基于非局部正则化的乘性噪声去除模型及Split-Bregman算法

针对全变分去噪模型会模糊图像边缘和纹理部分的问题,提出一种改进的去除乘性噪声的非局部正则化模型,并利用Split-Bregman算法进行求解。对观测图像取对数变换,将乘性噪声转化为加性噪声,利用全变分思想,以非局部TV范数作为正则项,通过图像区域与区域的灰度相似性来确定权重系数,进而更好地保持图像的纹理结构;在模型中加入紧凑项来保证去噪图像的紧凑性。对模型求解并进行数值仿真实验,结果表明:改进的去除乘性噪声的非局部正则化模型能够去除图像噪声且较好地保持其纹理部分。     

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型（TV）和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法（IRLS）,通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.     

基于广义全变分低秩矩阵恢复的对抗样本防御（英文）

一阶全变分(TV)正则化的低秩矩阵分解在恢复图像结构上表现出优异性能。利用全变分在图像去噪方面的优异性能,提高深度神经网络鲁棒性。然而,尽管一阶全变分正则化可以提高模型鲁棒性,但其过度平滑降低了干净样本的准确率。本文提出一种新的低秩矩阵恢复模型,称为LRTGV,该模型将广义全变分(TGV)正则化引入到重加权低秩矩阵恢复模型。在所构建的模型中,TGV可以在不过度平滑的情况下更好地重建图像纹理信息。重加权核范数和L₁范数可以增强全局结构信息。因此,本文所提出的LRTGV模型在破坏对抗噪声结构的同时能增强图像全局结构和局部纹理信息。为解决具有挑战性的最优模型问题,本文提出一种基于交替方向乘子法的算法。实验结果表明,该算法对黑盒攻击具有一定防御能力,并且在图像恢复方面优于现有低秩矩阵恢复方法。     

新型的图像检索最优实验设计算法

大部分现有的最优实验设计方法是基于线性回归或拉普拉斯正则最小二乘模型(LapRLS)的。提出一种基于二阶Hessian能并具有流形学习能力的主动学习算法,该算法选择那些能使Hessian正则回归模型的参数协方差矩阵最小化的样本作为最优样本,可以克服LapRLS的依赖特定常量及缺乏推算能力等缺点。基于内容的图像检索实验证明了该方法的有效性。     

基于迭代对数阈值的加权RPCA非局部图像去噪

针对传统图像去噪算法的不足,提出了基于迭代对数阈值的加权RPCA非局部图像去噪方法,该算法首先根据图像的自相似性,对含有噪声的图像进行相似块匹配,获得低秩的相似块组矩阵,再构建RPCA模型,对模型中的低秩部分进行加权,利用迭代对数阈值的方法来求解目标函数.实验结果表明,无论是对于低噪声图像还是高噪声图像,都能够有效去除噪声,提高图像的峰值信噪比和结构相似指数,且能够很好的保持图像的结构纹理,图像视觉效果有明显改善.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

三维重构中一种快速全局最优算法

在机器视觉中,三维重构是一个重要问题。基于无穷范数表示的误差函数已经证明可以获得全局最优,但是计算速度很慢。基于二范数的最小二乘法速度虽然很快,但因为误差函数是非凸的,所以无法在理论上证明获得的结果是全局最优的,即使是通过二分迭代等方法,往往也只能获得一个局部最优。文中提出一种判定策略,通过对二范数表示的误差函数的Hessian矩阵进行计算,判断最小二乘法获得的局部最优是否是全局最优。因此在三维重构中,可以先用最小二乘法求解,如果误差函数Hessian矩阵为正则结果是全局最优否则调用无穷范数方法重新求解全局最优,这样既保证了精度又加快了计算速度。实验证明该算法是可行的。     

一种去除Gamma乘性噪声的全变分模型

针对现有的去除图像乘性噪声变分模型存在“阶梯效应”和图像模糊等问题,提出了一种具有严格凸性的去除图像Gamma乘性噪声的全变分新模型。首先,通过分析Gamma噪声的数学特征,采用最大似然估计方法和贝叶斯公式导出了全变分模型的保真项,引入协调项,并利用一种新颖的混合测度构造了新的模型。再使用交替迭代最优化算法,给出了数值解,并从理论上证明了该迭代序列的收敛性。实验结果表明,本模型有很好的去噪效果,在有效抑制图像中的“阶梯效应”的同时能更多地保留图像的纹理细节特征。     

正则化最小二乘线性判别分析算法

线性判别分析（Linear Discriminant Analysis,LDA）是用于降维和分类的方法,然而在遇到小样本问题时,由于全局散布矩阵是奇异的．所以传统的LDA方法是不适用的。为了解决LDA的这种缺点,提出了基于最小二乘线性判别分析（LeastSquares Linear Discriminant Analysis．LS—LDA）的正则化算法,在LS—LDA中分别加入关于加权矩阵的L1范数、L2范数和弹性网络的惩罚项、来解决小样本问题,使模型具有鲁棒性和稀疏性。在对回归分析、正则化方法和LS—LDA相关技术进行深入分析的基础上,构建正则化最小二乘线性判别分析框架算法,实现数据降维。结合标准文本数据集进行实验,采用KNN（K-Nearest-Neighbor）分类器进行文本分类。实验结果表明,正则化的LS—LDA具有很好的分类性能,其中以加入了弹性网络惩罚项的Ls—LDA最优.     

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.     

基于迭代加权l1正则化的分布式联合稀疏优化

多测量向量模型中的联合稀疏信号重构是压缩感知理论中的重要研究内容。针对分布式网络中的联合稀疏优化问题,给出了一种基于迭代加权l1正则化的分布式联合稀疏优化算法。该算法采用迭代加权l1正则化算法提高稀疏信号的重构质量,然后将与联合支撑相关的加权向量作为一致性约束,采用交替方向乘子法求解一致优化问题来更新加权向量。该分布式联合稀疏优化算法通过每个节点的稀疏优化以及单跳邻居节点间的信息交换达到集中式优化的性能,避免了数据集中带来的网络通信负担。仿真结果表明,给出的分布式联合稀疏优化算法具有良好的重构性能和较快的收敛速度。     

Model based on the integro-differential equation for multiplicative noise removal

Multiplicative noise removal is an important research topic on image processing. This paper presents a novel integro-differential equation approach for removing multiplicative noise. Under the assumption that multiplicative noise follows a Gamma distribution, we firstly discuss the classical AA model, and then in order to arrive at the novel integro-differential equation, integrate in inverse scale space a succession of refined ‘slices’ of the image. The novel integro-differential equation includes a monotone increasing scaling function. By choosing an adaptive scaling function, this equation can remove multiplicative noise efficiently. Finally, the experimental results demonstrate the better performance of the proposed model.     

乘性噪声消除的同态变换盲源分离算法

为消除乘法性观测噪声，利用独立分量分析的冗余取消特性，提出一种基于同态变换盲源分离（BSS）的消噪新方法.通过对原始观测信号的同态变换--对数变换，将乘法性噪声转变为加法性噪声.引入经过相同对数变换的虚拟噪声分量，将变换后的一维观测信号扩展为多维观测.依据最大化估计分量间独立性的准则（由高阶累积量构成）对多维观测实施盲源分离.最后，联合指数逆变换及输出信号校正处理，实现真实信号的估计，从而消除原始观测中的乘法性噪声.仿真消噪实验结果表明，该方法可有效地消除观测信号中的乘法性噪声.与同态滤波等传统的乘性噪声消除技术相比，新方法不仅实现简单，运算效率高，而且可以方便地扩展应用于多维观测信号的噪声消除.     

一种震动耦合扩散的去除乘性噪声模型

针对传统扩散模型在去噪中存在的边缘模糊问题,将震动滤波引入各向异性扩散模型中,建立了一种去除乘性噪声的模型。在去噪算法中采用BZN来区分边缘、噪声以及平滑区域。借助一种新的扩散速度函数,可以更好地去除乘性噪声。数值实验表明,该去噪模型可以更好地保护边缘,抑制＂阶梯效应＂。     

电阻抗成像的稀疏重建算法

针对电阻抗成像空间分辨率低和对测量噪声敏感的问题,将传统Tikhonov正则化问题中目标函数的L2范数正则项修正为L1范数,将动态电阻抗图像中非均匀的电导率具有稀疏性作为先验信息添加到L1范数正则项中,由此提出一种电阻抗成像的稀疏重建算法。建立基于总变差法、正交匹配追踪法以及L1范数最小二乘法的电阻抗成像模型,并借助实验可知,新算法成像质量好,对测量噪声不敏感,且成像速度较快。     

在乘法扰动下延拓矩阵奇异空间的扰动界

在矩阵A和A有相同分块的奇异值分解和乘法扰动下,对于母矩阵为A的行延拓矩阵Rk(A)与其扰动矩阵RK(A),使用奇异值的双分离度获得左右奇异空间的分离,研究了延拓矩阵Rk(A)与其扰动矩阵RK(A)的奇异空间在Frobenius范数下的扰动界.     

Research on modified Newton and Taylor-series methods in TDOA

In the Time Difference Of Arrival (TDOA) source localization model, based on the Taylor-series (TS) method and Newton (NT) method, this paper presents the Modified Taylor-series(MTS) method and the Modified Newton method(MNT), which solve the critical convergent problem caused by the bad initial value in the original algorithms. The proposed algorithms modify the ill-condition Hessian matrix caused by the bad initial value using the Tikhonov (TI) or the Diagonal Singular Value Decomposition technique (DSVD) in the Regularization theory. The regularization parameter which controls the properties of the regularized solution is determined by the L-curve method. Simulation results show that compared with the TS and NT methods, the proposed methods ensure that the solution of the iterative methods converges on the source location, improves the convergent probability and has a better capability to remove the local minima. The proposed methods also give superior performances of the location accuracy comparing with the closed-form algorithms in low SNR environment.     

Higherorder singular value decomposition- and total variation- regularized multiplicative noise removal model

Smoothness, sparsity and self-similarity are the priors widely used in image denoising due to their importance in representing natural images. Motivated by the collaborative roles of higher order singular value decomposition and total variation regularization, a new approach that can simultaneously capture the above priors is proposed in this paper for removing the multiplicative noises. By taking advantages of local adaptiveness, sparsity and self-similarity realized by higher order singular value decomposition, the proposed approach starts with similar-patch-group-wise adaptive denoising on the log-transformed image, followed by the iterative optimization implemented by the total variation constraint which considers the prior of smoothness. Experiments demonstrate the advantages of the proposed approach in removing multiplicative noise and preserving the details near the edges and in the texture area.     

超声逆散射成像问题中的正则化方法研究

为提高成像质量,需反复地求解不适定逆散射方程,而不适定方程的求解需要正则化处理.将截断完全最小二乘正则化方法应用到迭代过程中,该方法同时考虑逆散射方程的系数矩阵和数据项均存在误差的情况,不仅适合于不适定性较弱的情况,而且适合于不适定性较强的情况,提高了算法的收敛性以及成像的质量.对不同结构以及不同对比度图像的数值仿真结果显示,截断完全最小二乘正则化方法,较只考虑数据项存在误差的Tikhonov正则化方法成像质量高,且适用范围广.