论文部分内容阅读
稀疏学习理论是高光谱解混中的有力工具。由Ioradche等人提出的协同稀疏回归模型[1]利用丰度矩阵的行稀疏特性,对丰度矩阵施加协同稀疏,从而优化解混的结果。本文受到高光谱解混理论的启发,将协同稀疏回归引入到脑室分割中。为了克服传统的协同稀疏回归方法仅考虑噪声误差而忽视稀疏粗差的缺点,本文提出了一种新的基于多层次协同稀疏回归模型侧脑室分割方法,从而进一步提高医学图像的分割精度。该方法将输入的侧脑室形状正则化为形状库中训练形状的稀疏线性组合,并且使用协同稀疏性来描述侧脑室形状库中的行稀疏性。最后采用多