基于sparse coding的图像稀疏表示方法研究开题报告

1. 研究目的与意义

研究目的：由于图像信息所占的存储空间大，对图像信息的压缩处理显得尤其重要。

根据有效编码理论，人们提出自然图像的稀疏编码（sparse coding，sc）方法。

它是一种模拟哺乳动物视觉系统主视皮层v1区简单细胞感受野人工神经网络方法，目的就是学习一个字典， 而这个字典是一个抽象的字典，也就是说，如果我们给的是一组特征，那么学习出来的东西是一组抽象化的特征。

2. 国内外研究现状分析

近年来，许多神经生理学家在视觉系统上已展开了全面深入的研究，并且取得了一些有重要意义的研究成果。

这就使得在工程上利用计算机来模拟视觉系统成为可能。

基于这一认识，利用已有的生物学科研成果，联系信号处理、计算理论以及信息论知识，通过对视觉系统进行计算机建模，使计算机能在一定程度上模拟人的视觉系统，以解决人工智能在图像处理领域中碰到的难题。

3. 研究的基本内容与计划

研究内容：（1）熟悉sparse coding的运行机理，并理解其在实际问题中的应用价值 （2）理解sparse coding 在图像稀疏表示中的算法，从计算时间和识别精度两个方面，分析图像表示的真实效果（3）通过SPAMS构建图像稀疏模型，获取超完备的字典从而高效近似原始图像研究计划：（1）2017.1.13-2017.3.5 收集资料，完成开题报告与文献综述（2）2017.3.6-2017.3.20 熟悉稀疏建模软件的使用方法和技巧，学会用MATLAB编程实现稀疏编码和图像稀疏表示（3）2017.3.21-2017.3.31 研究SC的主要学习算法和应用方式（4）2017.4.1-2017.4.10 整理文件，完成初稿（5）2017.4.11-2017.5.10 完成修改稿（6）2017.5.11-2017.5.17 定稿（7）2017.5.18-2017.5.25 英文翻译，答辩准备

4. 研究创新点

使用spams（sparse modeling software）一个解决各种稀疏估计问题的开源优化工具箱，来实现字典学习与矩阵分解。

通过matlab编译运行，测试生成字典，从而寻找到一组超完备的字典。

有了字典，会用一组系数表示重建的数据，这个系数中大部分是0，而只有少部分是大于零的，于是就符合稀疏的思想。