读后记GAIT RECOGNITION BASDED ON CONTOURLET TRANSFORM AND COLLABORATIVE REPRESENTATION

本文介绍了Contourlet变换及其在图像处理中的应用，对比了与FFT、DCT等变换方式的不同之处，指出Contourlet变换恢复误差最小。此外，文中还提到了CRC而非SRC的应用，强调在识别分类任务中Collabrate的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

该文发表在ICSP2014 Proceedings

作者及单位：Jieru Jia1,2, Qiuqi Ruan1,2
1 Institute of Information Science, Beijing Jiaotong University,Beijing 100044, China
2 Beijing Key Laboratory of Advanced Information Science and Network Technology,Beijing 100044,
China

主要思路，贡献：

1、Contourlet transform的应用，并实验比较FFT,DCT等变换，Contourlet 变换恢复的误差最小。

2、使用了CRC而不是SRC。（2011ICCV的文章，说明SRC中collabrate比Sparse对识别分类更有效）

内容：

1、Contourlet 变换：针对小波变换的缺点，2002年M.N.Do和M.Vetterli提出了一种“真正的”二维图像的表示方法—Contourlet变换。

Contourlet

变换将尺度分析和方向分析分开进行。首先，采用拉普拉斯金字

塔变换

(

Laplacian Pyramid

，

)

对图像进行多尺度分解，

以捕获奇异点；

然后，

对每一级金字塔分解的带通分量用方向滤波器组

（

Directional Filter Bank

，

DFB

）

进行多方向分解，将同方向的奇异“点”合成“线”

，这样

分解得到的带通

图像传递到

DFB

后能获得不同方向的子带图像，经过迭代

Contourlet

变换可将

图像分解为多个尺度多个方向上的子带图像。

Contourlet变换将尺度分析和方向分析分开进行。首先，采用拉普拉斯金字塔变换(Laplacian Pyramid，LP) 对图像进行多尺度分解，以捕获奇异点；然后，对每一级金字塔分解的带通分量用方向滤波器组（Directional Filter Bank，DFB）进行多方向分解，将同方向的奇异“点”合成“线”，这样LP分解得到的带通图像传递到DFB后能获得不同方向的子带图像，经过迭代Contourlet变换可将图像分解为多个尺度多个方向上的子带图像。

Do和Vetterli提出了一种DFB算法。该DFB算法采用扇型QFB，无需对原始信号进行调制，并且采用简单的树型结构就可以得到完美的频率划分。其思想是将扇型QFB与可以实现“旋转”的图像重采样相结合，获得楔型频率划分。由于重构可以看成是分解的对偶过程。

2、CRC

（1）原始SR目标函数

（2）CRC目标函数（更快求解）

最主要贡献：Counterlet变换在Gati中的应用。