Low rank in graphics and images

Low rank for graphics

我们提出一种基于有结构引导的低秩表示的子空间聚类模型，应用于点云的保特征法向估计，3D形状的标注和一致分割。在点云的保特征法向估计中，观察到距离特征远的点的邻域结构更容易得到正确且稳定的分析，据此构造结构引导矩阵，对于含有大尺度噪声和不均匀采样的点云，可以得到比以前方法更为可信的法向估计。在此基础上我们用凸优化模型替代了当初使用的非光滑优化问题，并设计了一个子空间结构传播算法，大大缩短了法向估计的计算时间，使其由几小时降低为几分钟。进一步 相关成果分别于2013和2015年发表在SCI检索期刊COMPUTERS & GRAPHICS上（计算机学会推荐C类期刊）。根据Google Scholar统计，分别被引用10次和3次。

 

在3D形状的标注和一致分割中，应用有引导的低秩表示模型，取消了以往方法的较为耗时的离线训练过程；结合已知标签信息，几何特征以及部件间的拓扑关系构造结构引导矩阵，仅需要少量标注好的模型，即可高质量地标注未知3D模型；对于含有多个类别已标注模型和含有误标注的模型都可以鲁棒地处理。相关成果于2015年发表在SCI检索期刊COMPUTERS & GRAPHICS上（计算机学会推荐C类期刊）。根据Google Scholar统计该工作已被引用3次。

发表文章情况：

1. Xiuping Liu, Jie Zhang, Junjie Cao*, Bo Li, Ligang Liu. Quality Point Cloud Normal Estimation by Guided Least Squares Representation. Computers & Graphics (Special Issue of SMI 2015), 2015, 51, 106-116. (SCI, IF: 1.03) (CFC C).

2. Liu, Xiuping; Zhang, Jie; Liu, Risheng; Li, Bo; Wang, Jun; *Cao, Junjie. Low-rank 3D mesh segmentation and labeling with structure guiding. Computers & Graphics. 46, pp 99–109, 2015/2. 期刊论文, SCI 1.029

3. Zhang, Jie; *Cao, Junjie; Liu, Xiuping; Wang, Jun; Liu, Jian; Shi, Xiquan. Point cloud normal estimation via low-rank subspace clustering. COMPUTERS & GRAPHICS-UK, 37(6), pp 697-706, 2013/10.  期刊论文, SCI, 1.029

 

Low rank for fabric defect detection

织物的缺陷检测也可以从低秩的角度研究。我们首先基于自适应小波提出了一种新的织物缺陷检测方法。 织物缺陷可以看做是均匀背景纹理上的突变特征。小波的紧支集的特性刚好可以表示这些纹理。小波作用后缺陷和背景纹理的反应是完全不同的，因此我们针对不同的纺织图像自适应地设计合适的小波基底，从而准确地检测缺陷。数值试验验证了我们方法的有效性。相关结果于2014年发表在SCI检索国际期刊International Journal of Clothing Science and Technology。

随后提出一种无监督的模型实现对不同纹理纺织图像中多种瑕疵的检测。具有瑕疵的纹理图像通常是由相对一致的背景纹理和一些稀疏的瑕疵组成，即表示成低秩矩阵与稀疏矩阵的加和。这一分解可以用最小二乘回归为基础的子空间分割模型进行刻画，该模型为光滑的凸优化模型且可以被快速的求解。同时，提出一个简单高效的先验引导学习方法，可以通过输入图像纹理特征的局部相似性，学习局部先验引导。将该局部引导与特征空间的全局结构相结合，显著提高了最终的分割结果。在大量纺织图像上的实验结果证明了该算法的有效性和鲁棒性。相关成果于2015年在线发表在SCI检索期刊Multimedia Tools and Applications上（计算机学会推荐C类期刊）。

进一步基于联合低秩和稀疏矩阵恢复理论，我们提出一个含有噪声项的鲁棒主成分分析模型，可以有效地检测多种不同纹理模式的织物上的瑕疵。同时，我们提出一种简单地瑕疵先验估计方法，用得到的先验引导上述矩阵恢复模型，从而更加准确地判断各种瑕疵的位置。实验结果表明，本方法比现有方法更加有效和鲁棒。相关成果于2016年发表在SCI检索期刊International Journal of Clothing Science and Technology上(中科院工程技术大类4区；纺织小类4区)。

此外，我们提出一种针对低秩图像或纹理的修补方法。首先利用李忠熵特征估计初始缺损区域。然后迭代地优化一个低秩稀疏模型。我们的迭代模型，使用了全连接的条件随机场，可以提高初始的缺损估计区域，生成连续而准确的破损区域。通过在模型中引入一个吸收噪声的F范数项，补全的图像更加准确和低秩。相关成果于2016年在线发表在SCI检索期刊Machine Vision and Applications上（计算机学会推荐C类期刊）。

Figure 1 Image completion results of different methods. (a) Input image. (b)-(c) Manual annotation regions and the result of Image Melding [7]. (d) Result of Liang et al [14]. (e) Our result. 

 

发表文章情况：

1. Junjie Cao, Jie Zhang, Zhijie Wen*, Nannan Wang, Xiuping Liu*. Fabric Defect Inspection using Prior Knowledge Guided Least Squares Regression, Multimedia Tools and Applications, online, 2016. [Project page]. (SCI, IF: 1.346) (CFC C)

2. Junjie Cao, Nannan Wang, Jie Zhang, Bo Li, Zhijie Wen*, Xiuping Liu*. "Detection of varied defects in diverse fabric images via modified RPCA with noise term and defect prior", International Journal of Clothing Science and Technology, 2016, 28(4), 516-529. (SCI, IF: 0.458)

3. Zhijie Wen*, Junjie Cao, Xiuping Liu, Shihui Ying. Fabric defects detection using adaptive wavelets. International Journal of Clothing Science and Technology. 2014， 26(3): 202 - 211. (SCI, IF: 0.458)