基于TV正则化算法的电容层析成像自适应剖分方法

针对电容层析成像逆问题解的不适定性及重建图像分辨率较低的问题,提出一种基于总变差(totalvariation,TV)正则化的图像重建算法,并由该算法提出一种自适应剖分方法。同常见的Tikhonov正则化算法相比,这种新算法不仅保证了逆问题求解的稳定性,而且提高了对介质非连续分布区域成像的分辨能力,具有良好的保边缘性。基于该算法的自适应剖分方法能够根据介质分布自动对剖分网格进行局部细分。相比全区域细分方法,这种剖分方法在保证图像分辨率的同时减少了计算量,提高了图像重建速度。实验结果表明,该算法在重建图像质量和实时性两方面均具有优势。     

基于Iradon-CNN的变压器局部放电状态识别方法

为解决变压器局部放电故障所带来的安全隐患,提出了一种基于逆拉冬变换(Inverse Radon transform,Iradon)-卷积神经网络(Convolutional Neural Networks,CNN)的变压器局部放电信号图像识别方法。针对三种故障进行了局部放电实验,首先通过共振稀疏分解对局部放电信号进行分解,获取低共振分量,然后将其转换成Iradon图像,最后利用CNN自适应地提取Iradon图像的特征信息。结果表明,该方法能够准确提取信号特征,具有强大的数据处理和识别功能,并为变压器局部放电状态的识别提供了丰富的信息,提高了学习效果和识别精度。     

基于CAMP稀疏重建算法的并行实现

高分辨率合成孔径雷达(SAR)数据量大,导致稀疏重建过程计算量大。复数近似信息传递(CAMP)是一种收敛速度快的稀疏重建算法,经常被用于稀疏信号重建。为了解决计算量大的问题,提出了一种基于CAMP的并行算法,在计算统一设备架构(CUDA)上对CAMP算法中Chirp Scaling算子和排序算法进行优化。在Chirp Scaling算子中,主要对矩阵转置、FFT和IFFT进行并行优化,并引入并行版本的双调排序。最后,利用串行的CAMP算法和并行的CAMP算法分别重构点目标图像。实验结果表明,在正确重建的前提下,并行的CAMP算法的比串行CAMP算法快29.55倍。     

基于改进L1/2正则化的电阻抗层析成像

碳纤维复合材料的结构安全健康检测至关重要。电阻抗层析成像技术利用碳纤维复合材料的导电特性,可实现对其结构损伤检测。此技术具有成本低、非侵入和操作简便等优点,近年来成为广大学者的研究热点。在EIT的图像重构过程中存在着严重的病态性问题,本文提出了一种改进L1/2正则化算子的电阻抗层析成像算法。该方法采用L1/2范数构建稀疏正则化罚函数,通过布雷格曼交替方向乘子法的迭代算法对新目标函数进行求解,提高算法的性能。为验证算法有效性,使用COMSOL软件设计四种典型CFRP层合板损伤类型并搭建16电极EIT测试系统验证。仿真与实际实验结果表明,与其它算法相比,采用BADMM迭代算法求解L1/2正则化方法提高了图像相关系数,降低了图像误差,有效改善了重建图像的精度,且该方法对噪声具有较强的鲁棒性。     

基于l1范数与全变分正则化的磁化率分布重建

磁共振成像中相位图像包含丰富的组织磁化率变化信息,同时获取相位图像不需要额外的扫描时间。定量磁化率成像技术目前已经成为科学和临床研究中的一个热点问题,这种技术可以对组织内顺磁性物质进行定量分析,能够比常规的磁共振成像方法提供更多图像信息,有利于许多神经系统疾病和脑血管疾病的诊断。组织中的顺磁性物质会影响组织磁化率差异从而引起局部不均匀磁场,然而从局部相位信息重建组织磁化率分布是一个病态逆问题,目前仍然有许多问题亟待解决。提出一种基于l1范数与全变分正则化模型相结合的磁化率分布稀疏重建方法,仿真实验结果表明该方法可以有效获得高质量的定量磁化率分布图,提高了重建磁化率信息的准确性。     

基于压缩感知的电力设备红外图像非盲自适应超分辨率方法

电力物联网建设过程中,红外传感技术应用越加广泛,然而受成本限制难以实现高精度红外传感器的大规模装设。因此文中提出了一种压缩感知自适应非盲超分辨率方法,以改善低成本红外传感器成像质量。该方法以压缩感知超分辨率模型为基础,结合图像去模糊先验信息,提出了压缩感知非盲超分辨率模型。并采用双先验二次估计的方式求解正则项惩罚参数,实现对约束项的自适应强度控制。求解过程中首先通过高斯先验对模糊图像进行初步反卷积重建,以阈值收缩的方式分离重建图像显著边缘,生成标签图像。之后根据图像内部像素点语义的不同,控制超拉普拉斯先验正则项强度,在提升重建图像清晰度的同时避免伪影振铃的产生。并针对所提模型设计了有效的求解算法。实验结果表明与现有经典非盲超分辨率方法相比,该方法重建得到的高分辨率红外图像无论在主观视觉还是客观评价指标上,均有着一定优势。且最终进行的红外图像识别对比实验,也证明了该方法重建的高分辨率红外图像能够更好地解决电力行业的实际问题。     

基于光场的联合稀疏分布式压缩感知

信号的稀疏分解是压缩感知理论的关键问题,冗余字典相较于传统的正交基矩阵,可提供信号的更稀疏表示。首先根据光场相机特征‐光场图像具有图像内和图像间相关性,提出光场中的联合稀疏模型,然后使用基于图像特征训练的冗余字典稀疏表示光场信号,最后通过同时分段正交匹配追踪算法（S‐StOMP）重建稀疏信号,S‐StOMP重建速度较快,可同时重建多个信号。最后通过实验验证了算法的准确性和可靠性。     

基于核回归的正则化超分辨率重建算法

在正则化超分辨率重建框架下,基于M-估计理论和核回归思想,提出一种稳健的超分辨图像重建算法。该算法融合了M-估计理论的稳健处理机制和自适应核回归算法的选择性加权特性,提高了算法的稳健特性和边缘保持特性。通过选取Tukey范数和自适应核回归正则项,有效避免了L2范数和L1范数只能针对特定噪声模型的不足。经实验证明,该算法无论是视觉效果还是峰值信噪比(PSNR)都有显著地提高。     

利用多准则Hopfield网络对ECT进行图像重建

针对电容层析成像技术中图像重建质量较差的问题,提出一种基于多准则Hopfield网络模型的电容层析成像的改进图像重建算法。首先分析了ECT图像重建和Hopfield网络的基本原理,然后根据ECT图像重建的特点确定了4种准则函数:图像熵、测量电容和估计电容的误差平方和、重建图像的局部非均匀性函数和总变差,并将这4种准则函数引入Hopfield网络的能量函数中,由此推导出Hopfield网络的动态方程,在此基础上得到ECT图像重建迭代算法,最后通过仿真实验对所提方法进行了验证。仿真实验结果表明利用此方法获得的重建图像误差和相关系数比LBP算法和Landweber迭代算法得到的相应指标要好。由此可见,该方法是一种有效的、精确度较高的ECT图像重建方法。     

一种改进权重的非局部均值图像去噪算法

提出了一种改进权重的非局部均值滤波方法。在高斯加权的欧氏距离基础上,结合相关系数来衡量图像邻域间的相似性,将其应用到图像邻域灰度矩阵间的相似性度量上,更好地利用了图像邻域间的相似性质。通过对添加不同噪声水平的噪声图像进行测试,实验结果表明,与传统的非局部均值滤波算法相比,所提出的算法在去噪性能上尤其是结构信息保持上均有显著提高。     

BTV图像超分辨率重建改进算法

在双边滤波正则化算法的基础上,结合自然图像自身结构相似性,提出一种基于BTV的改进算法.通过在代价方程中引入表达图像非局部结构相似性的正则化项,对重建图像的解空间进一步加以限制和优化,最后通过最陡下降法求得代价方程最优解,从而完成重建.实验证明,与BTV算法相比,改进后的算法不仅能很好地抑制噪声,同时也更好地保留了图像...     

基于FOCUSS改进算法的图像稀疏重构

分析分块压缩感知的基础上,提出了基于欠定系统局灶解法和L-曲线优化相结合的图像重构方法。利用灰度空间相关矩阵获知图像的纹理结构和优化块向量生成,噪声卡方分布设置拉格朗日乘子λ的阈值范围,采用4阶曲线拟合和最大曲率点拟合相结合方式确定λ的优化值,并设置双误差迭代停止方式来改进基础局灶算法。对比实验表明,基于L1范数最小化下的欠定系统局灶改进算法在无噪声和有噪声条件下都能改善图像重构,且性能优于传统的正交匹配算法和基追踪算法,同时该改进算法对不同图像具有一定的普适性。     

基于多通道采样和注意力重构的图像压缩感知

近年来用于图像压缩感知的深度学习网络得到广泛关注,深度学习网络可以实现图像的压缩采样,并从采样数据重构出原始图像。但现有的压缩感知算法在信息分布不均匀的图像场景中,无法有效提取原始图像信息,导致重构精度较低。针对上述问题,本文提出了基于多通道采样和注意力重构的图像压缩感知算法。该算法包含了多个不同采样率的采样通道,能够根据视觉显著性对图像不同区域应用不同的采样率,使得采样数据中能够包含更多原始图像信息。重构采用了残差通道注意力结构,自适应调整通道特征来提高网络的表示能力。通过对比实验表明,本文提出的基于多通道采样和注意力重构的图像压缩感知算法能够取得更好的重构质量与视觉观感。     

基于双正则项的图像超分辨率重建算法

图像超分辨率重建是一种病态反问题.在最大后验概率(MAP)随机正则化技术估计框架下,采用Lorentzian范数构造数据保真项,同时为了更好的保持重建图像边缘,现以图像灰度连续性为先验信息,提出了一种基于双正则项的目标方程.实验证明了此方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,且该算法对不同假设类型的噪声...     

一种基于行程编码的图像背景重构

背景差法是一种重要而且实用运动目标检测方法。该算法的难点在于如何进行背景图像的重构。本文针对该问题,提出一种基于行程编码的背景图像重构算法,即在假设背景图像以最大概率出现在图像序列中的前提下,选择频率最高的图像作为背景图像进行背景重构。利用序列图像时间上的相关性进行行程编码,用编码数据进行背景图像点得重构,使重构具有实时性和节省运算空间的特点。在慢运动目标的图像序列中,即观测时长较长时,利用本文算法进行实时背景重构具有明显的优点。仿真结果表明,该算法能够准确地重构背景,从而实现对运动目标的完整提取,以便进一步识别或跟踪。     

单幅三维场景图像的度量重建方法

对平面型场景图像和常规的三维场景图像的度量重建进行了回顾，在此基础上提出了一种不必进行射影重建且只须三维场景单幅图像的三维度量重建方法．     

A new approach to medical image reconstruction

The authors propose a multiobjective optimization method using the weighted sum problem in order to deal with image reconstruction from projections. In their scheme, after determining the objective functions, a satisfactory solution of the decision maker can be derived by updating the weighted coefficients simultaneously with the tradeoff between the objective functions. Furthermore, the noninferiority of the generated solution in each iteration is guaranteed. As has been shown, the multiobjective optimization-based image reconstruction approach is superior to the least-squares and convolution methods. The authors can say that the multiobjective approach makes traditional image reconstruction from projections flexible and robust to uncertainty and multiplicity of reconstruction objectives. They are convinced that the proposed method and its extension will become an efficient tool for design of new CT scanners     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。