一种自适应暗通道先验去雾算法

基于暗通道先验的图像去雾算法是一种简单有效的图像去雾算法,但该算法在处理较高分辨率的图像时,时间复杂度较高,复原后的图像亮度偏低,且在处理具有大面积白色明亮区域图像时存在色彩失真的问题。针对这些问题,本文提出了改进的自适应暗通道先验去雾算法,新算法引入自适应的指导滤波法代替原算法中的软抠图法,提高算法的计算效率的同时获得最优滤波窗口半径。同时,新算法还通过改进透射率图估计方法,弱化对明亮区域的去雾处理,避免过增强,并调整图像亮度,优化去雾结果。通过合成雾图和真实场景雾图实验验证了新算法的有效性。合成雾图实验中采用全参考评价方式,在清晰的无雾场景上模拟雾的形成,计算加雾前与使用不同算法去雾后图像的绝对差值进行比较。真实场景雾图实验中,采用基于人类视觉感知的CNC(Contrast-naturalness-colorfulness)综合评价体系,计算同一雾图在不同算法去雾后图像的CNC指数。实验结果表明,在相同图像分辨率条件下,本文提出的自适应算法不仅去雾后图像视觉效果更加理想,而且处理时间大为减少。     

油气田产量预报Γ模型参数估计的遗传算法

描述油气田产量与开发时间之间非线性关系的Γ模型具有精度高、应用方便、用途广泛等优点,但非线性参数估计难度较大。中采用具有智能性的的遗传算法求Γ模型参数的最优估计值,引用油气田实际产量数据进行估计和预报,获得了优于常规非线性最小二乘法的结果,     

油气田产量预报Γ模型参数估计的遗传算法

描述油气田产量与开发时间之间非线性关系的 Γ模型具有精度高、应用方便、用途广泛等优点 ,但非线性参数估计难度较大。文中采用具有智能性的的遗传算法求 Γ模型参数的最优估计值 ,引用油气田实际产量数据进行估计和预报 ,获得了优于常规非线性最小二乘法的结果     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

非线性关联大系统的鲁棒自适应观测器设计

针对一类存在未知参数、干扰和未建模动态的非线性关联大系统,提出了一种鲁棒自适应观测器.在观测器中对每个子系统引入一个动态信号来独立抑制未建模动态,同时用自适应非线性阻尼项来克服系统关联.用此观测器不需要估计未知参数及求解线性矩阵不等式.本文从理论上证明了所设计的观测器误差一致有界,并且通过恰当选择有关设计参数可使估计误差任意小.     

均值偏移法在核磁共振图象分割中的应用

文中采用均值偏移算法对加标记核磁共振(MR)图象的幅度谱进行模式分类构造低通滤波器,滤波后的频谱经傅立叶反变换后生成去网格标记的MR图象.然后运用Snake-GVF方法对结果图象进行分割,能够获得较好的左心室内膜边界.结果表明均值偏移算法应用于加标记MR图象分割是有效的.     

一种基于遗传神经元网络的模糊控制系统

针对常用的基于BP网络的模糊控制器对模糊控制规则的学习难以达到理想效果的缺陷,采用遗传算法生成前向神经元网络,可同时对网络的极值与结构进行学习,基于此基础的神经网络模型控制系统具有良好的自适应特性。     

遗传算法在油田产量预报中的应用

油田开发方案设计中 ,产量预报正确与否与油田开发成败息息相关 ,它决定了油田生产规模 ,投资决策等。正确预测油田产量对改善开发生产效果和提高措施作业效益有重要作用 ,油田产量预报方法很多 ,如递减曲线法、神经网络法、Poisson分布法等。各种油气田产量预报模型的应用关键在于参数估计 ,常规参数估计方法为试凑法和最小二乘法 ,工作量大 ,可靠性差 ,所以引入了一种新型遗传算法求取参数最优估计值 ,并通过遗传算法在Γ模型中的应用实例说明了该方法在油气产量预报中的可行性     

基于压缩感知的超分辨率图像重建

压缩感知(CS)利用图像稀疏表示的先验知识,从少量的观测值中重建出原始图像。将CS理论应用于单幅图像超分辨率(SR),提出一种基于两步迭代收缩算法和全变分(TV)稀疏表示的图像重建方法。该方法无需任何训练集,仅需单幅低分辨率实现图像重建。算法在测量矩阵里加入下采样低通滤波器以使SR问题满足应用CS理论的有限等距性质;采用TV正则化函数,利用两步迭代法引入TV去噪算子,可以更好地重建图像边缘。实验结果证明,与已有的超分辨率方法相比,在不同的放大倍数下所提方法重建图像视觉效果更好,在峰值信噪比(PSNR)的评价指标上有显著的提高(4~6dB),且实验证实滤波器的引入决定算法的重建质量。