二维盲图像恢复算法的研究

通过对现有的二维盲图像恢复算法的探讨,提出了两种基于L1双正则化的二维盲图像恢复算法.一种是最小化L2-L1代价函数,为了实现边缘保持和噪声抑制;另一种是通过最小化L1-L1代价函数来处理非高斯噪声的情况.所提的算法是一种广义的梯度算法,它通过引入绝对值函数的弱导数来处理不可微的情况.实验结果表明,与NAS-RIF算法和DR算法相比,所提出的两种二维算法能够更快速地获得好的图像估计.     

一种新的PET序列图像超分辨率优质重建算法

利用超分辨率重建技术,从含有加性高斯噪声和模糊噪声的正电子发射成像(PET)序列低分辨率图像,重建出一幅优质高分辨率图像。作者提出了一种基于正则化参数(RP)的通道自适应线性斜率超分辨率算法。该算法采用平移运动模型,通过对RP线性斜率的自适应更新,动态优化代价函数,以降低对PET图像高频成分的抑制。为验证新算法的有效性,采用模拟PET序列图像进行实验。实验中,与HUHE算法相比,新算法PSNR平均提高2.65dB。新算法在改善图像空间分辨率上取得良好的效果,同时具有很好的抗噪性能。     

基于加权低分辨率图像的自适应正则化图像重建

图像重建是一个病态问题,需要应用逆过程获得原始图像的近似估计。亚像素配准虽在图像重建过程中发挥了重要作用,但难以获得准确值。提出一种自适应图像重建迭代算法和基于加权低分辨率图像的Tikhonov正则化参数的自适应估计方法。权重系数保持了每个低分辨率图像的逼真度,而正则化系数则控制了图像平滑度。实验结果表明,此算法无论在客观测量还是在视觉评价上,都优于传统的Tikhonov正则化方法。     

结合加权低秩表示和L_1范数的图像混合去噪

由于图像在获取、发布或传输过程中受到噪声的污染,导致图像质量下降.现有的大部分图像去噪方法仅针对高斯噪声情况进行图像恢复,一般来说,现实中图像容易同时受到高斯噪声和椒盐噪声的污染.针对这一情况,文章提出基于加权低秩表示和L_1范数的混合噪声去除算法.该算法首先采用加权低秩表示来刻画图像的全局特性,同时利用L_1范数来描述稀疏噪声,设计了图像混合去噪模型.然后采用交替方向乘子法对混合去噪模型进行求解.最后对含混合噪声的图像进行了仿真实验分析,结果表明提出的算法能够较好地去除图像中的混合噪声,进一步提高图像的视觉感知质量.     

对l_p-TV模型在图像复原中p值的研究

文中提出通过加性半二次各向同性正则化方法恢复高斯模糊加噪声处理之后的图像,然后引入辅助矢量扩充原成本函数得到最小值,再进一步利用广义Krylov子空间投影进行计算求解,得到真实图像的近似解.最后通过实例选取不同的p值进行图像恢复,观察图像恢复的效果.     

基于小波域正则化的毫米波图像重构

毫米波被动成像具有全天时工作能力。与红外、可见光成像相比,其不足之处是分辨率较低,不能完全反映场景与目标的细节情况。采用小波域正则化方法,首先对毫米波图像进行小波域局部噪声方差估计,然后用自适应正则化方法重构超分辨率毫米波图像。毫米波图像处理的实验证明,该方法消噪效果明显,能锐化图像,保持图像细节。     

梯度域和深度学习的图像运动模糊盲去除算法

针对传统图像去运动模糊方法易放大噪声,产生振铃效应等问题,提出一种基于梯度域和深度学习的图像运动模糊盲去除算法。该算法利用引导滤波和L0滤波对图像进行预处理,将预处理后的梯度域图像块送入设计的卷积神经网络进行训练;提取训练好的模型参数,实现模糊核估计与图像复原;在图像复原过程中使用TV正则项进行图像去模糊。与其他算法相比,该算法能有效地抑制振铃效应和减弱噪声,去运动模糊效果较好。     

一种改进的Richardson-Lucy正则化图像复原算法

运动模糊图像复原是模糊图像复原领域中的重要课题。首先,利用一种新的正则化方法有效估计了非参数运动模糊核。然后,在贝叶斯框架下,基于图像像素空间和梯度空间的统计特性,结合自然图像的梯度约束,提出了图像复原的改进RL正则化算法,有效抑制了复原图像中存在的振铃效应。实验结果表明,RL正则化算法在模糊核的估计存在误差时,依然能够得到较好的图像复原效果。     

反向热传导问题的一种改进的Fourier正则化方法

讨论一个含有对流项的反向热传导问题,这是一个严重的不适定问题.我们采用一种改进的Fourier正则化方法构造出该不适定问题的正则解.通过选取适当的正则化参数,获得正则解很强的收敛性估计.     

基于方差估计的快速稀疏表示目标跟踪算法研究

针对粒子滤波框架下稀疏表示跟踪算法存在的粒子规模大以及复杂的L1范数最小化计算等问题,提出一种基于方差估计的快速稀疏表示目标跟踪算法。该算法首先在运动估计阶段应用方差估计优化采样粒子的分布;然后利用L2范数代替L1范数对判别目标函数进行稀疏求解计算,并进一步从重构误差的度量形式做出改进来增强L2范数的稀疏性;最后利用在线字典学习(ODL)算法对模板字典进行在线更新。实验结果表明,该算法能够克服干扰实现稳定快速跟踪,提高跟踪效率。     

?_p范数正则化的稀疏子空间估计与聚类

稀疏子空间聚类是把子空间聚类问题松弛为凸优化问题,但这种凸近似需要满足较强的非相干性条件,且用观测数据本身作为字典进行子空间表示时,观测数据中所含的噪声、缺损、奇异样本等会增加子空间表示的误差.为解决上述问题,提出一种基于?_p范数(0相似文献   

基于L1范数正则化的四元数信号重建（英文）

提出了一种通过求解L1范数最小化问题来重建四元数信号的算法,并且同时考虑了有噪声和没有噪声2种应用场景.该算法首先将四元数域的L1范数最小化问题转化为实数域的二次锥规划问题,然后通过工具包如SeDuMi来解决这个二次锥规划问题.为了验证所提出算法的正确性和有效性,进行了相关的数值试验.试验结果表明:在没有噪声的情况下,在某些实际可接受的条件下原始信号的精确重建是可以实现的;在有噪声的情况下,所提出的算法对于测量中的加性噪声具有鲁棒性.该算法可以被应用于四元数域基于压缩感知理论的信号重建中.     

自适应调整窗口维度的动态中值滤波算法

经典中值滤波算法在不同噪声密度下为了得到最优滤波效果,需手动调节滤波窗口大小,同时在滤波过程中会对图像细节造成二次污染.针对这一问题,提出一种基于椒盐噪声密度、自适应调整中值滤波窗口的算法,首先估计出图像噪声密度,再确定传统中值滤波在不同噪声密度下,对应的最优窗口维度,并建立函数关系,利用函数关系自适应调整窗口维度,最后将椒盐噪声图像的待修复像素值替换为滤波修复后的像素值,防止细节被模糊化.实验显示,噪声密度估计的误差在3%范围内波动;采用四舍五入的方法使算法能够自适应匹配到最优滤波窗口,再对噪声分离处理,使得中值滤波对图像的细节保护更加完整.     

一种去除图像混合噪声的新方法

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与小波去噪的图像去噪算法.该算法首先检测出脉冲噪声点,并采用自适应窗口对脉冲噪声点进行中值滤波处理,然后用基于高斯混合模型的小波去噪法滤除图像中的高斯白噪声.仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和小波去噪法好得多.     

磨光化方法在数值微分中的应用

考虑一类求解数值微分问题的稳定化算法——磨光化方法,本文分别在2种范数(∞范数和L²范数)下得到了磨光核函数的通用选取准则以及相应近似导数的误差估计,并给出了磨光核函数的2种具体取法.最后,通过数值算例说明了求解数值微分问题的磨光化方法的数值有效性.     

运动车辆车牌图像的超分辨率重建

为了改善实际交通环境中运动车辆车牌图像的质量,提出一种新的超分辨率重建方法,即通过融合低分辨率图像间的互补信息得到一幅高分辨率车牌图像.首先,在超分辨率重建正则化框架下引入梯度残差项作为一个梯度强制项来改善重建图像的质量.其次,为了提高重建算法的鲁棒性,用L1范数度量数据残差项和梯度残差项.最后,用最速下降法求解相应的最小能量泛函.模拟和实际视频图像序列的实验结果验证了所提方法的有效性和实用性,所提方法在重建图像的信噪比指标和视觉效果方面均优于双三次插值和DAMRF法.     

基于引导滤波与 LoG 算子的安检图像增强算法

引导滤波是一种能保持图像边缘的滤波器,可用来减少图像噪声。高斯拉普拉斯算子（Laplacian of Gaussian,LoG）在去噪的同时能够检测到边缘信息,并实现图像边缘增强。针对 X 光安检图像噪声大、边缘不清晰、对比度低等特点,提出一种基于引导滤波与 LOG 算子的安检图像增强算法。首先用引导滤波对图像作平滑处理,然后用 LoG 算子检测其边缘并进行增强,最后用限制对比度自适应局部直方均衡化（CLAHE）作对比度拉伸。实验结果表明,该算法与改进 CLAHE 算法相比,平均梯度可提高 50%左右,图像清晰度较高。     

基于卷积神经网络去噪正则化的相位恢复算法

相位恢复问题是指仅从幅值测量中恢复原始信号.由于幅值测量中缺少相位信息，精确恢复原始信号困难，因此需要加入正则化项确保高精度重建原始信号.结合交替投影和卷积神经网络提出了基于卷积神经网络去噪正则化的相位恢复算法(NrPR＿DnCNN).所提算法将相位恢复问题转化为去噪和约束优化两个子问题，并利用l₁正则化快速梯度下降法交替求解.仿真结果表明：与BM3D＿PRGAMP算法相比，所提算法重构图像的峰值信噪比在二种高斯噪声水平上分别提高了2.08 dB和3.20 dB,验证了所提算法的有效性和鲁棒性；误差-迭代仿真结果验证了所提算法具有良好的收敛性.     

基于颜色边缘矩和锚定邻域正则化回归的色彩恒常算法（英文）

为提高光照估计的精度并保持相对较快的运行速度,提出了一种新的基于颜色边缘矩和锚定邻域正则化回归的色彩恒常算法.首先提取不同阶数的颜色边缘矩作为场景图像特征.然后,在锚定样本的邻域内采用一种迭代的平方F-范数正则化回归来学习颜色边缘矩特征与光照间的映射矩阵.最后,对测试样本的光照估计可基于与其最近邻的锚定样本的关联映射矩阵获得,该映射矩阵在训练阶段已被预先计算并存储.在2个标准图像数据集上的实验结果表明,所提算法性能明显优于现有相关算法,其中值角度误差较现有算法至少分别下降了10.35%和7.44%.     

接收IQ不平衡OFDM系统的高性能信道估计和补偿方案(英文)

针对接收IQ不平衡的OFDM系统,设计了横跨2个OFDM符号的特殊训练结构.提出了一种高效的时域最小二乘(TD-LS)信道估计和一种低复杂度的频域高斯消元补偿算法来消除IQ失真.前者与传统的频域LS算法相比,信道估计噪声的影响降低了N/(L+1)倍,其中N为子载波总数,L+1为循环前缀长度;后者实现复杂度低,每个OFDM符号仅需要2N次复数乘法.仿真结果表明:由于充分挖掘了信道参数的时域特性,提出的TD-LS信道估计算法与传统的FD-LS算法相比获得了可观的信噪比增益;提出的低复杂度的GE补偿算法能够获得与基于LS的频域补偿方案几乎相同的误码性能.