基于调和模型神经网络的彩色图像复原研究

针对彩色图像复原提出了基于网络能量递减收敛的调和模型神经网络图像复原方法,研究了该方法在运动模糊图像复原上的应用。利用待复原图像重构出多幅模糊图像用于算法的实现,并首次提出基于图像局部方差的自适应正则化算子的实现方法。实验结果表明,该方法是有效的,复原效果优于有约束的最小二乘复原法和已有的传统神经网络图像复原法,对复原图像的信噪比有一定的提高。     

图像复原的Bregman迭代双正则化方法

正则化图像复原最终会导致一个大规模优化问题,提出了一种基于Bregman迭代双正则化的图像复原方法。该方法中目标函数同时考虑总变分正则化和小波域稀疏正则化,在Bregman框架下解决图像复原问题,并且给出了用于解该问题的分裂Bregman迭代算法。该算法将复杂的优化问题转化为几十次简单的迭代加以解决,每次迭代只需几次快速傅里叶变换和收缩操作即可。实验结果表明,提出的复原算法不论从客观改善信噪比还是主观视觉,都能取得很好的效果。同时与目前的复原算法相比,该算法有更快的收敛速度。     

基于调和模型的快速神经网络图像复原算法

针对传统神经网络图像复原算法在复原过程中模糊图像边缘,收敛速度慢等不足,提出一种基于调和模型的快速神经网络图像复原算法.在该算法中,图像复原模型的正则化项采用调和模型,并在每次网络状态更新时引入最陡下降方法,使得网络能量迅速减小.实验表明,提出的算法能够很好复原图像的边缘特征,并具有快速收敛等优点.     

优化-最小求解的广义总变分图像复原

在代价函数中嵌入总变分正则项是解决图像复原中不适定问题的一种有效方法。但是,总变分正则化考虑的仅是一阶而不是高阶邻域像素变分关系;另外,总变分的开方形式还给基于总变分代价函数的优化带来了困难。为此,提出一种基于优化-最小算法的广义总变分正则化图像复原新方法,以克服目前存在的问题。该方法保留了总变分正则化方法能够除噪声保边缘的重尾特征,同时借鉴了双边总变分双重加权机制,从而推导出总变分正则项在邻域范围上的推广形式。该方法还针对广义总变分正则项优化过程中存在的求解瓶颈,提出采用优化-最小算法求得上界函数以逐次逼近最优解。实验结果表明,该方法取得了较好的复原效果,使改善信噪比指标达到2dB左右。     

改进的二值图像复原方法研究

为了解决传统基于GBB方法的正则化二值图像复原算法放大背景噪声的问题,提出了一种基于GBB方法的改进的正则化二值图像复原算法。根据提出的算法进行实验,定性的对两种算法的图像复原结果进行了比较。同时,利用ISNR选取最佳参数,且在不同程度噪声的影响下定量的评价了两种复原方法的结果。实验结果表明,该方法对于模糊二值图像的复原效果有显著提升,有效降低了噪声对图像复原的影响。     

一种有效保持边缘特征的散焦模糊图像复原方法

图像复原过程中图像的主观视觉质量与图像的局部细节信息之间密切相关.针对散焦模糊图像,提出一种新的图像复原方法.所提方法在传统双边总变分正则化方法基础上,通过引入一种具有结构自适应的局部权值函数,构造了一种新的图像复原目标函数.该目标函数综合考虑了图像的全局与局部统计特性,即在整体保真情况下还充分考虑了图像的局部结构信息,使得所提复原方法能更有效地保持图像的边缘等细节信息.与传统BTV正则化方法的比较实验表明,所提方法在边缘保持方面更有效,复原后的图像具有更好的主、客观视觉质量.     

基于广义高斯噪声分布模型的迭代正则化图像复原

讨论了广义高斯分布加性噪声模型，从对图像的最大似然估计出发，结合正则化的复原方法，提出了具有lp范数数据逼近项的正则化目标泛函，同时给出了自适应的正则化参数选择方法。对目标泛函使用迭代的方法求解，分析了迭代式的收敛性。目标泛函中正则化参数的选择和图像复原的迭代运算同步进行并自动优化。实验结果表明，对于加有广义高斯分布噪声的并被高斯型点扩展函数模糊的图像，该方法可明显改善图像复原的效果，尤其当广义高斯分布的形状参数p≤1时复原效果更好。     

一种变步长迭代正则化图像复原的新算法

针对现有迭代正则化方法复原质量不高的问题 ,提出了变步长迭代正则化图像复原方法 ,并在三种不同的正则参数下对该方法的恢复性能进行了检验。实验结果表明 ,该方法不仅提高了图像复原的质量 ,极大地减少了迭代算法的运行时间 ,而且当噪声能量增大时 ,迭代过程中解的稳定性也不会受到影响 ;更重要的是它对正则参数的选择不敏感。     

空域中基于正则化的自适应超分辨率图像复原

对于模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率图像复原方法.在Nguyen等人的正则图像复原框架的基础上,根据Roberts交叉梯度算子构造正则项,从自适应的角度生成正则化参数,并用共轭梯度法求解该模型的目标泛函极小值.计算机仿真结果表明,该方法可较好的再现图像的重要信息,复原图像的相对误差降低,同时,峰值信噪比和主观视觉效果方面都有明显的提高.     

基于自适应P-Laplace扩散的图像复原

针对图像复原问题提出基于自适应P-Laplace扩散的图像盲复原算法。该算法结合图像的梯度和曲率性质,采用各向异性的空间自适应正则化处理,建立具有非线性和各向异性扩散的正则化方程,使其在恢复目标图像时能自适应地进行梯度平滑和边缘保留。通过最小化能量方案极小化代价函数,同时通过定点交替迭代策略将非线性方程进行线性化处理,快速恢复图像。实验结果证明,该方法能对模糊图像进行有效复原,提高图像的质量。     

一种基于细胞神经网络的视频运动对象分割的研究

针对目前大多数视频分割算法难以满足实时性要求的缺点,本文将具有很强并行处理能力并具有集成特性的CNN细胞神经网络应用到视频对象分割当中,提出了一种基于细胞神经网络的视频运动对象分割算法,并通过仿真实验验证了其可行性.     

基于CNN和MRF的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于细胞神经网络(CNN)和马尔可夫随机场(MRF)的目标分割方法.首先根据细胞神经网络与马尔可夫随机场能量函数的相似性,将马尔可夫随机场的最大后验概率模型映射到细胞神经网络近邻系统模型中.然后建立图像每一像素点的邻域系统模型,并且构造相应的能量函数.为使能量函数达到快速收敛,再利用模拟退火算法实现能量函数的最小值,以达到对运动目标的提取.由于CNN是由局部互连的细胞组成,因此易于用VLSI实现.实验的结果表明,该方法能够有效地抑制图像的噪声,对于运动目标的提取有较好的分割效果.     

Image processing applications via time-multiplexing cellular neural network simulator with numerical integration algorithms

A novel approach to simulate cellular neural networks (CNN) is presented in this paper. The approach, time-multiplexing simulation, is prompted by the need to simulate hardware models and test hardware implementations of CNN. For practical applications, due to hardware limitations, it is impossible to have a one-to-one mapping between the CNN hardware processors and all the pixels of the image. This simulator provides a solution by processing the input image block by block, with the number of pixels in a block being the same as the number of CNN processors in the hardware. The algorithm for implementing this simulator is presented along with popular numerical integration algorithms. Some simulation results and comparisons are also presented.     

基于细胞神经网络的灰度图像负片算法

提出了一种基于细胞神经网络的灰度图像负片算法。根据细胞神经网络高速并行的特点。提出并设计了单层细胞神经网络负片模板用于灰度图像的负片处理。为细胞神经网络在图像处理领域中的应用提供了一种优良的算法。实验证明了，该算法对灰度图像负片处理的有效性。     

1D convolutional neural networks for chart pattern classification in financial time series

This paper proposes a novel deep learning-based approach for financial chart patterns classification. Convolutional neural networks (CNNs) have made notable achievements in image recognition and computer vision applications. These networks are usually based on two-dimensional convolutional neural networks (2D CNNs). In this paper, we describe the design and implementation of one-dimensional convolutional neural networks (1D CNNs) for the classification of chart patterns from financial time series. The proposed 1D CNN model is compared against support vector machine, extreme learning machine, long short-term memory, rule-based and dynamic time warping. Experimental results on synthetic datasets reveal that the accuracy of 1D CNN is highest among all the methods evaluated. Results on real datasets also reveal that chart patterns identified by 1D CNN are also the most recognized instances when they are compared to those classified by other methods.

     

Color image processing in a cellular neural-network environment

When low-level hardware simulations of cellular neural networks (CNNs) are very costly for exploring new applications, the use of a behavioral simulator becomes indispensable. This paper presents a software prototype capable of performing image processing applications using CNNs. The software is based on a CNN multilayer structure in which each primary color is assigned to a unique layer. This allows an added flexibility as different processing applications can be performed in parallel. To be able to handle a full range of color tones, two novel color mapping schemes were derived. In the proposed schemes the color information is obtained from the cell's state rather than from its output. This modification is necessary because for many templates CNN has only binary stable outputs from which only either a fully saturated or a black color can be obtained. Additionally, a postprocessor capable of performing pixelwise logical operations among color layers was developed to enhance the results obtained from CNN. Examples in the areas of medical image processing, image restoration, and weather forecasting are provided to demonstrate the robustness of the software and the vast potential of CNN.     

一种新的基于广义细胞自动机的网络快速包交换优化方法

实时优化求解快速包交换问题(FPS)是提高网络性能的重要手段．基于梯度下降法等数学规划方法，不能并行地实时地优化求解FPS问题，而基于Hopfield型神经网络和细胞神经网络的优化方法中，都只有单一粒度的细胞动力学方程和单一粒度细胞之间的相互作用，不仅收敛到平衡点的过程长，而且神经网络参数的选择和修正十分困难．该文提出一种新的具有多粒度宏细胞的广义细胞自动机模型和方法，广义细胞自动机中的小粒度宏细胞聚合成可以独立演化的大粒度宏细胞，通过多粒度群体的不同程度群体智能的相互作用，能够比目前其他方法更快更有效地分布并行地优化求解FPS问题和其它类似的复杂的网络优化问题．     

面向乳腺癌图像的浅层高识别卷积神经网络研究

乳腺癌是易发生且致死率高的恶性肿瘤之一,及早诊断识别是降低致死率的关键.基于应用广泛的乳腺癌病理图像,结合卷积神经网络展开乳腺癌的识别研究.针对癌症图像细节和纹理特征难以识别的问题,采用插值处理将图像进行适当放大,以便研究分析.针对卷积神经网络参数庞大不易训练和不易硬件实现的问题,提出一种精简的5卷积层W型网络结构,具...     

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征,采用细胞神经网络提取图象边缘时,网络参数的选择是一个重要问题。为了能够有效地提取图象边缘,基于高通滤波模板,选择了细胞神经网络的一组简单易行的参数,首先将其用于检测二值图象边缘,再在此基础上,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘。与传统边缘提取方法Sobel和Log方法的比较可见,该方法是有效的,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此使其在图象实时处理中具有更大的潜力。     

广义细胞自动机的结构及其硬件实现

该文作者曾提出了广义细胞自动机(GCA)的原理和并行算法．并且应用于网络快速包交换等动态优化问题．该文进一步讨论了这种新的广义细胞自动机的体系结构、算法的硬件实现及其电路设计。它们对于GCA的实际应用有重要意义．GCA结构不同于Hopfield神经网络(HNN)和细胞神经网络(CNN)，GCA由多层次多粒度宏细胞组成塔形结构．它具有多粒度的宏细胞动力学特征．相同粒度宏细胞之间没有交互，但不同粒度宏细胞之间存在一定程度的交互或反馈．分析和实验表明．在问题求解的优化性、实时性、硬件实现复杂性等方面．该文给出的GCA结构和硬件实现．与HNN和CNN相比有诸多优点．