An algorithm for learning sparsifying transforms of multidimensional signals



Document title: An algorithm for learning sparsifying transforms of multidimensional signals
Journal: Revista Facultad de Ingeniería. Universidad de Antioquia
Database: PERIÓDICA
System number: 000407462
ISSN: 0120-6230
Authors: 1
2
1
Institutions: 1Universidad Industrial de Santander, Escuela de Ingeniería de Sistemas e Informática, Bucaramanga, Santander. Colombia
2University of Delaware, Department of Electrical and Computer Engineering, Newark, Delaware. Estados Unidos de América
Year:
Season: Jun
Number: 83
Pages: 72-81
Country: Colombia
Language: Inglés
Document type: Artículo
Approach: Aplicado, descriptivo
Spanish abstract Multidimensional signals contain information of an object in more than one dimension, and usually their processing relies on complex methods in comparison with their unidimensional counterparts. In signal processing, finding a sparse representation of a signal is of great importance for compression purposes. Analytical multidimensional bases such as the Fourier, Cosine, or Wavelet Transform have been conventionally used. Recently, the use of learned dictionaries that directly adapt to the given signal are becoming popular in tasks such as image classification, image denoising, spectral unmixing, and medical image reconstruction. This paper presents an algorithm to learn transformation bases for the sparse representation of multidimensional signals. The proposed algorithm alternates between a sparse coding step solved by hard or soft thresholding strategies, and an updating dictionary step solved by a conjugate gradient method. Furthermore, the algorithm is tested using both: two-dimensional and three-dimensional patches, which are compared in terms of the sparsity performance for different types of multidimensional signals such as hyperspectral images, computerized axial tomography images and, magnetic resonance images. The attained results are compared against traditional analytical transforms and the state-of-the-art dictionary learning method: K-SVD
English abstract Las señales multidimensionales contienen información de un objeto en más de una dimensión y, comúnmente, su procesamiento requiere métodos de mayor complejidad que las señales unidimensionales. En procesamiento de señales, la representación escasa de una señal es de gran importancia para fines de compresión. Convencionalmente, transformaciones analíticas como las transformadas de Fourier, Coseno o Wavelet, han sido utilizadas. Recientemente, se ha popularizado el uso de diccionarios entrenados, que se adaptan a una señal dada, en aplicaciones como clasificación de imágenes, eliminación de ruido, separación espectral, y reconstrucción de imágenes médicas. Este artículo presenta un algoritmo para entrenar bases de transformación para representación escasa de señales multidimensionales. El algoritmo propuesto alterna entre una codificación escasa que se resuelve por umbralización, y la actualización del diccionario que se resuelve mediante el método de gradiente conjugado. Además, el artículo incluye una comparación entre parches bidimensionales y tridimensionales en términos del nivel de escasez que ofrecen en diferentes tipos de señales multidimensionales como: imágenes hiperespectrales, imágenes de tomografía computarizada, e imágenes de resonancia magnética. Los resultados obtenidos son comparados contra transformaciones analíticas tradicionales y contra el método de entrenamiento de diccionarios más conocido en el estado del arte: K-SVD
Disciplines: Ciencias de la computación
Keyword: Procesamiento de datos,
Señales multidimensionales,
Procesamiento de señales,
Aprendizaje de diccionarios,
Representación escasa,
Algoritmos
Keyword: Computer science,
Data processing,
Multidimensional signals,
Signal processing,
Dictionary learning,
Sparse representation,
Algorithms
Full text: Texto completo (Ver HTML)