用 ›› 2013, Vol. 33 ›› Issue (03): 656-659.DOI: 10.3724/SP.J.1087.2013.00656

基于改进的快速稀疏编码的图像特征提取

尚丽^1,2*,苏品刚¹,周燕^1,3

1.苏州市职业大学电子信息工程学院, 江苏苏州 215104;
2.中国科学技术大学自动化系, 合肥 230026;
3.苏州大学电子信息学院, 江苏苏州 215006

收稿日期:2012-09-04 修回日期:2012-10-27 出版日期:2013-03-01 发布日期:2013-03-01
通讯作者: 尚丽
作者简介:尚丽(1972-),女,安徽砀山人,副教授,博士,主要研究方向:人工智能、模式识别、数字图像处理; 苏品刚(1971-),男,江苏苏州人,副教授,主要研究方向:毫米波焦平面成像、测控; 周燕(1980-),女,江苏苏州人,讲师,博士研究生,主要研究方向:语音信号处理、模式识别。
基金资助:
国家自然科学基金资助项目(60970058); 江苏省自然科学基金资助项目(BK2009131); 江苏省“青蓝工程”项目; 2010苏州市职业大学创新团队项目(3100125)。

Image feature extraction based on modified fast sparse coding algorithm

SHANG Li^1,2*, SU Pin'gang¹, ZHOU Yan^1,3

1.School of Electronic Information Engineering, Suzhou Vocational University, Suzhou Jiangsu 215104, China;
2.Department of Automation, University of Science and Technology of China, Hefei Anhui 230026, China;
3.School of Electronic and Information, Soochow University, Suzhou Jiangsu 215006, China

Received:2012-09-04 Revised:2012-10-27 Online:2013-03-01 Published:2013-03-01
Contact: SHANG Li
Supported by:
The Study of Non-negative Sparse Coding and Its Applications in Image Processing of Millimeter-wave Focal Plane Imaging;The grants of Natural Science Foundation of Jiangsu Province of China, No.BK2009131

摘要/Abstract

摘要： 考虑图像特征系数的最大化稀疏分布和特征基的正交性,在快速稀疏编码(FSC)模型的基础上,提出一种改进的FSC模型。该模型利用迭代法解决了基于L₁范数的归一化最小二乘法和基于L²范数的约束最小二乘法的凸优化问题,能够实现完备基和过完备基的学习,有效提取出图像的最佳特征,且比标准稀疏编码(BSC)模型的收敛速度快。分别利用自然场景图像和掌纹图像作为训练数据进行特征提取测试,并进一步利用提取的特征基进行图像重构实验,同时与BSC模型的图像重构结果进行对比,实验结果证实了所提出的改进FSC模型能够快速、有效地实现图像的特征提取。

关键词: 快速稀疏编码, 最小二乘法, L₁范数, L₂范数, 特征提取, 图像重

Abstract: On the basis of the Fast Sparse Coding (FSC) model, considering the maximum sparse distribution of feature coefficients and the orthogonality of feature bases of an image, a Modified FSC (MFSC) model was proposed in this paper. This FSC algorithm was based on iteratively solving two convex optimization problems: L₁-norm based regularized least square problem and L₂-norm based constrained least square problem, and it can realize the learning of complete bases and overcomplete bases, as well as efficiently extract the features of images. Moreover, the convergence speed of FSC is quicker than that of Basic Sparse Coding (BSC). The images of natural scene and palmprint were used to test the property of FSC algorithm proposed by the authors in feature extraction, and then the extracted features were utilized to image reconstruction. Compared with reconstructed images obtained by BSC, the experimental results verify the validity of the modified FSC in quickly extracting image features.

Key words: Fast Sparse Coding (FSC), least square, L₁-norm, L₂-norm, feature extraction, image reconstruction

中图分类号:

TN391.41

尚丽苏品刚周燕. 基于改进的快速稀疏编码的图像特征提取[J]. 计算机应用, 2013, 33(03): 656-659.

SHANG Li SU Pin'gang ZHOU Yan. Image feature extraction based on modified fast sparse coding algorithm[J]. Journal of Computer Applications, 2013, 33(03): 656-659.

参考文献

[1]肖泉,丁兴号,王守觉,等.基于自适应超完备稀疏表示的图像去噪方法[J].仪器仪表学报, 2009, 30(9): 1886-1890.
[2]成昭. 信息稀疏表示算法及其在图像恢复中应用的研究[D].湘潭:湘潭大学, 2011.
[3]麻立波. 视觉超完备拓扑表示的稀疏编码计算模型[D]. 上海: 上海交通大学, 2008.
[4]尚丽,杜吉祥,翟传敏,等. 稀疏编码算法概述[J]. 苏州市职业大学学报, 2009, 20(1): 5-10.
[5]OLSHAUSEN B A, FIELD D J. Emergence of simple-cell receptive field properties by learning a sparse code for natural images [J]. Nature, 1996, 381(6853): 607-609.
[6]李志清,施智平,李志欣,等. 基于结构相似度的稀疏编码模型[J]. 软件学报, 2010, 21(10): 2410-2419.
[7]路锦正,张启衡,徐智勇,等. 超完备稀疏表示的图像超分辨率重构方法 [J]. 系统工程与电子技术, 2012, 34(2): 403-408.
[8]LEE H, BATTLE A, RAINA R, et al. Efficient sparse coding algorithms [EB/OL].[2010-10-10]. http://ai.stanford.edu/~hllee/nips06-sparsecoding.pdf.
[9]HEILER M, SCHNORR C. Learning sparse representations by non-negative matrix factorization and sequential come programming [J]. Journal of Machine Learning Research, 2006,7:1385-1407.
[10]李清勇. 视觉感知的稀疏编码理论及其应用研究[D]. 北京:中国科学院研究生院, 2006.
[11]晁永国,戴芳,韩舒然,等. 改进的非负稀疏编码图像基学习算法 [J]. 计算机工程与科学, 2010,32(1): 77-79.
[12]浦剑,张军平. 基于词典学习和稀疏表示的超分辨率方法 [J]. 模式识别与人工智能, 2010,23(3):335-340.
[13]YANG J C, WRIGHT J, HUANG T, et al. Image super-resolution via sparse representation of raw image patches [C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE Press, 2008:1-8.
[14]RUBINSTEIN R, BRUCKSTEIN A M, Elad M, et al. Dictionaries for sparse representation modeling [J]. Proceedings of the IEEE,2010,98(6):1045-1057.
[15]CENSOR Y, ZENIOS S A. Parallel optimization: theory, algorithms and applications[M]. Oxford: Oxford University Press, 1997.

基于改进的快速稀疏编码的图像特征提取

Image feature extraction based on modified fast sparse coding algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦. 基于改进DenseNet的牛眼图像特征提取方法[J]. 计算机应用, 2021, 41(9): 2780-2784.
[2]	张齐林, 李方伟, 王明月. 基于时间反演的到达时间定位[J]. 计算机应用, 2021, 41(3): 820-824.
[3]	佘玉龙, 张晓龙, 程若勤, 邓春华. 基于边缘关注模型的语义分割方法[J]. 计算机应用, 2021, 41(2): 343-349.
[4]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[5]	朱新成, 何坤金, 倪娜, 郝博. 基于改进迭代最近点算法的接骨板贴合性快捷计算方法[J]. 计算机应用, 2021, 41(10): 3033-3039.
[6]	尹春勇, 何苗. 基于改进胶囊网络的文本分类[J]. 计算机应用, 2020, 40(9): 2525-2530.
[7]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[8]	席雅睿, 乔志伟, 温静, 张艳娇, 杨雯晶, 闫慧文. 基于Chambolle-Pock算法框架的高阶TV图像重建算法[J]. 计算机应用, 2020, 40(6): 1793-1798.
[9]	张家岗, 李达平, 杨晓东, 邹茂扬, 吴锡, 胡金蓉. 基于深度卷积特征光流的形变医学图像配准算法[J]. 计算机应用, 2020, 40(6): 1799-1805.
[10]	徐代, 岳璋, 杨文霞, 任潇. 基于改进的三向流Faster R-CNN的篡改图像识别[J]. 计算机应用, 2020, 40(5): 1315-1321.
[11]	张俊升, 徐晶晶, 余伟. 面部美化图像质量无参考评价方法[J]. 计算机应用, 2020, 40(4): 1184-1190.
[12]	刘尚旺, 刘承伟, 张爱丽. 基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 计算机应用, 2020, 40(4): 990-995.
[13]	沈亮, 王鑫, 陈曙晖. 面向移动应用识别的结构化特征提取方法[J]. 计算机应用, 2020, 40(4): 1109-1114.
[14]	郭志强, 胡永武, 刘鹏, 杨杰. 基于特征融合的室外天气图像分类[J]. 计算机应用, 2020, 40(4): 1023-1029.
[15]	朱喆, 许少华. 降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用[J]. 计算机应用, 2020, 40(3): 698-703.