基于形态成分分析的图像稀疏分解与应用

形态成分分析(MCA)是新近提出的一种基于超完备基稀疏表示的信号和图像分解（分离）方法。MCA方法在冗余多尺度变换的基础上，认为对于信号或图像的形态成分，能用适当的字典来稀疏表示，从而有效地对其进行分解。本项目将综合分析Wavelet、Curvelet等超完备冗余变换的特性，利用免疫进化算法等自然计算方法选择最优的原子来构造合适的字典和级联字典族；建立Curvelet变换等冗余多尺度变换的快速算法，以降低算法的复杂度；同时采用有效的数值算法求解其中的最优问题，提高算法的收敛速度；并建立MCA稀疏分解效果的评价体系；最后将研究MCA方法在多通道的遥感图像抑噪和复原中的应用。本项目的研究成果不但为遥感图像分析和后续的目标识别提供有效的保障，还可广泛应用于其他信号或图像的处理中，将更有助于信号或图像的分析、增强、压缩、修复和特征提取等关键问题的解决。