基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.     

基于遗传算法的零范数压缩感知图像重构方法研究

近年来由Donoho和Candes等人提出的压缩感知图像处理有效地解决了图像高速采样与压缩重构之间的瓶颈问题,使得采样与压缩同时进行,并有效利用采样所得到的数据,用于后期的图像重构中。目前文献中使用的重构算法很多,如最优l1范数法、匹配追踪等贪婪算法、迭代阈值法等,但这些方法都是次优化算法,没有从压缩感知最初需要解决的问题出发。在此给出的算法是从压缩感知重构的最初需要解决的问题出发,寻找一种能够解决最优l0范数的多峰优化问题的算法。实验结果也证明了该方法的可行性。     

基于压缩感知的OMP图像重构算法改进

阐述了压缩感知相关理论以及信号的重构算法,围绕其中的匹配追踪系列算法展开研究,同时在正交匹配追踪算法(OMP算法)的基础上引入了几种改进算法,并结合OMP算法本身耗时长、速度慢的问题,给出了一种OMP的改进方案,该方案将图像进行分块再处理,从而大幅降低了OMP算法迭代的矩阵规模。在相同条件下该算法的主客观重建效果均优于原来的算法。     

基于全变分的全向图像稀疏重构算法

折反射全向成像由于曲面镜的反射作用,导致全向图像存在严重变形,传统的梯度计算方法在全向图像中不能很好地符合折反射成像的特点.为了从压缩采样数据快速有效地重构全向图像,提出了一种结合全向图像特征的全变分模型——全向全变分,并在基于TV范数进行全向图像重构时,采用全向全变分作为目标函数,进行模型的求解.实验结果验证了本文算法的有效性和可行性,其重构结果的主客观效果明显优于传统TV模型.     

基于压缩感知的红外遥感图像重构算法分析

随着航天遥感技术的飞速发展,遥感图像采集数据耗时长、图像数据量大等问题的出现对采样设备和存储设备提出了更高的性能要求。为了解决以上问题,在气象卫星的红外遥感图像的处理中采用了压缩感知理论。通过Matlab建模和仿真,分析了正交匹配追踪算法、梯度投影算法、子空间追踪算法、平滑l0范数算法的性能,并对大量红外图像以不同的采样率进行采样压缩,然后使用多种重构算法重构图像。对比试验显示,几种算法都能以较低的采样率得到完整的红外图像,但平滑l0范数算法在重构精度和运行时间方面都优于其余几种算法,证明了压缩感知在红外遥感图像的处理中具有较大的实用价值。     

一种改进的压缩感知信号重构算法

针对支撑集未知且变化时的稀疏信号的重构问题,本文基于卡尔曼滤波思想,结合压缩感知算法,给出了一种改进的卡尔曼-压缩感知（Modified Kalman Filter Compressive Sensing,MKFCS）信号重构算法,该算法首先利用Kalman滤波获得信号残差的有效估计,然后根据残差变突情况,用改进的CS算法估计突变位置以确定信号的新的支撑集,最后用最小二乘方法重构信号,从而自适应的实现支撑集未知且变化的稀疏信号的重构。最后对所改进的通过重构精度、重构误差、稳健性等方面进行了仿真,仿真结果表明所提算法重构信号具有需要量测个数少、重构精度高、鲁棒性强等特点。      

基于按列分块和混合分块的压缩感知图像重构方法

压缩感知理论由于其可通过低采样率来恢复原始信号的特点,近年来逐步被用于光学成像领域。为了解决在对成像图像进行压缩感知重构时数据量过大、计算负担大的问题,分块压缩感知的方法被提出。在该方法的基础上做出改进,依次提出了按列分块和混合分块的压缩感知方法。其中按列分块的方式改变了分块模式,降低分块时的要求,混合分块则结合两种分块的特点,有效提升了压缩感知的效果。通过仿真实验验证,本方法有效提升了图像重构质量,尤其是混合分块方式,在图像的重构速度和重构质量上都有显著提升。     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

基于Contourlet变换的图像分块压缩传感重构算法

随着压缩传感的广泛应用,其在图像重构方面的优势得以体现。Contourlet凭借其在图像轮廓和纹理方面的出色表现,成为最受欢迎的方向变换之一。文中提出了一种采用Contourlet变换作为稀疏基,并且运用图像分块采样技术,结合平滑投影Landweber迭代的图像重构算法。实验表明,相较于采用DCT和DWT作为稀疏基的图像重构算法,提出的算法使得重构图像的质量有所提高,尤其是在低采样率的情况下。     

一种快速的压缩感知信号重构算法

重构算法是压缩感知技术的重要环节之一,文中针对现有重构算法收敛速度较慢的问题,提出了一种适用于压缩感知的快速重构算法。该方法的思想是在求解过程中,设计一种有效的步长迭代方案,以此来更新由梯度Lipschitz指数确定的迭代步长,再利用更新后的步长对原始信号的稀疏域表示向量进行迭代收缩,提高收敛速度。实验结果表明,相比传统的正交匹配追踪(OMP)算法、固定步长的l1范数重构算法,该方法在保证信号恢复精度的前提下,具有更快的收敛速度和更高的重构精度。     

基于改进SRS-RANSAC图像配准算法

针对目前图像配准算法存在的配准时间较长、配准正确率低等问题,本文提出一种基于改进分层随机选择一致性(Stratified Random Selection Random Sample Consensus,SRS-RANSA)的图像配准算法.首先,通过ORB(Oriented FAST and Rotated BRIEF)算法对参考图像进行特征点提取;其次,采用最小距离法初步过滤匹配中存在的误匹配数量;最后,随机抽样一致性(RANSAC)框架中通过分层随机选择(SRS)提取分布相对分散且均匀的特征点,进一步过滤掉初始匹配中存在的不匹配特征点,实现提高配准正确率的同时缩短运行时间.通过本文算法与其他算法在Oxford标准图集和现实中拍摄的图像进行实验对比,结果表明,本文算法在匹配正确率与运行效率上有所提高.     

基于改进自适应遗传算法的图像配准方法

采用遗传算法进行图像配准时,存在收敛速度慢、易早熟的问题,可能导致误配。为克服这些缺点,提出了改进的自适应遗传算法(improved adaptive genetic algorithm,IAGA)。该算法以互信息作为相似性测度,通过对遗传参数设置的改进,自适应的调解进化过程中的交叉概率和变异概率,既提高了遗传算法的收敛速度,又有效地防止了早熟。实验结果表明,改进算法具有更好的有效性和精确性。     

基于改进注意力机制的图像描述算法

图像描述的任务是根据输入图像自动生成描述该图像的语句,属于计算机视觉与自然语言处理的交叉领域.针对传统注意力机制提取特征能力不足、模型复杂且训练困难等问题,本文提出了一种改进注意力机制的图像描述模型.在传统注意力机制的基础上引入高效通道注意模块,在提升特征提取效果的同时降低模型复杂度,在保证性能的同时提高模型效率,更好...     

基于SαSG分布噪声模型的自适应混合矩滤波方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声.与其他统计模型不同,α-稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在.针对系统中存在独立SαS噪声与高斯噪声,基于SαSG分布模型,提出了一种稳定分布与高斯混合噪声环境下的自适应混合矩滤波的修正RMN（混合参数）算法,并对算法进行了步长归一化改进.计算机模拟和分析表明,这种算法是一种在SαSG分布背景噪声条件下具有良好韧性的滤波方法.     

基于原子范数的互质阵列协方差矩阵重构算法

针对互质阵列的虚拟阵列插值过程中协方差项的非均匀加权问题,将互质阵列协方差矩阵重构转换为低秩矩阵填充与原子范数重构,提出基于原子范数的互质阵列协方差矩阵重构算法。该算法先利用广义增广法得到非完备的互质阵列协方差矩阵,并利用截断的均值奇异值门限填充法得到虚拟阵列的协方差矩阵初值,然后对其进行原子范数最小化求解,实现稳健的正定Toeplitz协方差矩阵重构。该算法充分利用互质阵列协方差矩阵信息,有效提高互质阵列DOA估计算法的稳定性,降低计算复杂度。     

基于改进C-V模型的图像分割算法

提出一种新的模型——Chan-Vese模型,该模型是基于曲线演化、水平集方法、局部的统计信息,新模型包括两个方面:局部核心函数和惩罚项.引入局部统计信息后的新模型可以对非同质图像进行有效的分割.另外,核心函数中加入惩罚项,可以有效避免水平集函数初始化,缩短模型演化时间.通过实验的仿真结果发现,新模型在对非同质图像进行分割时得到了良好的结果.     

Image super-resolution reconstruction based on improved Dirac residual network

In recent years, to improve the nonlinear feature mapping ability of the image super-resolution network, the depth of the convolutional neural network is getting deeper and deeper. In the existing residual network, the the residual block’s output and input are added directly through the skip connection to deepen the nonlinear mapping layer. However, it can not be proved that every addition is useful to improve the network’s performance. In this paper, based on Dirac convolution, an improved Dirac residual block is proposed, which uses the trainable parameters to adaptively control the balance of the convolution and the skip connection to increase the nonlinear mapping ability of the model. The main body network uses multiple Dirac residual blocks to learn the nonlinear mapping of high-frequency information between LR and HR images. In addition, the global skip connection is realized by sub-pixel convolution, which can learn to use linear mapping of low-frequency features of input LR image. In the training stage, the model uses Adam optimizer for network training and L1 as the loss function. The experiments compare our algorithm with some other state-of-the-art models in PSNR, SSIM, IFC, and visual effect on five different benchmark datasets. The results show that the proposed model has excellent performance both in subjective and objective evaluation.

     

基于稀疏表示的图像超分辨率重建算法

文中提出一种基于图像块稀疏表示的单幅图像超分辨率重建方法。所提出的重建过程提供了一个更好的稀疏解决方案,即L1范数优化过程。在优化过程中,利用高效的特征提取算子保证了高分辨率图像块的准确性。最后,利用粒子群优化算法选择最佳自适应稀疏正则化参数,使全局重建过程具有鲁棒性。目前使用字典耦合的训练方式学习字典。各种图像质量评价标准证明该方法相对于现有的超分辨率重建方法有很大的优越性。     

基于改进中值滤波的生猪体表图像预处理算法

生猪体表图像的预处理是后续生猪体表病变区域分割的第一步,也是实现生猪疫情监控的一个重要环节.针对传统中值滤波存在的问题,本文提出了一种基于改进中值滤波的生猪体表图像预处理算法.实验结果表明:改进后的算法可以更有效地对生猪体表图像进行预处理,较好地保持图像视觉效果;此方法降噪效果好于传统的中值滤波算法,是去除生猪体表图像中含高斯噪声的一种较为理想的方法.     

基于聚类字典的图像超分辨率重构算法

针对图像超分辨率(SR)重构在空间邻域选取过程中 细节特征易被大幅度特征分量淹没的问题,提出 一种基于聚类字典的SR重构(DD-NE)算法。图像SR重构是利用信号处理方 法来提高图像分辨 率,针对NE算法在空间邻域选取时细节信号易被大幅度信号淹没的问题,对输入图像及邻域 利用聚类字典进行 稀疏分解。从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅 度特征,并将 低分辨率(LR)图像库及输入图像使用聚类字典表示。细节信号以字典原子的形式得到表达 ,空间邻域度 量转换为字典原子间的度量,从而细节特征对邻域的选择更加准确。实验结果表明,相对于 NE算法,本文算法图像SR 重构的峰值信噪比(PSNR)值平均提升了1.1dB,有效改善了重构效果;重构时间仅为NE算法的30.9%。