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

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。

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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值