基于快速超分辨率重建与残差连接的信道估计

将信道估计视为低分辨率图像重建为高分辨率图像,借鉴图像超分辨重建思想,提出了一种基于快速超分辨重建及残差连接思想的信道估计方法——ResFSRNet。采用最小二乘法(Least Square,LS)计算单个正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)子帧中所有导频处的信道响应,将其视为小尺寸低分辨率“图像”作为神经网络输入,利用多个卷积层对其进行特征提取,且融入残差连接提升性能,最后通过转置卷积重构出完整OFDM子帧信道响应。在不同抽头延迟线信道环境中进行仿真,通过信道估计误差和链路误码率结果比较,表明ResFSRNet性能优于LS、实用信道估计及基于超分辨率重建的ChannelNet,且较ChannelNet在减少约99%计算量的前提下提高了约2 dB信道估计性能。     

一种有效的图像复原方法

图像超分辨率复原技术是由一序列低分辨率变形图像估计一幅或多幅较高分辨率的非变形图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学产生的模糊,是图像融合领域中的一个重要分支。先把高分辨率图像变换成低分辨率图像,然后对低分辨率图像进行运动估计和运动补偿计算,最后再把低分辨率图像映射灰高分辨率图像。     

基于自训练字典学习的单幅图像的超分辨率重建

针对单幅低分辨率图像的超分辨率重建问题,提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型,对输入的低分辨率图像进行降质处理,然后利用K-SVD方法训练字典,获得重建所需要的先验知识,最后根据先验知识重建高分辨率图像。仿真实验的结果表明,利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法,同时算法的时间效率也有很大的提升。     

基于迭代交替优化的图像盲超分辨率重建

基于深度卷积神经网络的图像超分辨率重建算法通常假设低分辨率图像的降质是固定且已知的,如双3次下采样等,因此难以处理降质(如模糊核及噪声水平)未知的图像。针对此问题,该文提出联合估计模糊核、噪声水平和高分辨率图像,设计了一种基于迭代交替优化的图像盲超分辨率重建网络。在所提网络中,图像重建器以估计的模糊核和噪声水平作为先验信息,由低分辨率图像重建出高分辨率图像;同时,综合低分辨率图像和估计的高分辨率图像,模糊核及噪声水平估计器分别实现模糊核和噪声水平的估计。进一步地,该文提出对模糊核/噪声水平估计器及图像重建器进行迭代交替的端对端优化,以提高它们的兼容性并使其相互促进。实验结果表明,与IKC, DASR, MANet, DAN等现有算法相比,提出方法在常用公开测试集(Set5, Set14, B100, Urban100)及真实场景图像上都取得了更优的性能,能够更好地对降质未知的图像进行重建;同时,提出方法在参数量或处理效率上也有一定的优势。     

基于跨尺度低秩约束的单幅图像盲超分辨率算法

单幅图像盲超分辨率方法是在模糊核未知的情况下仅利用单幅低分辨率图像重建高分辨率图像,这是一个严重的欠定逆问题.超分辨率正则化方法通过正则化约束项引入附加信息,为低分辨率图像恢复或重建合理的高频成分.本文将跨尺度自相似性与低秩先验相结合,提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法,采用联合建模的方法同时估计模糊核与高分辨率图像.利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性,对于低分辨率图像中的图像块在降采样图像中搜索相似块,将该图像块在高分辨率重建图像中对应的父块与其相似块在低分辨率图像中对应的父块合并,构造跨尺度相似图像块组矩阵.由于低分辨率图像中的跨尺度相似图像块能够为重建图像块提供潜在的细节信息,因此对相似图像块组矩阵进行低秩约束,在迭代求解过程中迫使重建图像恢复高频成分,进而促使模糊核的估计更加准确.此外,低秩约束能够表示数据的全局结构,对噪声具有鲁棒性.在真实和模拟图像上的实验表明,本文的算法能够准确地估计模糊核,重建高分辨率图像的边缘和细节,优于现有的自监督盲超分辨率算法.     

基于深度学习的红外夜视图像超分辨率重建

针对红外夜视图像对比度低、成像质量不高的问题,提出适合红外夜视图像超分辨率重建方法。在自然图像超分辨率重建模型的基础上增加基于Retinex的对比度增强预处理步骤,并对网络模型做如下改进:构建超深卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,增大感受野,提升网络学习能力;仅学习高低分辨率图像间的差值信息加速网络收敛。针对高分辨率红外夜视图像不易获得,数据量较少的问题,利用迁移学习理论,使用少量的高分辨率红外夜视图像为目标样本,对自然图像超分辨率重建模型进行微调,得到适合红外夜视图像重建的网络权重模型。实验结果证明:使用该方法得到的红外夜视图像信息丰富,层次分明,具有良好的视觉效果。     

一种新的多尺度模型GLSA及其人脸识别的应用

考虑图像的近似信息和细节信息,提出了推广的线性尺度自回归(GLSA)多尺度模型。首先利用该模型建立不同尺度图像间的映射关系;其次使用原始图像及其小波分解结果得到模型中的参数以确定这种映射关系;最后根据该映射关系由低分辨率图像估计高分辨率图像。将该模型用于人脸识别处理,通过比较被测试图像的模型参数和训练集图像的模型参数确定被测试图像的类别。实验结果表明,使用GLSA模型估计得到的图像更加接近目标图像,以该模型为基础的人脸识别系统对光照的鲁棒性较强。     

压缩视频超分辨率重建技术

超分辨率图像重建就是由低分辨率图像序列来估计高分辨率图像,而压缩视频的重建正成为当前研究的热点。本文首先分析了压缩视频重建的基础,建立了高、低分辨率图像间的关系,给出了量化噪声和运动矢量的模型;接着对目前最具有代表性的最大后验概率(MAP)算法、凸集投影(POCS)算法和迭代反向投影(IBP)算法进行了详细的阐述,并分别给出了实验结果;然后分析了运算的复杂度,介绍了几种实时化方法;最后针对目前存在的问题进行了展望,指出降质模型、运动估计、重建算法和实时应用将是今后研究的重点。     

基于子空间的MIMO-OFDM系统信道盲估计研究

为了降低算法的复杂度,提高现有MIMO-OFDM系统信道估计算法的性能,首先给出了一种信道模型,并在此信道模型的基础上提出了一种改进型基于子空间方法的盲信道估计算法。该算法基于子空间分解技术,利用信号子空间和噪声子空间的正交性将两者分离,通过补零内插技术得到其他子载波位置的信道估计结果,在估计过程中并不需要任何信道统计信息。仿真结果表明：该算法具有收敛速度快,估计精度高等优点。     

基于噪声子空间跟踪的OFDM盲信道估计

基于子空间分解的OFDM信道估计算法利用信号子空间和噪声子空间的正交性可以对信道参数进行盲估计,但是子空间分解的运算量大,使盲信道估计算法的实用化受到限制。本文在噪声子空间自适应跟踪的基础上进行OFDM盲信道估计,显著降低了运算量。仿真结果表明,在适当选择学习因子后可以实现对噪声子空间的快速跟踪,在噪声子空间跟踪的基础上得到的信道估计性能接近于子空间分解法。     

基于压缩感知的月球探测器着陆图像超分辨重建

嫦娥工程二期的任务要求中,嫦娥3号的安全降落是最为关键的任务。因此,提出了一种基于压缩感知的超分辨率图像重建方法,根据经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像,实现了月球探测器着陆图像的超分辨率重建。算法采用局部Sparse-Land模型,从美国阿波罗计划获取的月球影像、嫦娥1、2号卫星影像和嫦娥工程二期试验中获取的月球探测器图像中提取了大量训练图块,采用K-SVD算法完成了高、低分辨率过完备字典Al和Ah的学习,通过求解优化问题,获得待处理低分辨率图块的稀疏表示,并将表示系数用于Ah以生成对应的高分辨率图块。最后,运用最小二乘算法,得到满足重构约束的高分辨率图像。实验验证了算法的有效性,表明其在视觉效果及PSNR指标上均优于插值方法和Yang的方法。     

LTE SRS检测与噪声估计研究

LTE系统中定义了信道探测参考信号,用于基站估计上行链路的信道质量。基站基于上行SRS信道估计得到上行信道信息,将获得的信道信息输入调度器作为其上行调度的主要依据。本文详细给出了基于LTE SRS的信道估计算法,并对其中的噪声及信噪比估计进行重点讨论,最后通过仿真分析了多种典型信道条件下信噪比估计的准确性。     

融合残差SENet的毫米波大规模MIMO信道估计

在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network, SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。     

基于NSA多尺度模型的人脸识别

提出了NSA多尺度模型.该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设.首先利用神经网络建立不同尺度图像间的映射关系;其次使用反向传播算法训练神经网络确定这种映射关系;最后根据该映射关系由低分辨率图像估计高分辨率图像.利用对比度相似性量化估计图像与目标图像间的相似程度.将该模型用于人脸识别,提出利用梯度算子进行图像分割提高识别的准确性.实验结果表明,以该模型分析得到的对比度相似性为95.3634%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.     

基于CNN的毫米波无蜂窝大规模MIMO信道估计

针对小区间干扰导致蜂窝边缘无法满足不断增长的数据速率需求问题,毫米波无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统被认为是一种很有前途的解决方案。然而,毫米波的高频率、大带宽以及接入点配置的大量天线给信道估计带来了较大挑战。将毫米波大规模MIMO信道矩阵视为二维图像,结合图像去噪方法提出一种基于改进去噪卷积神经网络(Improved-Denoising Convolutional Neural Network, I-DnCNN)的信道估计算法。通过具有注意力机制的压缩与激励(Squeeze-and-Excitation, SE)模块,自适应调整提取的全局特征以增强对信道噪声特征的学习,根据接收信号估计出噪声等级图且增添为输入,提升对噪声的鲁棒性。最后,采用残差学习的方式获得估计信道矩阵。利用理论信道模型和基于波束追踪的信道数据集进行的仿真实验结果表明,与去噪卷积神经网络(Denoising Convolutional Neural Network, DnCNN)算法相比,所提算法在两个数据集下的信道估计精度可分别平均提升2.27...     

一种基于小波变换的低比特率混合图像编码方法

本文提出了一种基于小波变换的低比特率图像编码方法,利用人的视觉特性对高频高活跃度系数进行调制,为了保护图像能量,对高频高能系数进行标量量化后采用自适应算术编码,采用高分辨率级子图像矢量分类信息由低分辨率级子图像矢量自动产生,提高了压缩比。实验表明采用此编码方法在高压缩比的情况下获得了较好的图像质量。     

基于稀疏表示的超分辨率图像重建

针对单幅低分辨率图像的超分辨率重建,提出一种基于稀疏表示的改进算法。通过联合输入低分辨率图像块和对应生成的高分辨率图像块,求解其在高低分辨率字典对上的稀疏表示系数,再将系数与高分辨率字典结合,修正输出的高分辨率图像块。仿真实验表明,文中提出的算法有效提升了重建图像的质量。     

CDMA信道的盲均衡和多用户检测

把码分多址（CDMA）信道等效为一多输入多输出（MMO）信道模型,用子空间分解的盲估计方法进行信道估计,而且估计出信号子空间特征向量,利用信道参数和信号子空间的特征向量构建解相关和最小均方误差（MMSE）两类线性检测器,能同时消除码间干扰（ISI）和多址干扰（MAI）。     

一种多分辨率特征提取红外图像语义分割算法

针对现有图像语义分割算法在对低分辨率红外图像进行分割时存在准确率不高的问题,提出了一种多分辨率特征提取算法。该算法以DeepLabv3+为基准网络,添加了一组对偶分辨率模块,该模块包含低分辨率分支和高分辨率分支,以进一步聚合红外图像特征。低分辨率分支采用GPU友好的注意力模块捕获高层全局上下文信息,同时引入一个多轴门控感知机模块并行提取红外图像局部信息和全局信息;高分辨率分支采用跨分辨率注意力模块将低分辨率分支上学习到的全局特征传播扩散到高分辨率分支上以获取更强的语义信息。实验结果表明,该算法在数据集DNDS和MSRS上的分割精度优于现有语义分割算法,证明了提出算法的有效性。     

频谱解混叠图像超分辨重建

在不增大光学系统的焦距,也不缩小CCD器件阵元的宽度的情况下,为了获得高分辨率的图像,对多幅具有互补信息的低分辨率图像进行研究。首先,把多幅具有互补信息的低分辨率图像通过傅里叶变换到频率域;接着,对频率域中高分辨与低分辨率图像之间关系进行建模,进而得到它们之间的关系;然后,通过对模型求解,得到高分辨率图像的频率值;最后,进行傅里叶反变换即可得到高分辨率图像。实验结果表明:该重建方法获得的高分辨率图像在视觉上比用任意一帧图像经过双线性插值获得的图像要清晰得多,与实际摄取高1倍的分辨率图像几乎达到一样。对Bridge图像的恢复峰值信噪比可以达到34.767 3 dB。该方法是切实可行的,且恢复图像边缘视觉效果好。