希尔伯特-黄变换增强高刺激率AEP的信噪比

针对高刺激率模式下运用连续循环去卷积的方法提取的听觉诱发电位(AEP)可能需要比常规方法更长的记录时间,受试者要忍受大量的声音刺激的问题,本文提出运用希尔伯特-黄变换的去噪方法来减少刺激个数。首先对采集到的每个扫程的脑电信号进行经验模态分解,得到一组固有模态函数(IMFs),然后将这些IMFs分为有用信号层和噪声层,采取非线性阈值方法分层进行去噪处理,以提高信号去卷积前的信噪比。处理结果的评估以1 014个扫程的脑电数据按照常规方法处理的提取AEP为基准,计算去噪后AEP和基准AEP的信噪比与相关系数。结果表明该方法能够有效减少约2/3的刺激个数,是一种十分有前景的高刺激率下AEP信号的提取方法。     

采用改进DE算法优化高刺激率AEP的刺激序列

刺激序列的性质直接影响高刺激率听觉诱发电位(AEP)去卷积的性能,自动生成满足需求的刺激序列可以为高刺激率AEP的基础和应用研究带来极大便利。本文以刺激序列的抖动量为优化变量利用差分进化(DE)算法定义了约束条件下的目标函数。我们根据抖动量的变化范围,改进了DE搜索的变异算子实现搜索空间动态缩减。该方法可以方便地生成各种参数(包括刺激率、频带范围、扫程长度和采样频率)的低抖动率刺激序列。通过实测脑电信号合成的数据检验,本方法得到的各种刺激序列都取得了较好的效果。     

改进DE算法优化高刺激率AEP的刺激序列

刺激序列的性质直接影响高刺激率听觉诱发电位(Auditory evoked potentials,AEP)去卷积的性能,自动生成满足需求的刺激序列可以为高刺激率AEP的基础和应用研究带来极大便利.以刺激序列的抖动量为优化变量利用差分进化(Differential evolution,DE)算法定义了约束条件下的目标函数.根据抖动量的变化范围,改进了DE搜索的变异算子实现搜索空间动态缩减.该方法可以方便地生成各种参数(包括刺激率、频带范围、扫程长度和采样频率)的低抖动率刺激序列.通过实测脑电信号合成的数据检验,本方法得到的各种刺激序列都取得了较好的效果.     

基于NBICA的盲反卷积方法

在线性系统假设下,根据地震记录估计地震子波和反射系数序列是一个典型的盲反卷积过程。针对带状独立分量分析反卷积方法对噪声敏感的缺点,提出一种的基于高斯矩的噪声带状独立分量分析反卷积方法,并利用邻近道间的相关信息实施子波提取。实验结果表明,对于带噪地震数据的盲反卷积,该算法性能更优。     

Adam优化的CNN超分辨率重建

为了使单帧图像在不同放大倍数的条件下进行超分辨率重建能得到较好的效果,提出了一种Adam优化的卷积神经网络(convolutional neural network,CNN)超分辨率重建方法。该方法首先使用ISODATA(iterative selforganizing data analysis)聚类算法对训练的图像集进行分类处理,然后在Adam优化的卷积神经网络中对输入图像进行特征提取和非线性映射得到特征映射图,最后在Adam优化的卷积神经网络中对特征映射图进行反卷积重建得到多尺度放大的重建图像。通过实验验证使用该方法在不同放大倍数条件下的重构效果优于传统算法,在视觉效果上有较好的表现。     

基于卷积非负矩阵部分联合分解的强噪声单声道语音分离

非负矩阵部分联合分解(Nonnegative matrix partial co-factorization, NMPCF)将指定源频谱作为边信息参与混合信号频谱的联合分解, 以帮助确定指定源的基向量进而提高信号分离性能.卷积非负矩阵分解(Convolutive nonnegative matrix factorization, CNMF)采用卷积基分解的方法进行矩阵分解, 在单声道语音分离方面取得较好的效果.为了实现强噪声条件下的语音分离, 本文结合以上两种算法的优势, 提出一种基于卷积非负矩阵部分联合分解(Convolutive nonnegative partial matrix co-factorization, CNMPCF)的单声道语音分离算法.本算法首先通过基音检测算法得到混合信号的语音起始点, 再据此确定混合信号中的纯噪声段, 最后将混合信号频谱和噪声频谱进行卷积非负矩阵部分联合分解, 得到语音基矩阵, 进而得到分离的语音频谱和时域信号.实验中, 混合语音信噪比(Signal noise ratio, SNR)选择以-3 dB为间隔从0 dB至-12 dB共5种SNR.实验结果表明, 在不同噪声类型和噪声强度条件下, 本文提出的CNMPCF方法相比于以上两种方法均有不同程度的提高.     

深度非对称跳跃连接的图像降噪方法

图像降噪可有效地改善图像质量,提升感官效果,也是图像特征提取与理解的前提.针对目前比较流行的卷积神经网络降噪方法中顺序连接的卷积层-反卷积层会使图像在梯度反传过程中逐渐弱化图像噪声的学习问题,提出一种深度非对称跳跃连接的方法用于图像降噪.该方法设计多组非对称跳跃连接卷积-反卷积算子,以有效学习图像细节及噪声信息,并对不同深度的卷积操作进行权重量化,以加强图像降噪及恢复;通过非对称跳跃连接可使图像噪声信息能够直接反传到对应的多个卷积层中,对梯度扩散有良好的抑制作用.采用伯克利分割数据集BSD300进行实验的结果表明,文中算法比基准方法在结构相似性(SSIM)和峰值信噪比(PSNR)2种指标上都有提升.     

基于Legendre序列的确定性测量矩阵

近年来,压缩感知理论飞速发展。很多压缩感知的应用中,信号的测量可以通过卷积滤波和之后的二次采样完成。在此基础上,实现了一种由勒让德（Legendre）序列构造的矩阵。该矩阵在经过二次采样之后,得到一种新的确定性测量矩阵。对于一个K-稀疏的信号,通过该测量矩阵可以对信号进行稳定的恢复重建。据仿真结果显示,在对K-稀疏信号进行恢复的过程中,该测量矩阵的恢复效果与高斯随机测量矩阵的应用效果相当。     

基于深度卷积神经网络的图像去噪研究

为更有效地去除图像中的噪声,提出一种深度学习的图像去噪方法。以完整图像作为网络的输入及输出图像,通过隐含层构成由含噪声图像到去噪图像的非线性映射,由卷积子网和反卷积子网构成一种对称式的网络结构,卷积子网学习图像特征,反卷积子网根据特征图恢复原始图像,并结合修正线性单元获取更多的纹理细节。以VOC2012数据集作为训练集,使用Tensorflow在GPU环境下训练网络模型。实验结果表明,与GSM,KSVD,CN2,MLP方法相比,该方法能更有效地去除图像中的噪声,获得更高的峰值信噪比,耗时更短,视觉效果更佳。     

一种鲁棒的基于光度立体视觉的表面重建方法

提出一种基于先进的凸优化技术的光度立体视觉重建框架. 首先通过鲁棒的主成分分析(Robust principle component analysis, RPCA)祛除图像噪声, 得到低秩矩阵和物体表面向量场, 然后再通过表面重建算法从向量场来恢复物体形状. 相对于先前的一些使用最小二乘或者一些启发式鲁棒技术的方法, 该方法使用了所有可用的信息, 可以同时修复数据中的丢失和噪声数据, 显示出了较高的计算效率以及对于大的稀疏噪声的鲁棒性. 实验结果表明, 本文提出的框架大大提高了在噪声存在情况下物体表面的重建精度.     

Adaptive recursive deconvolution and adaptive noise cancellation

In this paper we apply a recursive deconvolution method to active noise cancellation (ANC) in a linear system: the observation of the output of a linear system of relative degree one, read at discrete time instants, is fed to a deconvolution algorithm which identifies the disturbance (with the delay of one step). This information is used in order to reduce the effect of the disturbance itself. Deconvolution being an ill posed problem, a regularization parameter is to be introduced. The choice of the value of the parameter is a delicate issue. We show that, when studying ANC, the discrepancy principle (applied recursively) is a feasible method for the choice of the parameter.     

基于双层反卷积的宽场荧光显微图像盲复原*

针对宽场荧光显微图像盲复原中的不适定性和细节模糊问题,提出了基于双层反卷积的宽场荧光显微图像盲复原算法,该算法通过双层反卷积,结合图像金字塔,实现了由粗略到细致的图像复原。为抑制不适定性,外层反卷积采用全变分模型,对复原图像和光学传递函数进行正则化约束。在内层反卷积中,通过残差图像进一步复原出图像细节。实验结果表明,该算法能在有效抑制伪影和噪声的同时,复原出宽场荧光显微图像的细节。与近几年图像盲复原算法相比,该算法所需的计算时间短,复原出的宽场荧光显微图像不仅有更好的视觉效果,而且客观上有较高的峰值信噪比和图像熵。     

Degraded image analysis: an invariant approach

Analysis and interpretation of an image which was acquired by a nonideal imaging system is the key problem in many application areas. The observed image is usually corrupted by blurring, spatial degradations, and random noise. Classical methods like blind deconvolution try to estimate the blur parameters and to restore the image. We propose an alternative approach. We derive the features for image representation which are invariant with respect to blur regardless of the degradation PSF provided that it is centrally symmetric. As we prove in the paper, there exist two classes of such features: the first one in the spatial domain and the second one in the frequency domain. We also derive so-called combined invariants, which are invariant to composite geometric and blur degradations. Knowing these features, we can recognize objects in the degraded scene without any restoration     

Classification and stabilizability analysis of bimodal piecewise affine systems

This paper presents a classification of bimodal piecewise affine systems from the viewpoint of well‐posedness. First, we address the feedback well‐posedness problem of a general class of bimodal piecewise affine systems, which is the problem of feedback equivalence to a well‐posed system. Next, based on this result, we classify all feedback well‐posed systems into four classes to address the control problem of piecewise affine systems in a systematic way. As its application, the stabilizability problem with well‐posedness is discussed for each class, and several remarks on stabilizability are given. Copyright © 2002 John Wiley & Sons, Ltd.     

基于P-Ifourier观测矩阵的宽带压缩感知方法

针对压缩感知理论在宽带频谱感知领域应用时重构精度差的问题,根据平稳信号在频域所表现出的稀疏特性,提出了一种基于P-Ifourier(Partial-Inverse fourier)观测矩阵的宽带压缩频谱感知方法。新方法首先将频谱感知问题建模为一个典型的压缩感知问题,利用相关性能优良的标准正交傅里叶基构造观测矩阵,使观测矩阵具有良好的重构性能和重构精度。仿真结果表明,相比于高斯随机观测矩阵和嵌入式混沌序列-循环Toeplitz结构观测矩阵,该方法在较低信噪比环境下能够明显降低信号重构的均方误差,并且在相同条件下的重构概率得到了明显改善。     

Perturbation bounds for orthogonal canonical forms and numericalcontrollability analysis

A first-order perturbation analysis of the orthogonal canonical forms of linear multivariable systems is presented. To avoid ill posedness, a numerical system structure which is invariant to small perturbations in the data is defined. It is shown that the orthogonal canonical forms may be, like the system controllability matrix, unreliable as a tool for numerical controllability analysis     

基于稀疏表示和结构自相似性的单幅图像盲解卷积算法

图像盲解卷积研究当模糊核未知时,如何从模糊图像复原出原始清晰图像.由于盲解卷积是一个欠定问题,现有的盲解卷积算法都直接或间接地利用各种先验知识.本文提出了一种结合稀疏表示与结构自相似性的单幅图像盲解卷积算法,该算法将图像的稀疏性先验和结构自相似性先验作为正则化约束加入到图像盲解卷积的目标函数中,并利用图像不同尺度间的结构自相似性,将观测模糊图像的降采样图像作为稀疏表示字典的训练样本,保证清晰图像在该字典下的稀疏性.最后利用交替求解的方式估计模糊核和清晰图像.模拟和真实数据上的实验表明本文算法能够准确估计模糊核,复原清晰的图像边缘,并具有很好的鲁棒性.     

一种基于非周期卷积反演模型的计算机图象恢复算法

首先描述了非周期卷积反演矩阵模型 ,其核矩阵是一个高阶矩阵 ,它无法直接用最大熵算法在一般的计算机上解决较大尺寸的图象恢复问题 .针对这一问题 ,该文给出了一种利用 FFT和 IFFT的非周期卷积反演矩阵求解的计算公式 ,从而解决了核矩阵的存储问题 ,在该公式下 ,利用共轭斜量算法可以提高迭代计算求解的收敛速度 .实验结果表明 ,该算法不仅可以在一般的 PC计算机上实现最大熵图象恢复算法 ,而且其计算量和存储设备量要求适中 ,适用于多种原因产生的图象模糊问题     

A Linear Systems Approach to Imaging Through Turbulence

In this paper we address the problem of recovering an image from a sequence of distorted versions of it, where the distortion is caused by what is commonly referred to as ground-level turbulence. In mathematical terms, such distortion can be described as the cumulative effect of a blurring kernel and a time-dependent deformation of the image domain. We introduce a statistical dynamic model for the generation of turbulence based on linear dynamical systems (LDS). We expand the model to include the unknown image as part of the unobserved state and apply Kalman filtering to estimate such state. This operation yields a blurry image where the blurring kernel is effectively isoplanatic. Applying blind nonlocal Total Variation (NL-TV) deconvolution yields a sharp final result.