芮国胜,
田文飚,
张洋,
刘歌
海军航空大学信号与信息处理山东省重点实验室 烟台 264001
基金项目:国家自然科学基金(41606117, 41476089, 61671016)
详细信息
作者简介:董道广：男，1990年生，博士，研究方向为贝叶斯统计学习、压缩感知与大气波导
芮国胜：男，1968年生，博士，教授，博士生导师，研究方向为现代通信理论及信号处理
田文飚：男，1987年生，博士，副教授，研究方向为大气波导与压缩感知
张洋：男，1983年生，博士，讲师，研究方向为混沌通信技术
刘歌：女，1991年生，博士，研究方向为压缩感知与大气波导
通讯作者:董道广 sikongyu@yeah.net
中图分类号:TN911.73; TP301.6计量
文章访问数:591
HTML全文浏览量:229
PDF下载量:57
被引次数:0
出版历程
收稿日期:2019-07-03
修回日期:2020-02-28
网络出版日期:2020-09-01
刊出日期:2020-11-16
A Nonparametric Bayesian Dictionary Learning Algorithm with Clustering Structure Similarity
Daoguang DONG,,Guosheng RUI,
Wenbiao TIAN,
Yang ZHANG,
Ge LIU
Signal and Information Processing Key Laboratory in Shandong, Navy Aviation University, Yantai 264001, China
Funds:The National Natural Science Foundation of China (41606117, 41476089, 61671016)
摘要
摘要:利用图像结构信息是字典学习的难点，针对传统非参数贝叶斯算法对图像结构信息利用不充分，以及算法运行效率低下的问题，该文提出一种结构相似性聚类beta过程因子分析(SSC-BPFA)字典学习算法。该算法通过Markov随机场和分层Dirichlet过程实现对图像局部结构相似性和全局聚类差异性的兼顾，利用变分贝叶斯推断完成对概率模型的高效学习，在确保算法收敛性的同时具有聚类的自适应性。实验表明，相比目前非参数贝叶斯字典学习方面的主流算法，该文算法在图像去噪和插值修复应用中具有更高的表示精度、结构相似性测度和运行效率。
关键词:变分贝叶斯/
Markov随机场/
字典学习/
去噪/
修复
Abstract:Making use of image structure information is a difficult problem in dictionary learning, the traditional nonparametric Bayesian algorithms lack the ability to make full use of image structure information, and faces problem of inefficiency. To this end, a dictionary learning algorithm called Structure Similarity Clustering-Beta Process Factor Analysis (SSC-BPFA) is proposed in this paper, which completes efficient learning of the probabilistic model via variational Bayesian inference and ensures the convergence and self-adaptability of the algorithm. Image denoising and inpainting experiments show that this algorithm has significant advantages in representation accuracy, structure similarity index and running efficiency compared with the existing nonparametric Bayesian dictionary learning algorithms.
Key words:Variational Bayesian/
Markov Random Field (MRF)/
Dictionary Learning (DL)/
Denoising/
Inpainting
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=e9fb086b-7fa2-4666-a203-44b933b8d908
