基于多散射模型的光源退化图像复原方法及应用

由于大气粒子对光的多散射作用非常显著,多散射的一般表现是在各种天气条件下光源周围的辉光现象。针对恶劣天气条件下的光源图像,采用辐射传输方程建立了点光源的多散射模型。根据所得到的点扩散函数对晴朗天气下带有光源的图像添加天气效果,并对恶劣天气条件下的光源图像进行复原,去除光源周围的辉光,从而得到清晰的光源图像。仿真结果证明了该方法的有效性.     

稀疏正则化方法的超声信号反卷积

提出了一种在稀疏分解框架下的超声信号反卷积模型,改善了超声成像的质量。该模型包含两个正则项,分别约束信号的光滑性和字典表示的稀疏性,并应用高阶统计量和MA模型估计系统的点扩散函数。模型直接求解很困难,采用分裂Bregman方法交替迭代求解;并对反卷积的信号进行动态滤波、包络检波、二次抽样、动态压缩、灰阶映射等处理,得到超声灰度图像。实验结果表明,该反卷积方法成像比直接成像的分辨率高,图像的对比度得到增强,斑点噪声明显减少。     

三维反卷积显微成像技术中两种线性算法的比较

针对宽场显微镜下三维显微图像由于光学系统影响产生模糊的问题，分析两种基于线性图像恢复算法在该方面的应用。从理论上，算法实现上 和处理的结果上系统地研究了基优缺点，并在此基础上提出了该线性算法适合二维图像处理。     

基于中频的实时图像盲复原算法

图像盲复原是图像处理中的一个热点课题,但往往因速度过慢而难以应用。为了实现实时图像盲复原,提出了图像“中频域”的新概念,利用中频域可以迅捷准确地估计图像的降质点扩展函数（PSF）和复原图像。其中,提出了一种无任何参数的几何法和特殊的平滑法来有效地定位中频域,并导出了一种新的基于中频域的Wiener滤波来实现图像的快速盲复原。然后,针对适合大量成像系统的G类PSF,利用中频域法和单参数导数拟合法导出了一个新的实时图像盲复原算法,并使用了一种快速平滑法来提高速度。实验证明,该算法具有极速、稳定、参数少、功能多的特点,可用于实时图像的反模糊、细节增强和噪声抑制等处理。     

动目标多视点图像基于标定的去模糊方法

三维视觉检测技术在工业生产线上有着远大的应用前景,由于生产线动目标多视点图像存在模糊问题,然而现有的图像复原技术存在着局限性,使得复原后的图像很难用来进行三维重建,进而也不能实现三维视觉检测。针对这个问题,本文提出了一种新的动目标多视点图像去模糊方法。首先估计出部分视点模糊图像(本文以两个视点的模糊图像为例)点扩展函数。其次根据多视点几何理论,利用相机标定方法,得到各个相机的参数矩阵。结合估计出的部分视点的点扩展函数和相机参数矩阵,以直线运动为例,建立多视点模糊图像的点扩展函数关系。最后在确保各视点模糊路径对应的关系下,对多视点图像进行整体去模糊。一系列实验验证了本文提出的动目标多视点图像去模糊方法的有效性。     

动目标多视点基于标定的去模糊方法

针对三维视觉检测技术应用中动目标多视点去模糊的难题,提出了一种动目标多视点基于标定的去模糊方法.首先估计部分视点模糊图像(以两个视点的模糊图像为例)点扩展函数.其次根据多视点几何关系,利用相机标定方法,得到各个相机的参数矩阵;结合估计出部分视点的点扩展函数和相关参数矩阵,以直线运动为例,建立多视点模糊图像的点扩展函数关系.最后在确保各视点模糊路径对应的关系前提下,对多视点图像进行整体去模糊.结果表明该方法对于对运动模糊图像恢复有很好的效果.     

基于非负最小二乘的矢量阵反卷积波束形成方法

针对现有反卷积波束形成方法无法直接适用于矢量阵等具有移变点扩散函数阵列的问题,本文给出了一种利用非负最小二乘法进行矢量阵这种移变模型的反卷积求解方法。推导了矢量阵的广义卷积模型,并在常规矢量阵波束输出、矢量阵点扩散函数字典、目标函数之间建立差函数方程组,通过最小化差函数的原则来实现对目标函数的求解,从而实现矢量阵反卷积波束形成处理。本文方法同样适用于其他移变模型阵列反卷积求解。对本文方法与传统波束形成、最小方差无畸变响应和多重信号分类方法在主瓣宽度、旁瓣级和稳健性等方面的性能进行了对比分析。结果表明本文方法在存在阵元位置误差情况下具有更窄的主瓣宽度和更低的主旁瓣比。     

基于奇异值分解估计点扩散函数的复原算法研究

基于奇异值分解的性质,从离散退化模型出发,采用理想图像奇异值向量的平均能谱理论,得出用奇异值分解来估计点扩散函数的方法,复原过程用逆滤波法来实现。文中采用奇异值累计和函数的二阶导来确定点扩散函数估计过程中的重组阶数R1,三阶导曲线用于去噪的重组阶数R2的选取。用本文方法进行去噪复原实验,与自动选取法进行比较,去噪复原效果较好。     

基于盲解卷积算法的纤维模糊图像复原

图像采集过程中可能会受到各种情况的影响,如羊绒纤维本身有污损、羊绒纤维制片时受到污损、采集现场光照不均等,这常使羊绒纤维图像中存在一些不可避免的噪声;另外,由于光学显微镜其自身的局限性,会使得采集的羊绒纤维图像的边缘比较模糊.图像复原主要目的是改善给定的图像质量并尽可能恢复原图像.当点扩展函数未知或不确知的情况下,从退化图像中恢复原始图像的过程称为图像盲复原.本文对纤维模糊图像进行了图像盲复原,结果证明该方法能有效还原模糊图像.     

关于卷积成象的注释

本文对用卷积计算光学系统成象的两种图解法进行了注释,并指出应用图解法时需要注意的问题。     

基于深度学习特征表示协同过滤算法

在推荐系统中,单一的学习矩阵分解的内积交互或者利用深度神经网络来捕获用户与项目交互,不足以有效地学习用户与项目的潜在特征.针对这一问题,提出一种在显式反馈与隐式反馈基础上,称为基于深度学习特征表示的协同过滤算法(DLFeaCF).该模型首先学习用户与项目的内积与外积交互;然后在内积的基础上,从隐式映射与特征映射两个方面...     

高斯型点扩散函数边缘拟合模型的研究

采用高斯型点扩散函数拟合方法与理想边缘做卷积得到边缘模型,基于该模型对黑白棋盘的像的边缘像素灰度分布进行拟合,通过比较高斯型点扩散函数与贝赛尔型点扩散函数的拟合效果,研究表明利用高斯型点扩散函数拟合获得的拟合参数比后者更接近给定的初始拟合参数值,边缘拟合效果更好。     

基于OpenCV的匀速模糊图像复原与算法分析

对水平匀速直线运动造成的模糊图像进行频谱分析,估计出模糊距离,进而求得图像的点扩散函数。采用维纳滤波法和投影复原法复原图像,分析这2种算法对模糊距离的鲁棒性。采用OpenCV与MFC函数库作为软件设计基础,实现的软件系统对匀速模糊图像的复原效果比较理想。     

采用特征点提取算法的车牌倾斜校正方法研究

针对车牌倾斜校正问题,首先简介了四种特征点提取的算法,并结合实验结果分析了各算法的优缺点,进而提出了比传统算法更有效的基于非线性双边滤波器的Harris算法,然后提取出车牌区域的字符角点信息,再结合惯性主轴算法对倾斜车牌进行校正。实验结果证明,改进后算法有效地抑制了伪角点数目,提高了车牌角点检测的精度,使得车牌倾斜校正的精确度和实时性大幅度提高。     

亮星与暗星测光方法的对比研究

利用有效点扩散函数和高斯函数分别对亮星和暗星进行拟合测光的对比研究.将国家天文台1m望远镜观测的16幅CCD图像中的星体按其平均光度分为亮星和暗星二类,各自求得它们的有效点扩散函数并进行测量.结果表明:用亮星的有效点扩散函数拟合亮星精度较高,用高斯拟合方法拟合暗星精度较高.有效点扩散函数测量亮星的精度优势明显,对于暗星...     

多层神经网络学习算法的研究

在样本的学习过程中引入了求解复杂优化问题比较有效的多级优化技术，将一个复杂的多层神经网络权值优化问题分解成多个相对简单的优化子问题，然后利用迭代的策略进行求解，并提出了一种改进的ＢＰ算法，提高了学习效率。     

基于人眼视觉特性和模糊集的自适应图像增强算法

根据人眼的视觉特性，利用梯度和差分原理相结合而产生的锐化算子处理图像，进一步提升了图像中细节丰富的区域和灰度变化平坦区域的边缘，然后结合模糊集合理论对不同的区域进行不等的灰度拉伸，提出了一种基于人眼视觉特性的自适应图像增强算法。该算法可有效地在提高图像灰度动态范围的同时，增强图像的细节和对比度。该算法兼有增强和平滑作用，在增强图像的同时，能较好地抑制噪声。     

基于人眼视觉特性的遥感图像融合算法

首先提出基于非下采样Contourlet变换(NSCT,Nonsubsampled Contourlet Transform)的人眼视觉相对对比度灵敏度函数(RCSF,relative contrast sensitivity function)和绝对对比度灵敏度函数(ACSF,absolute contrast sensitivity function)。然后提出了基于人眼视觉对比度灵敏度函数(CSF,contrast sensitivityfunction)的遥感图像融合算法(IFA-CSF,image fusion algorithmof human visual contrast sensitivity function)。IFA-CSF采用NSCT作为多尺度变换工具,对单方向高频子带采用ACSF融合,对多方向高频子带采用RCSF融合,并对8方向高频子带采用先方向分组再融合的方法。实验结果表明,IFA-CSF优于基于传统CSF和基于局部能量的图像融合算法。     

基于ReLU稀疏性的MAXOUT卷积神经网络的数据分类算法

卷积神经网络作为一种具有深度学习能力的人工学习网络,由于其具有权值数量少、网络模型复杂度低以及算法效率高等优点在很多领域被广泛应用,但是其表现在很大程度上依赖于激活函数的选取,而激活函数的选取又比较复杂,大都是依靠经验或者实验来选择,所以这个过程中会出现无先验知识可借鉴或者参数类型繁琐难以较快确定的情况。MAXOUT卷积神经网络的出现解决了激活函数难以选择的问题,在研究M AXOUT网络构架的基础上,针对其不稀疏的特性引入Re LU稀疏单元,提出了一种基于Re LU函数稀疏性的MAXOUT卷积神经网络,并在MINST和CIFAR 10两个数据集上分别进行了数据分类实验。实验结果表明,具有稀疏性的MAXOUT卷积神经网络的分类效果更加理想。