基于随机傅里叶特征空间的高斯核近似模型选择算法

核方法是一种把低维空间的线性不可分问题转化为高维空间中线性可分问题的方法,其广泛应用于多种学习模型。然而现有的核模型选择方法在大规模数据中计算效率较低,时间成本很大。针对这一问题,本文引入随机傅里叶特征变换,将原始核特征空间转换为另一个相对低维的显式随机特征空间,并给出核近似误差上界理论分析以及在核近似的随机特征空间中训练学习模型的误差上界,得到核近似的收敛一致性和误差上界与核近似参数之间的关系。基于随机傅里叶特征空间选择出最优模型参数,避免了对最优原始高斯核模型参数的大规模搜索,从而大幅降低原始高斯核模型选择所需的时间成本。实验表明,本文给出的误差上界确由核近似参数控制,核近似选择的最优模型相较于原始高斯核模型有较高的准确率,并且模型选择时间相对网格搜索法大幅减小。     

多路径高斯核模糊C均值聚类算法

聚类算法单一迭代路径限制了参数优值的搜索。提出一种多路径高斯核模糊C均值聚类算法（MGKFCMs）,MGKFCMs算法首先取核目标函数及模糊隶属度函数中的核函数为高斯核函数;然后利用梯度法得到聚类中心迭代公式,并基于该迭代公式和粒子群算法作聚类中心的并行参数迭代,在每一次聚类迭代时,选择聚类目标函数值小的路径作为参数迭代最终路径。对比分析了MGKFCMs算法的相关性质,通过仿真实验验证了所提算法的有效性。     

浅析图像模糊的基本频域恢复算法

图像频域恢复是数字图像去模糊的一个重要的研究方向,在现实生活中有着广阔的应用前景和市场。本文针对常见的高斯模糊进行分析,使用频域上的逆滤波器、维纳滤波器和最小二乘恢复去除模糊,并对比它们的恢复效果。     

高斯模糊噪声图像的图像复原算法的改进

和魏纳滤波,约束最小二乘滤波器等复原方法相比,Lucy-Richardson算法不需要事先预知噪声信息,有更广泛的适用性,但Lucy-Richardson算法极易引起噪声放大的缺点.提出改进的Lucy-Richardson图像盲复原新算法,仿真结果表明,该算法在噪声抑制、稳定性、细节保存以及视觉效果方面都优于原有Lucy-Richardson算法.     

基于高斯模糊的CNN的单幅图像超分辨率重建算法

近几年卷积神经网络在单幅图像超分辨率重建工作中取得了很大的进步,但是大部分基于卷积神经网络(CNN)的单幅图像超分辨重建算法是建立在低分辨率图像由高分辨率图像通过双三次插值法下采样取得的前提下,当这个假设不成立时,图像重建的客观评价指标PSNR以及主观的视觉效果就会较差.针对此问题,提出一种基于高斯模糊的CNN的单幅图...     

多模糊核融合的单目标跟踪算法

针对当前目标跟踪领域中如何准确迅速地对目标进行定位的问题,大部分流行跟踪器的核心内容是结合核方法去训练一个判别分类器来区分目标和周围环境。例如核相关滤波器算法(KCF)将傅里叶变换与核化判别分类器相结合来提升跟踪速度,以及引入TSK模糊逻辑系统(TSK-FLS)的模糊核相关滤波器(FKCF)算法来提高跟踪精度。一些基于KCF的改进算法对部分跟踪难题提出了解决方案,但这些算法在精度方面仍有一定的提升空间。针对此,在FKCF的基础上,从多核融合的角度推导出了一种新的多模糊核相关滤波器(MFKCF)。MFKCF继承了KCF高速的以及FKCF高精度的特性,将多项式核与高斯核进行模糊化,并且融合模糊化后的核函数作为新的目标核函数。由于上述两项改进,使所提算法在跟踪精度方面比KCF与FKCF更好。将KCF算法、FKCF算法与MFKCF算法在OTB50等4个数据集上的30个随机选取的视频进行了实验,实验结果表明MFKCF算法总体表现良好,10项常见属性上的精度均有提升。     

逆主元法盲目复原高斯模糊图像

盲目图像复原的一个重要方法是检测出图像退化的点扩展函数的参数，然后根据估计的点扩展函数复原图像，但是对于高斯模糊的图像，很难检测出其点扩展函数，因此高斯模糊图像的盲复原一直是个棘手问题。本文提出一种新的算法：逆主元法，利用高斯点扩展函数的特性，在径向基神经网络的模型下，对图像进行盲目复原。实验表明，这种方法对轻度的高斯模糊图像，有很好的复原效果。     

基于高斯模糊的单幅图像去雾算法

雾霾天气导致成像设备获得的图像质量下降,影响了人类视觉感知及计算机视觉特征提取.计算机视觉系统对去雾的速度要求较高,因此,提出一种快速图像去雾算法.首先根据雾天图像退化模型,通过高斯模糊对环境光进行估计,其次根据图像整体亮度对大气光值进行估计,最后根据雾天图像退化模型复原无雾图像.实验结果证明,在主观视觉效果方面,去雾...     

基于核的直觉模糊聚类算法

针对现有的直觉模糊聚类算法性能的问题,提出一种基于核的直觉模糊聚类算法(IFKCM)。该算法引入高斯核函数,将直觉模糊集合从原始观察空间映射到高维特征空间,减少了计算时间且提高了聚类精度;同时改进了现有的直觉模糊聚类算法中的概率型约束条件,使其对噪声和野值点具有较好的鲁棒性。最后,通过实际数据和人工数据与常用聚类算法进行了对比实验,结果表明该算法较大幅度地提高了直觉模糊聚类算法的性能。     

核空间中智模糊聚类及图像分割应用

目的 为了更有效地提高中智模糊C-均值聚类对非凸不规则数据的聚类性能和噪声污染图像的分割效果,提出了核空间中智模糊均值聚类算法。方法 引入核函数概念。利用满足Mercer条件的非线性问题,用非线性变换把低维空间线性不可分的输入模式空间映射到一个先行可分的高维特征空间进行中智模糊聚类分割。结果 通过对大量图像添加不同的加性和乘性噪声进行分割测试获得的核空间中智模糊聚类算法提高了现有算法的对含噪声聚类的鲁棒性和分类性能。峰值信噪比至少提高0.8 dB。结论 本文算法具有显著的分割效果和良好的鲁棒性,并适应于医学,遥感图像处理需要。     

基于Benford定律的高斯模糊篡改取证

针对自然图像篡改手段中常用的高斯模糊,提出一种基于Benford定律的模糊篡改图像真实性取证方法.通过借助DCT域AC系数的Benford模型分别对自然图像的3个通道进行统计,构造特征,根据篡改前后差异的显著性水平设定阈值进行判定,最后给出实验结果.     

基于模糊核估计的图像盲超分辨率神经网络

模糊图像的超分辨率重建具有挑战性并且有重要的实用价值. 为此, 提出一种基于模糊核估计的图像盲超分辨率神经网络(Blurred image blind super-resolution network via kernel estimation, BESRNet). 该网络主要包括两个部分: 模糊核估计网络 (Blur kernel estimation network, BKENet)和模糊核自适应的图像重建网络(Kernel adaptive super-resolution network, SRNet). 给定任意低分辨率图像(Low-resolution image, LR), 首先利用模糊核估计子网络从输入图像估计出实际的模糊核, 然后根据估计到的模糊核, 利用模糊核自适应的图像重建子网络完成输入图像的超分辨率重建. 与其他图像盲超分辨率方法不同, 所提出的模糊核估计网络能够显式地从输入低分辨率图像中估计出完整的模糊核, 然后模糊核自适应的图像重建网络根据估计到的模糊核, 动态地调整网络各层的图像特征, 从而适应不同输入图像的模糊. 在多个基准数据集上进行了有效性实验, 定性和定量的结果都表明该网络优于同类的图像盲超分辨率神经网络.     

一种基于OPENACC的GPU加速实现高斯模糊算法

针对使用底层API进行GPU加速时存在的编码复杂以及效率低下等缺陷,文中试图利用基于中间层的OPENACC加速技术对传统的串行代码进行改写,从而达到改善开发效率,简化代码之目的.文中以传统的串行高斯模糊算法为处理对象,在其中添加OPENACC指令,提出基于OPENACC指令的GPU加速算法,并对算法流程进行了分析和说明.通过与原生CUDA和串行高斯的结果对比之后,发现随着处理像素数量的增加,串行高斯性能呈指数变化,而CUDA和OPENAC则呈线性变化.结果表明,该算法能在不改变原有非并行代码结构的基础上,通过增加高效的OPENACC指令即可获得与CUDA近似的图像处理质量和处理性能,且较CUDA具有更高的代码开发效率.     

空间尺度信息的运动模糊核估计方法

运动模糊核的准确估计是实现单幅运动模糊图像盲复原成功的关键.但是,因为不能准确提取出有利的图像边缘以及简单的正则化约束项的设计,导致现有运动模糊核（motion blur kernel,简称MBK）的估计并不十分准确,存在瑕疵.因此,为了能够估计出准确的运动模糊核,提出了一种基于空间尺度信息的运动模糊核估计方法.首先,为了准确地提取有利的图像边缘,移除有害的图像结构,提出了一种基于图像空间尺度信息的图像平滑模型,实现有利图像边缘的准确快速提取;然后,从运动模糊核的内在特性出发,将空间域的L₀范数和梯度域的L₂范数结合到一起,提出了一种正则化约束模型,很好地保证了运动模糊核的稀疏平滑特性,并结合之前提取出的有利的图像边缘,共同实现运动模糊核的准确估计;最后,采用一种半二次性分裂的交互式最优化策略对提出的模型进行最优化求解.在客观的评价指标和主观的视觉效果上进行了大量实验,其结果证明所提出的方法能够估计出更准确的MBK和复原出更高质量的去模糊图像.     

使用半高斯核的冲击扩散滤波图像盲复原方法

提出一种冲击扩散模型对含有模糊与噪声的退化图像进行盲复原.该方法使用半高斯核提取图像边缘的精确方向,并且对不同的图像区域使用不同的冲击扩散策略.实验结果表明,所提出的方法能够有效地消除图像中的噪声并增强边缘,同时能够保存小物体与角落等图像结构.相比于其他方法,所提出方法的复原图像拥有更好的视觉效果与更高图像评价指标.     

部分模糊核已知的混合模糊图像复原算法

真实环境中得到的图像常会受到多种模糊降质过程的影响,导致成像质量下降,为此提出一种图像退化模型及相应的复原算法.与传统的级联方式不同,该算法假定模糊核函数是散焦与运动模糊的加权和形式;在散焦模糊给定的情况下,使用广义拉普拉斯分布作为运动模糊的统计模型,并在期望最大化(EM)算法框架下估计模糊核函数;最后利用估计的模糊核函数进行图像复原.实验结果表明,采用文中的复原算法能够较为准确地辨识出模糊核,提升了图像复原的效果.     

图像局部模糊的自动检测方法

目标运动或对焦不准可能造成图像局部模糊。针对该问题,提出一种包括粗糙定位及模糊区域求精2个步骤的模糊区域自动检测和提取方法。通过对空域上的梯度统计结果进行双高斯混合建模以及对频域上的功率谱进行统计分析,实现模糊和非模糊区域的粗糙定 位。根据粗糙定位结果,利用改进的懒惰抠图技术实现模糊区域的精确定位和自动提取。实验结果证明,该方法可以有效检测出图像中的局部模糊区域。     

基于模糊核校正的未知退化方式图像超分辨率

真实世界图像包含未知模糊和噪声信息,现有以双三次下采样为退化方式的数据集无法训练出适用于真实世界图像的超分辨率网络。为此设计预测器初步估计模糊核并设计校正器得到准确的图像模糊核信息。高分辨率图像通过模糊化处理并注入噪声构建低分辨率真实世界图像。设计新型超分辨率网络结构,每个卷积层后根据模糊核对特征图进行空间特征变换,提高网络处理不同模糊图像的能力。将非线性映射部分以残差密集块结构相连,并整合入生成对抗网络框架增强纹理细节恢复能力。在Flickr2K和DIV2K两个数据集上的测试结果表明新方法的峰值信噪比、结构相似度和感知指数高于EDSR和ESRGAN等经典方法。     

基于近似高斯核显式描述的大规模SVM求解

大规模数据集上非线性支持向量机(support vector machine, SVM)的求解代价过高,然而对于线性SVM却存在高效求解算法.为了应用线性SVM高效求解算法求解非线性SVM,并保证非线性SVM的精确性,提出一种基于近似高斯核显式描述的大规模SVM求解方法.首先,定义近似高斯核并建立其与高斯核的关系,推导近似高斯核与高斯核的偏差上界.然后给出近似高斯核对应的再生核希尔伯特空间(reproducing kernel Hilbert space, RKHS)的显式描述,由此可精确刻画SVM解的结构,增强SVM方法的可解释性.最后显式地构造近似高斯核对应的特征映射,并将其作为线性SVM的输入,从而实现了用线性SVM算法高效求解大规模非线性SVM.实验结果表明,所提出的方法能提高非线性SVM的求解效率,并得到与标准非线性SVM相近的精确性.