一种基于CMAC的图象恢复算法

由于影响成象和导致图象退化的因素具有模糊性和不确定性,很难准确地建立图象退化过程的数学模型,因而建立退化过程的逆过程图象恢复十分困难,为了解决这一问题,提出了一种基于CMC的图象恢复算法,该方法利用CMAC神经网络的非线性映射和综合能力,通过对影响成象和导致图象退化的过程进行反向学习来恢复图象。仿真结果表明,用CMAC神经网络能很好地恢复出已退化的图象,并且神经网络模型与学习方法十分简单,便于实时图象恢复。     

基于神经网络的三维图象恢复与重建新算法

简介了兰伯特Lambertian反射模型用于三维图象的恢复与重建的算法,由于其具有很大的局限性,为此,给出了一种基于神经网络与模糊处理相结合的新型反向模型,用于三维图象的恢复与重建,且新算法不需知道光源方向,经实验证明,具有计算快捷且图象识别精度高的特点。     

基于神经网络的MRF纹理图象恢复

本文提出了一种基于平均场神经网络的纹理图象恢复算法，并且利用多状态神经元表达方式，压缩问题解的搜索空间，算法是一个自适应过程，交替地进行模型参数估计和图象恢复，实验结果说明了算法是行之有效的。     

一种用于图象恢复的数据融合算法研究

近年来多传感器数据融合技术在图象处理领域得到了广泛的重视和应用。鉴于来自同一景物的多幅变形图象,其来源不同,每幅图象都带有不同的噪声,针对这种图象的恢复提出了一种基于自组织特征映射神经网络的图象融合算法。该算法可分为3步,第1步是图象的预处理阶段,即对图象进行加权中值滤波,去除部分噪声;第2步利用自组织神经网络对每幅图象的象素进行聚类分析;第3步,对第2步得到的结果按照一定规则进行融合。仿真结果表明,该算法能明显提高图象质量。     

乐谱识别中的结构拆分及图象恢复

在电子出版及许多音乐研究中，均需将原文乐谱转化为被计算机可读的数据。本文提出一种用字符识别方法的乐谱图象识别系统。它基于拆分结构技术，将原文转换为局部结构图切分乐符，有效地减少了数据量，且不受图象弯曲和倾斜的影响。文中给出了识别结果的文本输出及其图象恢复。     

数字图象恢复的等功率谱滤波

数字图象恢复是把图象质量低下的原因用数学模型表现出来的图象质量改善的方法。本文利用等功率谱概念推导一种新方法并利用计算机进行验证。     

一种基于整体变分的图象修补算法

图象修补是图象恢复研究中的一个重要内容，它的目的是根据图象现有的信息来自动恢复丢失的信息，可以用于旧照片中丢失信息的恢复。由于图象中的边缘代表了图象的重要信息，所以在设计修补算法时，必须着重考虑边缘的恢复，采用整体变分模型设计了一个图象修补算法，整体变分模型能够模拟人的低层视层，在修补图象时可以恢复图象中的边缘，数值实验表明，该模型能够较好地恢复待修补区域的信息，但是受修补区域大小的影响，同时又采用了一种向前传播操作来缩小修补区域。     

空间非均匀图象噪声去除的卡尔曼滤波方法

针对用卡尔曼滤波进行图象处理所存在的问题，提出一种空间非均匀图象噪声去除的卡尔曼滤波方法。该方法可以避免由于图象模型参数的辨识而引起的计算上的负担，而且将图象的边缘信息加入滤波器的输入，从而在进行滤波的同时可以保持图象的边缘。     

局部受损图象的恢复

本文讨论了关于局部受损图象的恢复问题。尝试应用插值的原理去求得受损处的采样值。求解时使用了两种方法,并且对它们的效果进行了实验对比。     

基于改进遗传算法的图像恢复方法

通过对遗传算法在进行图像恢复时存在的早熟现象的研究,指出了在图像恢复中早熟现象产生的原因是种群多样性的迅速减少引起的.针对应用遗传算法进行图像恢复时存在的局限性,提出了一种改进的遗传算法.该算法通过加入随机种群弥补种群中减少的多样性,通过改进变异算予使算法加速向最优解收敛.实验结果表明,该算法不论以峰值信噪比为标准,还是以人的主观感觉判断,都明显优于简单遗传算法.而且,该方法能较好地抑制早熟现象,恢复效果对图像的模糊程度依赖性小,可以恢复严重模糊的图像.     

一种改进的Hopfield神经网络SST图像恢复方法

提出了采用三元存储结构和图像分块的改进算法,同时利用模拟退火算法和遗传算法来提高恢复算法的收敛速度,从而进一步提高图像恢复的实时性,最后利用所提出的基于Hopfield神经网络的快速恢复方法进行模拟计算,其运算效率和恢复结果都能达到SST图像恢复的使用要求。     

基于遗传算法和LM优化的BP神经网络的图像复原算法

提出了一种针对图像复原的GA-BP算法.在对退化图像进行复原的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,充分利用遗传算法的全局搜索性能进行"粗"搜索,当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,将两者结合起来形成GA-BP算法.通过对图像复原后的效果进行比较,实验表明该算法可以有效的应用于图像复原.     

基于遗传算法和模拟退火算法的特征选择方法

针对模式识别时原始特征数量大而有冗余的现象,提出了一种基于遗传退火算法的特征选优方法。首先对遗传算法和模拟退火做了简要评论,然后在遗传算法中引入模拟退火的Boltzmann更新机制,以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题。最后阐述、设计了适应度函数和遗传算子。仿真实验表明,该方法在求解的效率和解的质量方面都达到了令人满意的效果。     

基于并行遗传算法的图像超分辨率复原

图像超分辨率复原技术，提供了一种利用低分辨率像机获取高分辨率图像的可能途径。图像超分辨率复原有频域方法和空域方法两类：其中频域方法主要基于频谱解混叠；空域方法又分迭代反投影方法、凸集投影方法、Bayesian估计方法等。为了提高图像超分辨率复原的效率和提高复原图像的质量，提出了一种基于并行遗传算法的图像(序列)超分辨率复原的新框架方法，由于遗传算法采用实值编码方式，且基于岛模型的并行机制也有利于多帧图像信息的融合，因而使得算法直观和高效；同时提出采用其他超分辨率复原方法的迭代形式来充当遗传算法的变异算子，因为它能有效地利用已有方法的优点。最后，借用图像复原的客观评价指标来评价超分辨率复原算法的效果。实验证明，该方法有效可行。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

一种改进的基于遗传算法的模糊C-均值算法

把遗传算法搜索的随机性和并行性引入到模糊聚类中,克服了模糊C-均值聚类的局部性和对初始聚类中心的敏感性;该改进算法中采用了适合于模糊聚类的树型编码方案,且在遗传算法中采用了适合于模糊聚类的树型编码方案。同时详细设计了该方法,将该算法引入仓储物害虫的模式识别分类系统中,实验结果表明了该算法的可行性和有效性。     

基于遗传退火方法的灰度图像阈值选择算法

灰度图像分割问题一般采用传统的最大类间方差法来解决,但是类间方差方法计算量大,不适合实时图像处理。为了解决上述问题,提出了一种改进型遗传退火的阈值分割算法。算法的整个运行过程由冷却温度进度表控制,使用经典的最大类间方差法作为遗传算法的适应度函数,再根据M etropolis准则判断产生的新解是否被接受,从而求得灰度图像的一个最佳阈值。图像分割的仿真结果表明,与传统的最大类间方差法相比,计算量不大,算法具有很强的全局优化搜索能力,由于算法效率高,收敛速度快,适用于实时性的灰度图像处理。     

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点,该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题,介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明,该算法比混合遗传算法有更高的性能。     

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。