基于频域共轭梯度算法的盲目图像恢复

在分析了目前各种算法存在的一些基本问题的基础上，提出了盲目图像恢复的频域共轭梯度算法，算法假设退化系统的点扩散函数具有圆对称性，并考虑图像的频域具有复共轭对称性，在频域里建立了新的优化判据；采用共轭梯度算法搜索判据，从而在有实际物理意义的区域中收敛于最优解；对光学成像系统常见的离焦、衍射模糊问题进行了仿真；用该算法实现了其退化图像的恢复，给出并分析了结果。     

基于双重循环交替迭代的湍流退化图像复原

湍流退化图像复原是一个富有挑战性的世界性难题,在航天光电成像领域具有广泛的应用前景。为了从少数几帧湍流退化图像中将目标图像有效地恢复出来,提出一种新颖的基于双重循环交替迭代的湍流退化图像复原算法,建立了基于内外循环交替求解目标图像及各帧点扩展函数的迭代关系。在微机上进行了一些复原实验,实验结果表明该算法能用少数几帧图像获取目标图像和点扩展函数的最佳联合估计,证实了算法的可行性和实用价值。     

基于QR分解的对称共轭梯度法成像算法

为了快速得到高质量的重建图像,提出了对称共轭梯度法成像算法,大大缩减了迭代次数,同时,将ERT物理模型进行规范化和Tikhonov正则化处理,进而将QR分解的思想引入ERT方程的求解中,提出基于QR分解的对称共轭梯度算法,实现了单步图像重建.理论分析表明,该算法具有良好的收敛性.通过典型流型的仿真实验,证明了该算法可以...     

基于回溯的共轭梯度迭代硬阈值重构算法

针对基于回溯的迭代硬阈值算法（BIHT）迭代次数多、重构时间长的问题,提出一种基于回溯的共轭梯度迭代硬阈值算法（BCGIHT）。首先,在每次迭代中采用回溯思想,将前一次迭代的支撑集与当前支撑集合并成候选集;然后,在候选集所对应的矩阵列张成的空间中选择新的支撑集,以此减少支撑集被反复选择的次数,确保正确的支撑集被快速找到;最后,根据前后迭代支撑集是否相等的准则来决定使用梯度下降法或共轭梯度法作为寻优方法,加速算法收敛。一维随机高斯信号重构实验结果表明,BCGIHT重构成功率高于BIHT及同类算法,重构时间低于BIHT 25%以上。Pepper图像重构实验结果表明,BCGIHT重构精度和抗噪性能与BIHT及同类算法相当,重构时间相较于BIHT减少50%以上。     

基于梯度投影的图像盲复原算法

为了利用多帧退化图像信息快速恢复出高质量的图像,提出了一种新的递归梯度投影多帧图像盲复原算法。该算法充分利用多帧图像的先验信息,首先给出一种能够有效抑制噪声放大的新的代价函数,然后通过梯度投影算法对新的代价函数进行最小化以推导出迭代公式,最后通过频率域多次递归迭代运算对退化图像进行复原。模拟实验结果证明该算法运算快速,对于不同高斯噪声级别和不同PSF衰退的图像,均能够清晰地恢复出图像细节特征、同时也能够准确地恢复出衰退PSF。     

基于共轭梯度的自适应运动估计

运动估计是影响基于帧间视频压缩速度的关键,快速运动估计算法一直是视频压缩中的研究热点.为了提高运动估计速度从搜索速度入手,采用了共轭梯度式的自适应运动估计.考虑到边缘部分梯度方向的不确定性,在边缘部分采用的是广义Wolfe线搜索,在非边缘部分则采用了强Wolfe线搜索.试验表明,该算法能以较小的代价得到较好的搜索效果.     

基于交替迭代和神经网络的盲目图像恢复

提出了种盲目图像恢复模型：退化图像经傅立叶变换后在频率域通过交替迭代的方式分解出原始图像和点扩展函数,当大致估计出退化模型的点扩展函数的类型及其参数后,用基于Ｈｏｐｆｉｅｌｄ神经网络的方法进行精确恢复,以提高恢复质量．实验证明,这种恢复模型可以在未知点扩展函数的情况下取得较好的恢复效果．     

基于预条件共轭梯度法的混凝土层析成像

根据常规图像重建的共轭梯度迭代算法,提出一种预条件共轭梯度法。用一种新的预条件子M来改善系数矩阵的条件数,结合一般的共轭梯度法,导出预条件共轭梯度法。实验结果表明,预条件共轭梯度算法比共轭梯度算法具有更好的CT重建效果和消噪能力,可提高计算的精度和图像的重建质量。     

基于Matlab的共轭梯度法研究

共轭梯度法是最优化课程中一个比较典型的寻找函数极小点的方法,Matlab软件是科研学习中的一个重要工具,本文尝试用Matlab软件研究共轭梯度算法,取得一定效果。     

基于共轭梯度法和互补滤波相结合的姿态解算算法

为了提高姿态解算精度,提出了一种基于共轭梯度和互补滤波相结合的多传感器数据融合策略。系统采用四元数方法进行姿态解算。利用加速度计和磁强计的输出数据,通过共轭梯度方法对姿态四元数进行寻优估计,再将其和利用陀螺仪输出数据更新的四元数进行互补滤波,解算出姿态角。实验测试表明,这种融合策略使姿态检测系统静态性能和和动态性能均有所提高,尤其在姿态剧烈变化时,其性能明显优于卡尔曼滤波和梯度下降法。     

基于正则化技术的超分辨图像盲复原

针对低分辨率图像盲复原中信息不足的问题,可以用正则方法来求解。假设点扩散函数结构已知而参数未知,模糊矩阵可表示为带参数的形式,在Nguyen等人的正则有参盲复原框架的基础上,进一步根据Roberts交叉梯度算子构造正则项,从自适应的角度构造正则化参数,并用迭代法求解该框架的目标泛函极小值。算法分析和实验结果表明,这种方法能取得令人满意的超分辨图像复原效果。     

基于原—对偶混合梯度下降法的图像恢复算法

对基于原—对偶混合梯度下降法的图像恢复算法进行了改进。在原算法中,步长参数的设计对其恢复效果和收敛速度影响较大。为了改善算法性能,通过引入中间变量改变算法的形式,然后分离对偶向量的分量,用加权矩阵取代原算法中的步长参数,并对其分开设计。数值实验表明,在峰值信噪比(PSNR)和视觉效果相当的前提下,和原算法相比,降低了参数设计对算法性能的影响,且计算时间减少50%左右。     

基于共轭梯度的布谷鸟搜索算法

布谷鸟搜索算法(Cuckoo Search,CS)是基于群体智能的新型随机全局优化算法,具有控制参数少、搜索路径优和全局寻优能力强等优点,但也存在局部搜索能力较弱、收敛速度偏慢和收敛精度不够高等缺点。为了克服CS算法的缺点,提出一种基于共轭梯度的布谷鸟搜索算法(CGCS),使经过Levy飞行机制和淘汰机制进化后的布谷鸟种群沿着相互共轭的方向迅速下降.从而在保持算法的强大全局寻优能力的基础上大幅提高算法的收敛能力。用4个典型测试函数分别对CGCS算法和CS算法进行性能测试,结果表明,CGCS算法比CS算法具有更快的收敛速度、更高的收敛精度和更稳定的优化结果。CGCS算法同时具有很强的全局寻优能力、收敛能力和鲁棒性,特别适合多峰及高维函数的优化。     

基于Bivariate模型的非抽取小波域图像复原

将Bivariate模型引入到图像复原中,以Bivariate概率分布函数作为自然图像小波系数向量的先验模型。从图像复原的Bayesian理论出发,提出基于Bivariate概率分布函数非抽取小波域的图像复原算法,并从自适应规整化的角度来分析该算法的有效性。通过对4幅标准测试图像复原实验,并将该算法复原结果与其他3种人们熟知的图像复原算法效果进行对比来证明该算法的有效性。     

空域中基于正则化的自适应超分辨率图像复原

对于模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率图像复原方法.在Nguyen等人的正则图像复原框架的基础上,根据Roberts交叉梯度算子构造正则项,从自适应的角度生成正则化参数,并用共轭梯度法求解该模型的目标泛函极小值.计算机仿真结果表明,该方法可较好的再现图像的重要信息,复原图像的相对误差降低,同时,峰值信噪比和主观视觉效果方面都有明显的提高.     

图像复原的Bregman迭代双正则化方法

正则化图像复原最终会导致一个大规模优化问题,提出了一种基于Bregman迭代双正则化的图像复原方法。该方法中目标函数同时考虑总变分正则化和小波域稀疏正则化,在Bregman框架下解决图像复原问题,并且给出了用于解该问题的分裂Bregman迭代算法。该算法将复杂的优化问题转化为几十次简单的迭代加以解决,每次迭代只需几次快速傅里叶变换和收缩操作即可。实验结果表明,提出的复原算法不论从客观改善信噪比还是主观视觉,都能取得很好的效果。同时与目前的复原算法相比,该算法有更快的收敛速度。     

Optimization of unconstrained problems using a developed algorithm of spectral conjugate gradient method calculation

This paper presents a numerical investigation of the spectral conjugate directions formulation for optimizing unconstrained problems. A novel modified algorithm is proposed based on the conjugate gradient coefficient method. The algorithm employs the Wolfe inexact line search conditions to determine the optimum step length at each iteration and selects the appropriate conjugate gradient coefficient accordingly. The algorithm is evaluated through several numerical experiments using various unconstrained functions. The results indicate that the algorithm is highly stable, regardless of the starting point, and has better convergence rates and efficiency compared to classical methods in certain cases. Overall, this research provides a promising approach to solving unconstrained optimization problems.     

一种基于共轭梯度的LMBP改进学习算法

对神经网络中的LMBP（Levenberg-Marquardt BP）算法的收敛速度慢进行分析,针对矩阵J^TJ+µI求逆过程运算量过大而造成收敛速度慢的缺陷,根据无约束优化理论,提出一种基于共轭梯度方法的改进LMBP网络学习算法,利用求解大规模线性方程组的共轭梯度方法,避免了烦琐的求逆过程,降低了计算复杂度,加快了网络的收敛速度,通过Matlab仿真,比较了算法的收敛速度,证明了方法的有效性。