基于梯度投影的图像盲复原算法

为了利用多帧退化图像信息快速恢复出高质量的图像,提出了一种新的递归梯度投影多帧图像盲复原算法。该算法充分利用多帧图像的先验信息,首先给出一种能够有效抑制噪声放大的新的代价函数,然后通过梯度投影算法对新的代价函数进行最小化以推导出迭代公式,最后通过频率域多次递归迭代运算对退化图像进行复原。模拟实验结果证明该算法运算快速,对于不同高斯噪声级别和不同PSF衰退的图像,均能够清晰地恢复出图像细节特征、同时也能够准确地恢复出衰退PSF。     

基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

多信道图像盲复原算法

为充分利用观测图像中的信息及信息之间的互补性,提高图像复原的质量,提出了贝叶斯框架下的多信道图像盲复原算法。首先,建立原始图像、点扩散函数和观测图像的先验模型,由先验模型得到原始图像、点扩散函数和观测图像的先验概率;然后用伽马分布描述未知的模型参数;最后基于最大后验概率的推导,利用实证分析法估计原始图像和点扩散函数的最优值。实验结果表明,相比单信道的图像盲复原算法,多信道的图像盲复原算法可以得到更好的复原结果。同时,与某些经典的多信道图像盲复原算法相比,提出的算法在复原效果方面具有一定的优势。     

基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

利用SVD对带噪声的模糊图像进行盲复原

介绍了具有非负和有限支撑约束的递归逆滤波器盲图像复原算法。在此基础上，利用分块奇异值分解和压缩技术，提出一种去噪声方法，使得可以复原被噪声污染的具有全黑、全白或全灰的背景和有限支撑的目标图像。计算机仿真结果表明，新的方法具有更好的图像复原性能。     

基于反馈神经网络的图像盲分离

介绍基于神经网络的盲源分离算法的原理和结构,针对基于最小互信息后馈神经网络,建立了新的盲源分离算法,比起简单的独立分量分析,该算法可以更有效地对混合图像进行分离,计算机仿真实验验证了该算法的优良性能.     

针对图像盲去模糊的可微分神经网络架构搜索方法

为了解决设计图像去模糊神经网络依赖大量手工调参的问题,提出一种面向图像盲去模糊的可微分神经网络架构搜索方法。通过设计U型残差搜索空间,将去模糊网络的搜索过程分为9个搜索单元的搜索过程,降低了搜索的复杂度,并设计出一个基于随机游走和最近邻插值的算法,通过模拟相机运动轨迹的方式生成模糊核,进而生成足够的模糊图像用于训练。实验结果表明,该方法明显减少了人工调参的工作量,在GOPRO和Kohler数据集上搜索得到的网络,峰值信噪比相对于基准网络UNet分别提升3.10 dB和1.17 dB,并接近UNet的推理速度。     

基于稀疏编码的图像超分辨率复原

图像超分辨率技术一直是计算机视觉领域研究的热点,为提高图像重建速度与精度,提出了一种稀疏编码与神经网络相结合的图像超分辨率算法。首先利用前馈神经网络严格对应稀疏编码过程中的每个步骤,然后通过反向传播算法对稀疏编码的所有组成部分进行联合训练,得到最为精确的高分辨率图像。级联多个稀疏编码网络增加了算法的灵活性,并减少了伪影。     

基于遗传算法和LM优化的BP神经网络的图像复原算法

提出了一种针对图像复原的GA-BP算法.在对退化图像进行复原的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,充分利用遗传算法的全局搜索性能进行"粗"搜索,当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,将两者结合起来形成GA-BP算法.通过对图像复原后的效果进行比较,实验表明该算法可以有效的应用于图像复原.     

基于改进BP神经网络的白细胞图像分割

采用BP神经网络来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进BP神经网络.提出了一种采用L-M算法的改进BP神经网络.在此基础上建立了基于改进BP神经网络的非线性系统模型.实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像.     

基于交替迭代和神经网络的盲目图像恢复

提出了种盲目图像恢复模型：退化图像经傅立叶变换后在频率域通过交替迭代的方式分解出原始图像和点扩展函数,当大致估计出退化模型的点扩展函数的类型及其参数后,用基于Ｈｏｐｆｉｅｌｄ神经网络的方法进行精确恢复,以提高恢复质量．实验证明,这种恢复模型可以在未知点扩展函数的情况下取得较好的恢复效果．     

神经网络图象原复方法的研究进展

对退化图象的复原问题，特别是对盲图象的复原问题，由于其有广泛的应用前景，因此引起了众多学者的研究兴趣，神经网络因其固有的优点，一直备受各领域研究者的重视，其在图像复原领域的应用也越来越受到广泛的关注，而且其发展正在从对“半盲图象”的复原逐步向对“盲图象”复原过渡，为了使人们对图象复原方法有一系统的了解，以便对从事该项研究的人员有所借鉴，首先简要介绍了图象复原的背景知识，因为只有了解这些基本的概念，理论和方法，同时了解了当前图象复原的其他方法的现状后，才能很好地理解神经网络图象复原的长处和不足，才能把握图象复原的全貌，然后，对神经网络图象复原的数学模型和方法进行了简短的叙述；最后，专注于神经网络图象复原，重点地对这一领域的背景，现有算法，研究进展和现状进行了综述，并展望了今后研究发展的方向。     

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行＂粗＂搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。     

图象数据压缩的BP神经网络方法研究

重点研究BP人工神经网络用于图象数据压缩时,网络拓扑结构变化和算法修正对网络训练时间及重建图象质量的影响,仿真表明：选择合适的网络结构,采用文中给出的快速网络训练算法,可明显加速网络收敛,且网络易避开学习误差的局部极小点,克服网络学习误差收敛刚性。BP神经网络用于图象数据压缩取得了高压缩比和好的重建图象质量。     

基于神经网络和证据理论的图像目标识别研究

提出了一种基于BP神经网络和D-S证据推理的多传感器数据融合图像目标识别算法,利用数据融合的思想对来自目标的多幅图像进行空间域融合处理.首先提取图像的Hu不变矩作为待识别目标图像的特征,尔后针对DS证据理论基本概率指派函数构造困难的问题,用BP神经网络对目标的初步识别结果构造基本概率指派函数,最后用Dempster组合规则对BP网络的初步识别结果进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明了融合识别方法的有效性和鲁棒性,识别率达到100%.     

基于粒子群优化的BP神经网络图像复原方法

针对BP神经网络易陷入局部最小、收敛速度慢的问题,研究了基于粒子群优化的学习算法,给出了具体的算法方案设计,并将其应用于图像复原。首先用高斯噪声对无噪图像进行模糊处理;然后将结果和原图像组成训练对,用于训练优化后的神经网络;最后利用训练好的神经网络对测试图像进行复原,从而达到去除噪声的目的。仿真结果表明,与BP神经网络相比,PSO-BP算法收敛速度快,迭代次数少,复原的图像在归一化均方误差（NMSE）和峰值信噪比（PSNR）的效果更好。     

基于改进的BP神经网络的血液细胞图像分割

采用BP神经网络来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进BP神经网络。提出了一种采用L-M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统模型。实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像。     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。