改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题,转化为考虑量子状态的约束条件下,分别求解密度矩阵的核范数,以及稀疏干扰l1范数的两个子问题的优化问题.针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题,通过在两个子问题的迭代估计中,引入一个加速算子,对当前值与前一次值之差进行进一步的补偿,来提高算法的迭代速度(FISTA).并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中.针对5个量子位的状态估计的仿真实验,将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP–ADMM),以及非精确的ADMM算法(I–ADMM)4种优化算法进行性能对比.实验结果表明, FISTA算法具有更加优越的收敛速度,并且能够得到更小的量子状态估计误差.     

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.     

摄像机参数固定的全局离焦深度恢复

利用2维离焦图像恢复景物的3维深度信息是计算机视觉中一个重要的研究方向。但是,在获取不同程度的离焦图像时,必须改变摄像机参数,例如,调节摄像机的焦距、像距或者光圈大小等。而在一些需要高倍放大观测的场合,使用的高倍精密摄像机的景深非常小,任何摄像机参数的改变都会对摄像机产生破坏性的后果,这在很大程度上限制了当前许多离焦深度恢复算法的应用范围。因此,提出了一种新的通过物距变化恢复景物全局深度信息的方法。首先,改变景物的物距获取两幅离焦程度不同的图像,然后,利用相对模糊度及热辐射方程建立模糊成像模型,最后,将景物深度信息的计算转化成一个动态优化问题并求解,获得全局景物深度信息。该方法不需改变任何摄像机参数或者计算景物的清晰图像,操作简单。仿真试验和误差分析结果表明,该方法可以实现高精度的深度信息恢复,适合应用于微纳米操作、高精度快速检测等对摄像机参数改变较为敏感的场合。     

改进的两步迭代阈值的遥感图像恢复算法

结合小波变换和Contourlet变换的多尺度、多分辨的共性及这两种变换分别适合处理点奇异和线奇异的特点,提出了一种新的联合使用小波正则项和Contourlet正则项的遥感图像恢复算法。算法中逆问题的求解等价于一个无约束凸规划的求解问题,目标函数由观测图像的拟合优度和正则项组成,传统的正则项是一个函数,本文使用两个正则项函数,能更好地利用图像的先验知识。然后根据Besov空间的半范数等价于小波系数的范数这一原理,提出了基于小波变换的联合使用小波正则项和Contourlet正则项的两步迭代阈值算法。对遥感图像的恢复结果表明,该算法在改善的信噪比（ISNR）和相关系数（CORR）等评价指标上都有显著的改善。     

基于回溯的共轭梯度迭代硬阈值重构算法

针对基于回溯的迭代硬阈值算法（BIHT）迭代次数多、重构时间长的问题,提出一种基于回溯的共轭梯度迭代硬阈值算法（BCGIHT）。首先,在每次迭代中采用回溯思想,将前一次迭代的支撑集与当前支撑集合并成候选集;然后,在候选集所对应的矩阵列张成的空间中选择新的支撑集,以此减少支撑集被反复选择的次数,确保正确的支撑集被快速找到;最后,根据前后迭代支撑集是否相等的准则来决定使用梯度下降法或共轭梯度法作为寻优方法,加速算法收敛。一维随机高斯信号重构实验结果表明,BCGIHT重构成功率高于BIHT及同类算法,重构时间低于BIHT 25%以上。Pepper图像重构实验结果表明,BCGIHT重构精度和抗噪性能与BIHT及同类算法相当,重构时间相较于BIHT减少50%以上。     

基于交叉熵阈值法的快速迭代算法

针对交叉熵阈值法的时间复杂性过大的不足,提出了基于目标函数最优化原理的交叉熵分割准则的快速迭代算法.大量的实验结果表明,提出的快速迭代算法是有效的.     

基于联合迭代重建技术的超声CT重建算法

在研究超声CT成像原理的基础上,对阵列检测方法进行了探讨。通过对探头布置方式的改进,增加了成像所需的数据量。基于最小二乘方准则,利用联合迭代重建算法,采用四边扫描算法求解相关系数矩阵,通过不断修正误差逼近真实值,进而实现速度矩阵的求取。数值仿真表明：采用上述方法能够明显减小重建误差,改善层析成像效果。     

基于迭代反投影的超分辨率图像重建

提出了一种结合频域运动估计和迭代反投影的超分辨率图像重建算法。根据输入低分辨率序列图像各帧之间的傅立叶变换相位差,估计出每幅低分辨率图像相对于参考低分辨率图像的子象素位移;依据所得的子象素位移并结合迭代反投影算法,实现了超分辨率图像重建。实验结果表明,该算法是一种有效的超分辨率图像重建方法。     

基于混合梯度的硬阈值追踪算法

针对压缩感知（CS）中迭代硬阈值类算法迭代次数多、重构时间长的问题,提出了一种基于混合梯度的硬阈值追踪（HGHTP）算法。首先,在每次迭代中计算当前迭代点处的梯度和共轭梯度,将梯度域与共轭梯度域下的支撑集混合取并集作为下一次迭代的候选支撑集,充分利用共轭梯度在支撑集选择策略中的有用信息,优化支撑集选择策略;然后,采用最小二乘法对候选支撑集进行二次筛选,快速精确地定位正确的支撑并更新稀疏系数。一维随机信号重构实验结果表明,HGHTP算法相较于同类迭代硬阈值算法,在保证重构成功率的前提下,需要的迭代次数更少。二维图像重构实验结果表明,HGHTP算法的重构精度和抗噪性能优于同类迭代阈值类算法,在保证重构精度的情况下,HGHTP算法的重构时间相比同类算法减少了32%以上。     

一种针对基于图像的3D重建网格的简化算法

文章提出了一种针对“基于图像的曲面3D重建网格”的简化算法,利用原曲面光照图像的等灰度值曲线来确定初始简化三角网格,然后通过若干次细分操作改善三角网格的形状,从而形成最终的简化网格。由于所有计算都在平面图像上进行,使得复杂的三维网格简化计算变成相对容易的平面网格简化计算,并同时具有保持原曲面的显示效果的优点。实验结果显示,该算法具有高效的计算速度和良好的显示效果保持特性,并可望应用到更广泛的高度场数据的简化方法中。     

一种改进的三维递归搜索视频去隔行算法

提出了一种改进的三维递归搜索（3DRS）视频去隔行算法，该算法使用双向参考运动估计，消除了原始算法中的误差传递现象，并采用多分辨率分析的思想，根据视频内容自适应的调节误差匹配块尺寸，提高了运动估计的准确度。实验结果表明，对于大多数测试序列，该算法在实验效果上取得了优于原始的3DRS算法的性能。     

基于改进三维形变模型的三维人脸重建和密集人脸对齐方法

针对现在广泛使用的三维形变模型表达能力不够,导致重建出的三维人脸模型泛化性能不佳的问题,提出了一种在姿态、表情和光照未知的条件下的基于单张人脸图片的三维人脸重建和密集人脸对齐的新方法。首先,通过卷积神经网络对现有的三维形变模型进行改进,以提高三维人脸模型的表达能力;然后,基于人脸光滑性和图像相似性,在特征点和像素层面提出新的损失函数,并使用弱监督学习训练卷积神经网络模型;最后,通过训练出的网络模型进行三维人脸重建和密集人脸对齐。实验结果表明,对于三维人脸重建任务,所提模型在AFLW2000-3D上实现了2.25的归一化平均误差;对于密集人脸对齐任务,所提模型在AFLW2000-3D和AFLW-LFPA上分别实现了3.80和3.34的归一化平均误差。与原始使用三维形变模型的方法相比,所提模型在三维人脸重建和密集人脸对齐上的归一化平均误差分别降低了7.4%和7.8%。针对不同光照环境以及角度的人脸图片,该网络模型的重建准确,鲁棒性好,且具有较高的三维人脸重建和密集人脸对齐质量。     

由单幅二维灰度图像重构物体表面形状*

鉴于目前很少有论文讨论完整的由单幅二维灰度图像重构物体表面形状的算法,包括它的控制参数的估计及算法的实现,介绍了一种完整的SFS算法.它在考虑自遮掩影响的情况下,有效地估计了SFS算法中涉及的各种控制参数,并引入亮度约束、灰度梯度约束和可积性约束,计算出表面高度和表面向量,实现三维重构.与传统的算法相比,本算法无论是在速度还是在精度方面都达到了比较高的水平,具有一定的应用前景.最后还指出了在MATLAB中实现需要注意的问题.     

基于改进三维形变模型的三维人脸重建和密集人脸对齐方法

针对现在广泛使用的三维形变模型表达能力不够，导致重建出的三维人脸模型泛化性能不佳的问题，提出了一种在姿态、表情和光照未知的条件下的基于单张人脸图片的三维人脸重建和密集人脸对齐的新方法。首先，通过卷积神经网络对现有的三维形变模型进行改进，以提高三维人脸模型的表达能力；然后，基于人脸光滑性和图像相似性，在特征点和像素层面提出新的损失函数，并使用弱监督学习训练卷积神经网络模型；最后，通过训练出的网络模型进行三维人脸重建和密集人脸对齐。实验结果表明，对于三维人脸重建任务，所提模型在AFLW2000-3D上实现了2.25的归一化平均误差；对于密集人脸对齐任务，所提模型在AFLW2000-3D和AFLW-LFPA上分别实现了3.80和3.34的归一化平均误差。与原始使用三维形变模型的方法相比，所提模型在三维人脸重建和密集人脸对齐上的归一化平均误差分别降低了7.4%和7.8%。针对不同光照环境以及角度的人脸图片，该网络模型的重建准确，鲁棒性好，且具有较高的三维人脸重建和密集人脸对齐质量。     

基于改进PointNet网络的三维手姿估计方法

针对单幅深度图像三维手姿估计中由于手部复杂结构捕捉困难导致的精度低和鲁棒性较差的问题,提出一种基于改进PointNet网络的三维手姿估计方法。该方法首先采用边界框定位网络预测三维边界框,从而准确裁剪手部区域。然后将手部深度图像表示为点云,模拟手部可见表面,有效地利用深度图像中的三维信息。最后将手部点云数据输入改进的PointNet网络,准确地进行三维手姿估计。改进的PointNet网络通过引入跳跃连接,充分利用不同层次的特征,更好地捕捉手部的复杂结构。在NYU手姿数据集上进行验证,实验结果表明,提出的方法优于现有的大部分方法,并且网络结构简单、易于训练,运行速度快。     

改进的基于特征点软组织厚度的颅面复原方法

现有三维颅面复原技术大多依据颅骨特征点的软组织厚度统计值。针对现有统计值指标涵盖的年龄、胖瘦等属性段较宽泛导致复原面貌缺乏个性的缺点,提出了一种改进方法。首先通过CT扫描仪获得颅面样本数据,并通过图像重构获得三维颅骨和人脸模型;然后采用一种半自动特征点标定方法对三维颅骨样本进行特征点标定,并求解特征点软组织厚度;之后采用支持向量回归方法构建特征点软组织厚度与属性之间的函数关系;最后根据待复原颅骨的属性以及回归函数计算特征点软组织厚度,在此基础上采用薄板样条函数对参考人脸模型进行变形获得复原面貌。实验结果表明,相比于已有方法,该方法能获得更准确的软组织厚度,提高颅面复原的准确度。     

基于模糊阈值分割的ECT图像重建方法

电容层析成像(ECT)技术是近年来发展较快的过程成像技术之一,图像重建算法是其应用的关键。但由于ECT的软场特性,重建的图像往往具有边界模糊效应。提出一种基于模糊阈值的ECT图像重建方法。该方法采用Landweber法进行图像重建,引入模糊阈值法确定重建图像的最佳阈值。采用仿真实验对该方法进行了验证,结果表明:该方法重建图像精度较高,具有较大的实用价值。     

基于序列图像的鲁棒三维重建方法

提出了基于序列图像的鲁棒三维重建方法。首先利用两幅图像的最优参数估计,然后添加新图像并采用稀疏调整,减少图像坐标测量值的最小几何误差。通过对三维结构和摄像机参数进行全局优化处理,以提高重建的鲁棒性。实验结果表明,该方法提高了重建的精度和鲁棒性,并真实地再现了物体的三维模型。     

深度学习在单图像三维模型重建的应用

针对基于单图像重建的三维模型具有高度不确定性问题,提出了一种基于深度图像估计、球面投影映射、三维对抗生成网络相结合的网络模型算法。首先,通过深度估计器得到输入图像的深度图像,这有利于对图像进一步的分析;其次,将得到的深度图像通过球面投影映射转换为三维模型;最后,利用三维对抗生成网络对重建的三维模型的真实性进行判断,建立更逼真的三维模型。理论分析和仿真实验表明,与学习先验知识生成三维模型的算法LVP相比,所提模型在真实三维模型与重建三维模型的交并比（IoU）上提高了20.1%,倒角距离（CD）缩小了13.2%。实验结果表明,所提模型在单视图三维模型重建中具有良好的泛化能力。