基于条件高斯分布的未知输入与状态估计算法

针对未知输入同时存在于系统方程和测量方程的直接馈通线性随机系统, 提出了一种同时估计未知输入 和状态的算法. 首先, 通过将未知输入模型描述为有限方差的高斯分布, 利用条件高斯分布的性质, 推导出新的滤波 算法, 以同时得到未知输入估计和状态估计. 其次, 证明了当未知输入的方差趋于无穷大时, 本文提出的算法等价于 已有的递归三步滤波算法. 最后, 分析了本文算法的渐进稳定性条件, 结果表明, 与已有算法相比, 本文的算法适用 范围更广.     

New Riemannian techniques for directional and tensorial image data

This paper develops new geometrical filtering and edge detection algorithms for processing non-Euclidean image data. We view image data as residing on a Riemannian manifold, and we work with a representation based on the exponential map for this manifold together with the Riemannian weighted mean of image data. We show how the weighted mean can be efficiently computed using Newton's method, which converges faster than the gradient descent method described elsewhere in the literature. Based on geodesic distances and the exponential map, we extend the classical median filter and the Perona-Malik anisotropic diffusion technique to smooth non-Euclidean image data. We then propose an anisotropic Gaussian kernel for image filtering, and we also show how both the median filter and the anisotropic Gaussian filter can be combined to develop a new edge preserving filter, which is effective at removing both Gaussian noise and impulse noise. By using the intrinsic metric of the feature manifold, we also generalise Di Zenzo's structure tensor to non-Euclidean images for edge detection. We demonstrate the applications of our Riemannian filtering and edge detection algorithms both on directional and tensor-valued images.     

灰度极限脉冲耦合神经网络混合噪声滤波

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。     

Fermi架构下的时域高斯滤波并行算法

为提高图形图像处理中高斯滤波算法模块的计算速度,将高斯滤波与Fermi平台相结合,设计了一种高斯滤波时域的并行算法。数据测试结果显示,与基于CPU的实现相比,采用Fermi架构的GPU处理不仅可以得到误差精度小于0.0001的计算结果,而且可以取得较大的加速效果。在数据规模为512×112×128和滤波窗口大小为11的情况下能够达到约210倍的加速效果。     

非高斯噪声下的回声消除算法研究

回声消除一直是信号处理领域的热门研究方向,其中自适应滤波器是在回声消除问题中最为广泛应用的技术,但自适应滤波算法主要是在基于高斯噪声条件下的应用,而现实环境广泛存在着非高斯的噪声,这严重影响了基于L2范数的自适应噪声滤波算法的噪声消除性能。为解决回声消除方法对非高斯噪声的适用性问题,根据回声路径具有明显的稀疏系统特性,结合比例矩阵的设计思想以及符号算法(SA),提出一种改进的MIPNSA算法。该滤波算法既能很好地适应于不同的背景噪声,同时也在较大程度上增强了对稀疏系统的适应能力。仿真测试结果表明,在高斯噪声和非高斯噪声条件下,本算法比现有的一些算法的回声消除效果更佳。     

一种改进CB形态学的图像滤波分析研究

如何在滤除噪声的同时保护图像的细节一直是一个研究热点。基于数学形态学的滤波效果依赖于结构元素形状和尺寸的选取,基于轮廓结构元素形态学（简称CB形态学）在一定程度上弱化了结构元素对处理结果的影响,但是大结构轮廓会导致噪声放大,小结构轮廓噪声滤除效果不佳。提出一种改进CB形态学滤波器,利用小结构元素、CB形态学、数学形态学运算实现对图像椒盐噪声的滤除。实验结果表明该滤波器滤除椒盐噪声的效果优于中值滤波或一般形态学滤噪,且能够在滤除噪声的同时较好地保留图像细节。     

基于容积卡尔曼滤波的高斯粒子滤波算法

高斯粒子滤波是一种免重采样的粒子滤波,不会出现粒子退化,但其重要性密度函数由于没有考虑到最新量测信息,使得滤波性能明显下降,且该算法没有较高的实时性。针对这个问题提出一种基于CKF的高斯粒子滤波算法—CKGPF算法。该算法利用CKF算法构造高斯粒子滤波的重要性密度函数,且在时间更新阶段借助CKF算法来完成只对高斯分布参数的更新。仿真结果表明,CKGPF算法相比于标准GPF算法不仅提高了滤波精度,而且还具有较好的实时性。     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

Algorithm of gaussian sum filter based on high-order UKF for dynamic state estimation

In this work we consider the state estimation problem in nonlinear/non-Gaussian systems. A new version of Gaussian sum estimation algorithm is developed here based on high-order unscented Kalman filter (HUKF). A sigma point selection method, high-order unscented transformation (HUT) technique is proposed for the HUKF, which can approximate the Gaussian distributions more accurately. We present the systematic formulation of Gaussian filters and develop efficient and accurate numerical integration of the optimal filter. We then go on to extend the use of the HUKF to discrete-time, nonlinear systems with additive, possibly non-Gaussian noise. The resulting filtering algorithm, called the Gaussian sum high-order unscented Kalman filter (GS-HUKF) approximates the predicted and posterior densities as a finite number of weighted sums of Gaussian densities. It is corroborated in the theoretical analysis and the simulation that the proposed Gaussian sum HUKF has integrated advantages with respect to computational accuracy and time complexity for nonlinear non-Gaussian filtering problems.     

基于形态Haar小波的SAR图像斑点噪声抑制方法

针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态Haar小波变换的合成孔径雷达(SAR)图像斑点噪声抑制方法。该方法首先对SAR图像进行二维形态Haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态Haar小波精确重构得到去斑图像。实验证明:该算法不仅大大改善了原始SAR图像的画面质量,同时很好地保持了原始SAR图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的Lee滤波、Frost滤波、Kuan滤波和小波软阈值法。     

基于改进光流法的运动目标检测

该文为了实现对运动目标的检测,重点研究了基于梯度的Horn＆Schunck光流算法,然后提出一种高斯金字塔的改进光流法,并结合最大类间方差的图像分割法和形态学滤波中的开、闭运算,完成运动区域的提取。实验仿真结果和数据表明改进的光流算法能准确获取运动目标区域,并更加省时。     

自动检测图像目标的形态滤波遗传算法

提出了一种实现形态滤波器参数优化设计的贵传学习算法（Genetic Training Algorithm for Morphologi-cal Fitters,GTAMF）。采用新的交叉与变异算子－曲面体交叉与主从式变异,通过优化搜索全局以获得滤波性和时效性兼优的形态滤波器参数。实验结果表明该方法设计方便,实用性强且易于推广,对提高形态滤波性能效果明显,分析表明,形态滤波器可分解为形态学运算和结构元选择两个基本问题,形态学运算的规则已由定义本身而确定,于是形态滤波器的最终滤波性能就仅仅取决于结构元的选择。通过自适应优化训练使结构元具有图像目标的形态结构特征,从而赋予结构元特定的知识,使形态滤波过程融入特有的智能,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力。     

用基于中值滤波的高斯过程预测3G网络性能

针对3G网络中主动监控和对性能指标数据进行预测的需要,提出了基于中值滤波的高斯回归模型的网络性能指标预测方法,将高斯回归模型与中值滤波法相融合,对样本空间中的性能指标数据先进行中值滤波预处理,再对处理过的数据进行高斯回归预测,预测结果作为主动告警机制的预测曲线。仿真实验结果表明,相对于其他预测方法,基于中值滤波的高斯过程预测结果更加有效,生成的预测曲线更精确,为3G及以上网络进行主动监控确定更有效的阈值提供理论依据。     

一种基于不规则区域的高斯滤波去噪算法

针对传统高斯滤波算法在滤除噪声的同时会丢失图像部分细节信息的弊端,提出了一种基于不规则区域的高斯滤波算法。在高斯滤波的基础上,通过分析纹理自相关特性,自适应构造局部不规则的高斯掩模窗口,突破以往采用固定大小窗口的思想,提高高斯系数权值分配的合理性,剔除相关性较低的像素,实现在滤波的同时有效保留图像纹理细节。实验结果表明,提出的算法优于传统高斯滤波及其他滤波算法,在图像细节保留和抗噪方面实现了较好的平衡。     

结合遗传优化的多结构多尺度形态学消噪

传统的形态滤波以及广义形态滤波、自适应加权广义滤波、基于多结构元素的广义形态滤波、基于多方向的广义滤波和基于多尺度的广义滤波在考虑形态学滤波时基本上只兼顾到某一方面或者说只对某一方面的不足进行了改进,不论哪一种滤波方式都没有完全消除噪声。提出了一种基于自适应遗传算法的多结构多尺度形态学滤波方法,主要考虑了滤波窗口的大小、结构元素的种类和方向以及结构元素的优化选择问题,采用遗传算法对结构元素进行优化,并考虑到遗传算法自身的收敛性,采用了保留精英的策略,另外考虑到遗传算法参数的选择问题采用了自适应策略。同时,结合自适应加权广义形态滤波的思想构建基于遗传优化的多结构多尺度自适应加权形态滤波器,滤波效果比传统的形态滤波、广义形态滤波及在此基础上改进的滤波方法效果均好。     

一种基于GHF 的高斯粒子滤波算法

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

     

一种强干扰环境下的离格稀疏贝叶斯DOA估计方法

强干扰的环境下,基于传感器阵列的波达方向(Direction of arrival,DOA)估计是阵列信号处理中的重要问题。虽然对于网格点目标现有方法的DOA估计精度较高,但对于离格点目标现有方法的DOA估计性能会严重下降。本文提出一种离格情况下的DOA估计方法,首先设计一种鲁棒的正交零陷矩阵滤波法(Robust orthogonal matrix filter with nulling,ROMFN),它结合了正交零陷滤波法(Orthogonal matrix filter with nulling,OMFN)和最差性能下的鲁棒自适应波束形成,在对离格点目标达到滤波效果的同时只需设计较少的网格点。此外,新的矩阵滤波法保留了高斯白噪声的特性,避免了噪声白化的预处理过程。其次基于离格点稀疏贝叶斯推断(Off-grid sparse Bayesian inference,OGSBI)和ROMFN,形成一种强干扰下DOA估计的新方法。与现有方法相比,仿真结果表明该方法可以在不同的网格间距、不同的信噪比和干噪比下获得更高的估计精度。     

航空影像辅助下的城区机载LiDAR汽车目标检测方法

机载激光雷达(LiDAR)技术的出现为地面汽车目标检测提供了新的途径。为了从机载LiDAR点云数据中提取汽车对象,根据不同地物的属性特征,提出了一种航空影像辅助下的城区机载LiDAR汽车目标检测方法。首先利用形态学开重建滤波完成地面和地物的分类,然后在地物点的基础上结合正射影像,通过归一化植被指数(NDVI)特征完成对植被和非植被地物的初步分类,最后在非植被地物的基础上,根据地物对象的形状特征及高程信息完成汽车和建筑物及阴影植被等非汽车对象的分类,从而完成汽车目标的提取工作。3个实验区的计算结果表明:该方法能有效从LiDAR点云中提取汽车目标,正确度和完整度的均值分别为95%和85%,满足实用性要求。     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.