【图像重建】基于Low CP Rank and Tucker Rank Tensor补全估计图像数据中的缺失分量附matlab复现

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 内容介绍

张量补全可恢复多路数据的缺失分量。现有方法在低秩张量优化中使用 Tucker 秩或 CANDECOMP/PARAFAC (CP) 秩来完成数据补全。事实上，这两种张量秩代表了不同的高维数据结构。在本文中，我们建议通过联合最小化低秩张量近似中的 CP 秩和 Tucker 秩，同时利用两种数据结构进行图像恢复。我们使用乘子交替方向法（ADMM）将具有两个张量秩的优化模型重新表述为两个子问题，每个子问题只有一个张量秩优化。对于ADMM中的两个主要子问题，我们分别应用秩一张量更新和矩阵核范数加权和最小化方法来解决。

📣 部分代码

clc;clear;close allfilename='TestImages/house.bmp';​img = imread(filename);T= im2double(img);size_tensor=size(T);Nway =size_tensor;ObsRatio=25;                 Omega = randperm(prod(Nway));Omega = Omega(1:round((ObsRatio/100)*prod(Nway)));O = zeros(Nway);O(Omega) = 1;y=T.*O;​% y1(:,:,:,ObsRatio)=y;known=find(y);data=y(known>1e-3);multi1=zeros(Nway);multi2=zeros(Nway);r = 50;opts.no_noise = 1;opts.epsilon = 1e-5;opts.beta = 6500;alpha = [1, 1, 1e-3];alpha = alpha / sum(alpha);maxIter = 50;epsilon = 1e-5;beta = 0.7;stop_iter=1;X=y;Lambda=zeros(size_tensor);Xlast=zeros(size_tensor);kkk=0;for i=1:maxIter     X=X+Lambda/beta;     known=find(X);      data=X(known);%      AA=tic;     [Z,t] =update_Z(size_tensor, r,known, data, opts,X,beta);      %      CP(i)=t;       Z=reshape(Z,size_tensor);       Z(Omega) = T(Omega);      lambda = 0.99;      X=Z-Lambda/beta;      [X,t] = update_X( T,Omega,alpha, beta,lambda,X );       X(Omega) = T(Omega);      TT(i)=t;  %    Lambda=zeros(size_tensor);      Lambda=Lambda+beta*(X-Z);      relative_error(i)=norm(X(:)-Xlast(:),'fro')/norm(T(:),'fro');%     beta=beta; if(relative_error(i)<1e-5)    break;end  kkk=relative_error(i); Xlast = X;endfigure;subplot(1,3,1),imshow(T),title('orginal image');subplot(1,3,2),imshow(y),title('missing image');subplot(1,3,3),imshow(X),title('recovered image');​     ​

⛳️ 运行结果

🔗 参考文献

[1] Liu Y , Long Z , Huang H ,et al.Low CP Rank and Tucker Rank Tensor Completion for Estimating Missing Components in Image Data[J].IEEE Transactions on Circuits and Systems for Video Technology, 2019:1-1.DOI:10.1109/TCSVT.2019.2901311.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合