Sparse coding is an unsupervised method which learns a set of over-complete bases to represent data such as image, video and etc. In the cases where we have some similar images from the different classes, using the sparse coding method the images may be classified into the same class and devalue classification performance. In this paper, we propose an Affine Graph Regularized Sparse Coding approach for resolving this problem. We apply the sparse coding and graph regularized sparse coding approaches by adding the affinity constraint to the objective function to improve the recognition rate. Several experiments has been done on well-known face datasets such as ORL and YALE. The first experiment has been done on ORL dataset for face recognition and the second one has been done on YALE dataset for face expression detection. Both experiments have been compared with the basic approaches for evaluating the proposed method. The simulation results show that the proposed method can significantly outperform previous methods in face classification. In addition, the proposed method is applied to KTH action dataset and the results show that the proposed sparse coding approach could be applied for action recognition applications too. پرونده مقاله

در اين مقاله روش جديدي براي حذف نويز تصاوير با استفاده از معادلات مشتقات جزئي ارائه شده است. در به‌کارگيري معادلات مشتقات جزئي براي حذف نويز تصاوير از پارامتري به‌نام ضريب انتشار استفاده مي‌شود که انتخاب درست آن تأثير زيادي بر روي حذف نويز و حفظ لبه‌هاي تصوير دارد. در مقالات موجود مقدار ضريب انتشار براي تصاوير مختلف بر اساس سعي و خطا به‌دست مي‌آيند. اما در اين مقاله روشي ارائه مي‌شود که مقدار اين ضريب به‌صورت تطبيقي براي تصاوير در نظر گرفته مي‌شود. روش ارائه‌شده در اين مقاله بر روي چندين تصوير استاندارد آزمايش شده است. نتايج اين آزمايشات نشان مي‌دهند که روش ارائه‌شده در مقايسه با روش‌هاي موجود مبتني بر معادلات مشتقات جزئي عملکرد بهتري دارد. پرونده مقاله