一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

基于高斯曲率和加权图总变分正则化的遥感图像盲去模糊算法

针对遥感图像在采集过程中出现的运动模糊现象,本文从图像曲面的几何性质和图像像素的代数性质出发,设计了一种基于高斯曲率和加权图总变分正则化的遥感图像盲去模糊算法。首先,将加权图总变分先验与高斯曲率先验相结合以获得骨架图像,骨架图像保留图像的梯度以及锐利边缘信息,并去除中间潜在图像中的有害结构;然后,利用骨架图像估计模糊核,进而利用非盲去模糊算法获得清晰图像;最后,在8张不同场景下的模糊遥感图像上进行仿真验证。结果表明,相比于其他先进的图像盲去模糊算法,本文提出的去模糊算法复原效果的峰值信噪比平均值分别高于对比算法2.76、1.84、3.11、2.79、3.35、2.76 dB,结构相似性平均值分别高于对比算法0.0792、0.0604、0.0873、0.0801、0.0997、0.0906。本文算法复原的遥感图像具有清晰的边缘轮廓和局部细节,提升了遥感图像的清晰度。     

基于算法展开的图像盲去模糊深度学习网络

针对图像盲去模糊问题,基于变分模型的迭代优化展开形式设计了相应的变分深度学习网络,有效克服了传统变分方法计算效率低和深度学习方法可解释性差的问题。设计网络包含2部分：利用算法展开策略实现基于L₀正则化估计模糊核的子网络;基于估计的模糊核及图像恢复正则化模型的非盲去卷积子网络,该子网络充分利用了双通道的编解码网络结构。为确保模糊核估计的准确性和图像内容的一致性,损失函数由均方误差损失和结构相似性损失构成。L₀正则化的使用有助于快速准确地完成模糊核估计;图像恢复正则化模型的使用有助于边缘和图像细节的保持。在Levin数据集上的试验结果表明,所提算法在峰值信噪比上较目前先进算法至少提高了2.14 dB。     

L1范数约束的非局部均值正则图像去模糊模型

为了保护图像边缘、细节等信息,建立了l₁范数约束的非局部均值正则模型.首先通过实验证明了非局部均值去噪算法余项的概率密度函数具有较强的拖尾性质,符合Laplace分布的特点.基于此,使用l₁范数约束的非局部均值去噪算法余项作为新的正则项,提出了新的正则模型.然后利用Bregman算子分裂算法求解得到相应的优化算法,并且可将新算法看成Plug-and-Play Priors算法的推广.实验结果表明,新模型在去除模糊,保护图像边缘、细节等信息方面的性能都优于l₂范数约束的非局部均值正则模型和Plug-and-Play Priors模型.     

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差（FOTV）模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑（低频）部分和纹理细节（高频）部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。     

复值信号盲分离固定点迭代算法

复值非高斯最大化算法是一种针对任意复值非高斯混合信号的自适应盲源分离算法,算法需要人为设置步长调节参数.在信号源和信道参数未知的条件下,很难选择合适的步长调节参数,步长过小,则收敛过慢,步长过大,则容易发散.针对这一问题,在该算法中引入归一化惩罚函数构造出新的代价函数,直接对复值变量的代价函数求导优化,得到2种新的不需要步长调节参数的固定点复值混合信号盲源分离算法.该算法不但可以同时分离常态和非常态信号,而且计算量小,分离误差小,算法稳定时需要的采样点数少,尤其是不需要设置步长调节参数,使该算法更加具有实用价值.仿真实验验证了算法的有效性.     

基于超拉普拉斯先验的图像非盲解卷积

自然图像梯度的重尾分布在去噪、去模糊以及超分辨率等问题中已经被证实是一个非常有效的先验。自然图像梯度的长尾分布可以极好地用超拉普拉斯(Hyper-Laplacian)分布模型化。基于空间变化点扩散函数提出了一种超拉普拉斯先验的图像快速非盲解卷积方法,对图像进行复原。该算法的优势就是引入空间变化点扩散函数,使用分步交替迭代最小化方法,通过查表法快速对图像去卷积求解。该方法的解卷积速度得到较大幅度的提升,而且对模糊图像有较好的复原效果,提高了图像的质量。     

基于先验优化的一致性模糊盲复原算法

为了提高一致性模糊图像盲复原清晰度,针对复原过程中涉及的全变差模型先验约束问题,提出一种基于先验优化的一致性模糊盲复原算法.利用基于半高斯梯度算子的局部加权全变差模型提取模糊图像显著边缘,在去除噪声和纹理干扰的同时,可提高有利信息的保持能力;提出多尺度混合特性先验估计模糊核,增强了模糊核估计的准确性;利用非盲去卷积得到了清晰的复原图像.实验结果表明,相较其他算法,针对模拟模糊图像,所提算法的复原图像峰值信噪比平均提升约1.7%,结构相似性指数平均提升约19.1%;针对真实模糊图像,复原图像伪影更少,边缘纹理细节更加清晰自然,整体视觉效果更好.     

一种基于稀疏正则化的图像盲复原方法

在图像盲反卷积的过程中,最主要的难点是缺少点扩散函数的足够信息而导致的病态问题.解决此问题可以通过对原始图像和点扩散函数同时进行正则化约束.为了在图像复原过程中得到惟一、稳定的解,并保证图像恢复结果的有效性,提出了一种具有尺度不变性和稀疏性的正则化函数,并通过两组对比实验例证了利用该函数的图像盲复原算法具有良好的鲁棒性和收敛稳定性.     

基于小波变换和稀疏成分分析的盲图像分离法

针对图像信号不满足稀疏性条件,不能直接用稀疏成分分析模型进行盲分离的现象,提出一种基于小波变换和稀疏成分分析的盲图像分离法. 利用小波分解将混合图像从空域转化到频域,获取混合图像高频对角分量,在频域空间利用线性聚类稀疏成分分析法估计混合矩阵,进而最终重构源图像. 实验结果表明,该方法能准确有效地提取源图像. 目视结果及相关系数分析结果均表明,与经典独立成分分析法(FASTICA)相比,该方法分离精度高,分离效果好.      

具有几何约束匹配的SIFT图像盲检测研究

复制粘贴是常见的图像篡改手段之一。SIFT是常用的一种匹配算法,也是一种有效的图像复制粘贴篡改检测方法。该算法只采用欧式距离作为度量图像复制区域和粘贴区域特征点向量间的相似性,并未加入其他的匹配约束,由此会产生特征点的误匹配;因此,对得到的匹配点对采用方向一致性几何约束,剔除误匹配点对,提高匹配的正确率和算法后续几何评估中RANSAC算法的执行效率。最后,分别对缩放、旋转,以及在篡改图像中添加噪声等情况进行实验。实验证明改进算法对上述情况的性能提升明显。     

一种基于NAS-RIF的SST图像盲恢复新方法

图像恢复是太空太阳望远镜（SST）图像处理的重要组成部分，当点扩散函数未知时只能进行盲恢复．在诸多的盲恢复算法中，非负有限支撑限制递归法（NAS—RIF）可以取得较好的恢复效果，但其对高频噪声的放大严重地影响了恢复效果和具体应用范围．为了降低对噪声的放大，本文分析和比较了不同的自适应平滑滤波，在NAS—RIF代价函数上增加了基于Hessian法的自适应平滑项．最后通过仿真计算验证了所改进的算法具有良好的稳定性、噪声抑制作用和图像边缘的保护作用，可以用于实际的SST图像恢复．     

基于熵检测的图像噪声方差小波域估计

提出一种在小波域中基于熵值检测的图像噪声方差估计算法. 利用小波变换能显著降低图像信号的熵而并不改变高斯噪声熵的特性以及噪声熵值与噪声方差之间呈对数关系变化的规律,定量地分析了含噪图像在小波高频对角子带中系数的熵值随噪声幅值的变化规律,揭示出这种变化关系对图像具有较强的鲁棒性,从而利用这种变化关系,通过对含噪图像小波域熵值的检测对高斯噪声进行估计. 仿真结果表明,提出的算法能够有效估计出图像中噪声的方差,并且受图像细节影响较小,其性能优于现有其他算法.     

基于混合熵的分数阶归一化子带自适应滤波算法

为了改善非高斯噪声环境下归一化子带自适应滤波算法的滤波性能,引入了最大混合相关熵准则和分数阶微分的概念。一方面,利用最大混合相关熵准则的鲁棒性,有效地减小了异常噪声对算法性能的影响;另一方面,在权重更新的过程中,通过引入分数阶微分部分,并以加权的形式考虑数据整体信息,更准确地描述了实际系统,从而提高了算法的滤波性能,可将这一改进后的算法应用于非高斯冲击噪声和有色噪声环境下的系统辨识和非线性信道均衡。通过仿真实验结果可以看出,与已有的鲁棒算法相比,所提算法具有更强的鲁棒性和更高的系统跟踪和估计能力。     

基于时频域的具有延迟的欠定盲分离

本文针对衰减-时延混合模型,提出一种改进欠定语音盲分离算法。利用独立语音在时频域上的近似稀疏性,提出势函数面-聚类方法,通过此方法可直接获得源信号的个数和各声源方位信息,省去传统聚类方法中衰减-时延的配对步骤,提出的新势函数具有很好的适应性。分离阶段,利用势函数面聚类方法估计声源信号方位信息重构声源相对传递函数,采用非线性时频掩蔽方法分离感兴趣目标语音信号,实现了不同方位信息声源信号的欠定分离,放宽了对稀疏性的限制。仿真实验证明了此分离方法的可行性和有效性,弱混响条件下的分离信号输出信噪比平均达到了16dB。     

一种基于最大模糊熵的高斯聚类算法

介绍了一种新的模糊聚类方法,定义了模糊熵,提出了基于最大模糊熵的模糊聚类的方法,得到了一种新的聚类算法——GCM算法。该算法的物理意义清晰,有明确的数学含义,相对于传统的FCM聚类算法,其聚类效果更好。     

基于变分狄利克雷模糊核估计的行车记录盲图像复原

针对行车记录模糊图像的模糊核不能准确估计的问题,提出一种变分狄利克雷分布的模糊核估计方法,并利用改进的增广拉格朗日算法实现有效的图像复原。采用梯度投影法求解优化问题,提取图像边缘的精确方向,用狄利克雷分布替代模糊后验估计消除图像噪声,减少额外约束;以超拉普拉斯先验分布建模,结合ALM实现行车记录盲图像复原。实验结果表明,通过多尺度的模糊核估计,能有效估计模糊核并消除行车记录图像的噪声,恢复行车记录图像的纹理细节。与其他方法相比较,所提出的盲图像复原方法,从视觉特性和评价指标来讲都具有较好的恢复效果。     

非高斯噪声中信号的神经网络检测

本文研究了非高斯噪声中信号的检测，采用多层感知器神经网络作为检测器。介绍了工作原理，网络结构和训练算法。计算机仿真证明在非高斯噪声条件下神经网络检测器性能优于线性最佳匹配滤波器检测器和局部最佳检测器。     

GP-MaxEnt模型的蛋白质二级结构预测

针对单序列蛋白质二级结构预测问题,提出了一种基于高斯先验最大熵(GP-MaxEnt)模型的预测方法.该方法根据氨基酸的构象偏好进行特征构造,利用改进迭代缩放算法(ⅡS)训练高斯先验最大熵模型.使用CB513数据集对GP-MaxEnt模型进行了测试分析.试验表明,该方法简单有效,能够获得较好的预测精度.     

基于模糊熵的多值图像恢复方法

提出了一种基于模糊熵的多值图像恢复方法．该方法根据熵在应用方面的局限性,对其表示的形式进行了扩展,构造了一类能够反映多值图像特点的模糊熵．仿真结果表明,用模糊熵进行图像恢复的效果明显好于另两种常用的图像恢复方法(中值滤波和均值滤波)得到的结果．另外,在医用图像和军事图像处理方面,多值图像的恢复是非常重要的．