模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2014, Vol. 27 Issue (10): 900-906    DOI:
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于多种群离散差分进化的图像稀疏分解算法*
黄亚飞1,2,梁昔明1,3,陈义雄1,陈立福2
1.中南大学 信息科学与工程学院 长沙 410083
2.长沙理工大学 电力与交通安全监控及节能技术教育部工程研究中心 长沙 410004
3.北京建筑大学 理学院 北京 100044
Image Sparse Decomposition Algorithm Based on Multi-population Discrete Differential Evolution
HUANG Ya-Fei1,2, LIANG Xi-Ming1,3, CHEN Yi-Xiong1, CHEN Li-Fu2
1.School of Information Science and Engineering, Central South University, Changsha 410083
2.Engineering Research Center of Electric Power and Traffic Safety Monitoring and Control and Energy Conservation Technology, Ministry of Education, Changsha University of Science and Technology, Changsha 410004
3.School of Sciences, Beijing University of Civil Engineering and Architecture, Beijing 100044

全文: PDF (618 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 从过完备字典中得到图像的最稀疏表示是一个NP难问题,即使是次优的匹配追踪也相当复杂.针对Gabor多成份字典,提出基于多种群离散差分进化的图像稀疏分解算法.该算法采用3个子种群在不同成份子字典中搜索最佳匹配原子,父代通过多种变异算子生成多个子代,保持群体多样性,同时引入相关系数避免残差更新时多原子匹配重叠的问题.实验表明相比于快速匹配追踪算法,在稀疏逼近性能相当的情况下,文中算法的稀疏分解速度更快;与其他基于进化算法的稀疏分解方法相比,文中算法的稀疏逼近性能更优.最后的结果分析验证文中算法参数设置的合理性.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
黄亚飞
梁昔明
陈义雄
陈立福
关键词 稀疏表示多种群差分进化(DE)匹配追踪(MP)    
Abstract:To obtain the sparsest representation of an image using a redundant dictionary is NP-hard, and the existing sub-optimal algorithms for solving this problem such as matching pursuit (MP) are highly complex. An image sparse decomposition algorithm based on multi-population discrete differential evolution for multi-component Gabor dictionaries is proposed. Three sub-populations are adopted to search the best matching atoms in different sub-dictionaries, and the correlation coefficient is used to solve overlap-matching in updating process of residual image. To maintain the population diversity, several mutation operators are employed to generate the offspring population in the proposed algorithm. Experimental results show that the sparse approximation performances of the proposed algorithm are comparable with fast matching pursuit (FMP) algorithm. Meanwhile, the computation speed is improved. The proposed algorithm obtains competitive performance compared with other sparse representation methods based on evolution algorithm. Finally, the rationality of the parameters setting in the proposed algorithm is verified by result analysis.
Key wordsSparse Representation    Multi-population    Differential Evolution (DE)    Matching Pursuit(MP)   
收稿日期: 2013-10-08     
ZTFLH: TP301.6  
基金资助:国家自然科学基金项目(No.41201468)、北京市自然科学基金项目(No.4122022)资助
作者简介: 黄亚飞(通讯作者),男,1975年生,博士研究生,讲师,主要研究方向为最优化方法及其应用、进化计算.E-mail:xyrhyh@163.com.梁昔明,男,1967年生,教授,博士生导师,主要研究方向为过程控制及系统优化、最优化方法.陈义雄,男,1974年生,博士研究生,工程师,主要研究方向为智能优化算法.陈立福,男,1979年生,博士,讲师,主要研究方向为信号处理及应用.
引用本文:   
黄亚飞,梁昔明,陈义雄,陈立福. 基于多种群离散差分进化的图像稀疏分解算法*[J]. 模式识别与人工智能, 2014, 27(10): 900-906. HUANG Ya-Fei, LIANG Xi-Ming, CHEN Yi-Xiong, CHEN Li-Fu. Image Sparse Decomposition Algorithm Based on Multi-population Discrete Differential Evolution. , 2014, 27(10): 900-906.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2014/V27/I10/900
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn