论文部分内容阅读
近年来,鲁棒主成分分析模型（Robust Principal Component Analysis,RPCA）在图像去噪、图像修复、图像分类以及运动目标分割等领域取得了成功运用。其主旨思想认为一系列含噪音的相似图像序列所构成的矩阵/张量能够分解成一个低秩矩阵/张量（即需要恢复的纯净相似图像序列）和一个稀疏矩阵/张量（即图像序列中的稀疏噪音）之和的形式。鉴于秩函数与l0范数的非凸非连续性,常用的处理方式是分别将秩函数和l0范数放松为它们的凸包络--核范数和l1范数,从而把原问题松弛为凸优化问题来求解。然而这种凸近似需要满足较强的非相干性条件,否则所求的解就会偏离原始问题的解;另一方面,相似图像序列所构成的矩阵/张量满足低秩性的前提是这些相似图像序列是严格对正对齐的,但这在实际的图像序列数据中是不能保证的,甚至是图像的微小扰动都会破坏数据的低秩性。为了解决上述问题,本文提出一种更接近于原始问题的非凸近似模型,即用Schatten-p范数（0<p<1,下同）代替秩函数,用lp范数代替l0范数,从而保证在较弱的非相干性条件下即可成功恢复出原始信号;同时在模型中加入针对图像序列的变换参数变量,通过求解获得最优的变换参数,在去噪的同时实现图像序列的严格矫正对齐。针对所提出的非凸非光滑近似模型,我们进一步提出了一种基于交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）的有效算法。在人工数据集和真实图像数据集上的实验结果表明了我们算法在图像序列对齐及去噪方面的优越性。同时将我们的模型应用于运动目标分割领域,从实验对比结果可以看出我们模型和算法在图像运动目标分割领域的巨大潜力。