基于矩阵相似度的最佳样本块匹配算法及其在图像修复中的应用

在基于纹理合成的图像修复算法中,最佳样本块匹配算法存在匹配精度不高和时间复杂度高等问题。针对上述问题,首先构造了块匹配算法,采用矩阵相似度来计算模板块与样本块之间的匹配度,以相对较粗的粒度初步选出最佳样本块的候选集。然后,又构造了像素点匹配算法,采用模板块与候选最佳样本块之间的误差矩阵的内积来计算对应像素点之间的匹配度,以更细的粒度来确定最终的最佳样本块。块匹配算法降低了时间复杂度,像素点匹配算法提高了匹配精度,因此,在此基础上构造的基于相似矩阵的最佳样本块匹配算法能够在不增加时间复杂度的情况下提高算法的匹配精度。实例验证结果表明,与当前基于纹理的图像修复算法相比,该算法的匹配精度提高,时间复杂度降低。     

基于CRFs模型的敏感话题识别研究

条件随机场（CRFs）是一种判别式概率无向图学习模型,将其引入敏感话题识别中,提出了基于CRFs模型的敏感话题识别方法。将随机挑选出的一篇待检测文本s和剩余的待检测文本分别作为CRFs模型的观察序列和状态序列来计算文本s和其余待检测文本间的相关性概率值;然后将相关性最高的那篇文本和文本s合并表征一个类别;同时,将相关性最低的那篇文本作为另一个类别,将这两个类别作为CRFs模型新的状态序列,剩余的待检测文本作为新的观察序列进行迭代,据此实现敏感话题的识别。在数据集上进行的实验中,该方法的耗费函数的值为0.01943,宏平均F度量的值为0.8235,都取得了很好的效果。     

基于空洞卷积与特征增强的单阶段目标检测算法

基于卷积神经网络目标检测算法的浅层特征图包含丰富的细节信息,但缺乏语义信息,而深层特征图则相反。为充分利用浅层和深层特征图特征,解决多尺度目标检测问题,提出一种新的单阶段目标检测算法（AFE-SSD）。以SSD算法为基础,分别对该算法中相邻的2个特征图进行特征融合,从而丰富浅层特征层的语义信息。通过对并行空洞卷积机制进行改进,构建多尺度特征提取模块,将融合后的特征图通入多尺度特征提取模块的方式丰富其多尺度信息,同时提升主干网络的特征提取能力。在PASCAL VOC2007测试集上的实验结果表明,AFE-SSD算法的mAP为79.8%,检测速度为58.8 frame/s,与SSD、DSSD算法相比,mAP分别提升了2.4和1.2个百分点,验证了所提特征融合方式及多尺度提取模块的有效性。     

基于局部特性的图像修复算法

在研究基于样本块的图像修复算法的基础上,针对填充顺序不可靠、样本块模板窗口大小选取不当和修复效率低等缺点,提出了一种基于局部特性的图像修复算法。算法结合图像的局部梯度特性和局部相似性特征,通过对数据项增加补偿系数和加大其权重,保证图像的结构连通性;根据图像梯度信息,决定样本块模板窗口大小,减少错误衍生和块效应现象;利用置信度项值自适应选取局部搜索空间大小,提高修复效率,减少误匹配。实验结果表明,本文算法能很好地保持破损区域的纹理和结构特性。     

基于相关性反馈的自适应热点话题追踪模型

针对在热点话题追踪过程中容易发生话题漂移的问题,提出了基于相关性反馈的自适应热点话题追踪模型。为准确把握话题的动态演变过程,首先,在词频-逆向文档频率(term frequency-inverse document frequency, TF-IDF)的基础上引入了相关度因子。其次,构造了报道与话题的相关度计算公式和新特征词能否反馈加入到话题词汇库的判别函数。同时,利用了话题词汇库本身的特性,构造了自适应更新阈值和自适应相关阈值的动态计算方法。最后,根据各个特征词对该话题贡献度的大小,对更新后的词汇库中的各特征词动态赋予新权重。实验结果显示,和其它3类追踪器相比,该追踪器模型的漏报率平均降低0.018、误报率平均降低0.063,这表明,该追踪模型更适合于解决话题漂移问题。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

Add-Mult型模糊神经网络

提出了一种Add-Mult型模糊神经网络模型(AMFNN)，给出了该模型的结构。根据梯度下降算法，给出了AMFNN模糊神经网络的误差反传学习算法。与6种极具代表性的模糊推理方法进行比较的结果表明，AMFNN模糊神经网络模型具有推理精度高、适用范围广、泛化能力强以及实现容易等特点，因而具有广阔的应用前景。     

不规则块的图像补全算法

目的 目前在图像补全领域研究的重点和难点是补全具有复杂结构信息和丰富纹理信息的大破损区域的图像。传统的基于样本块的图像补全算法主要采用规则的模板块和匹配块来进行补全,补全过程中不能充分利用图像的结构或纹理的不规则信息,从而影响算法修复的精度和效率。针对这一问题,本研究提出一种基于不规则块的图像补全算法。方法 在该算法中,首先利用结构稀疏度来区分图像的结构信息和纹理信息并基于结构稀疏度和置信度计算破损区域边界点的优先级,然后选择优先级最高的点构造规则模板块。对处于复杂结构区域的模板块,如果其邻域含有已知的结构信息,则膨胀该规则模板并利用其周围的结构信息来辅助构造不规则模板块。接下来,在图像完好区域内搜索与该模板块对应的匹配块,如果该匹配块的邻域包含有效的结构信息,则膨胀该匹配块并补充其周围的结构信息来完善该不规则匹配块。最后,利用该不规则匹配块补全破损区域。对于补全过程中块间接缝造成的视觉不连通问题,本研究利用图像的纹理信息来进行修饰。结果 将本文算法与4种修复效果较好的算法（3种基于规则块的算法和1种基于局部敏感哈希的修复算法）进行对比,通过8组经典图像进行实例验证,采用客观评价指标峰值信噪比PSNR和主观视觉连通性进行评价,结果表明本文提出的算法峰值信噪比相较4种对比算法均有04 dB的提高,且在补全的精细度和视觉连通性方面有更佳的效果。结论 本文算法在补全含有较复杂结构和丰富纹理的破损自然图像、壁画图像和目标物体移除上有较好的修复效果,普适性较强。     

破损区域分块划分的图像修复

目的： 提出一个算法,使计算机能够自动修复破损区域较大且结构信息较复杂的图像。 方法： 本研究通过模仿手工修复破损区域较大且结构信息较复杂的图像的方法,按如下2个步骤来修复图像：1) 破损区域的划分,首先,对各断裂边界线进行匹配配对。然后,将已配对的各断裂边界线进行直接连接,从而在破损区域内形成各个待修复块。2) 各块的修复,首先,采用BSCB算法中的传输方程和扩散方程将已选邻域信息迭代传输和扩散到各块破损区域,以修复完优先级最大的各个块。然后,判断是否有次优先级的待修复块,若有,则采用边界线删除算法删除部分冗余边界线,接着按相同方法修复次优先级的待修复块;若无,则修复完成。 结果： 基于以上图像修复步骤,提出了破损区域分块划分的图像修复算法。将提出的该算法和其它3个算法用于修复破损区域较大且结构信息较复杂的图像,其结果显示,该算法所修复图像的PSNR值平均提高1.49db,同时,所修复图像具有较好的视觉效果。 结论： 和其它3个算法相比,提出的破损区域分块划分的图像修复算法更适合于修复破损区域较大且结构信息较复杂的图像。     

最大距离法选取初始簇中心的K-means文本聚类算法的研究

由于初始簇中心的随机选择, K-means算法在聚类时容易出现聚类结果局部最优、聚类结果不稳定、总迭代次数较多等问题。为了解决K-means算法所存在的以上问题, 提出了最大距离法选取初始簇中心的K-means文本聚类算法。该算法基于这样的事实：距离最远的样本点最不可能分到同一个簇中。为使该算法能应用于文本聚类, 构造了一种将文本相似度转换为文本距离的方法, 同时也重新构造了迭代中的簇中心计算公式和测度函数。在实例验证中, 对分属于五个类别的1 500篇文本组成的文本集进行了文本聚类分析, 其结果表明, 与原始的K-means聚类算法以及其他的两种改进的K-means聚类算法相比, 新提出的文本聚类算法在降低了聚类总耗时的同时, F度量值也有了明显提高。