基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

基于无噪后验错误矢量信号能量的变正则因子仿射投影算法

变正则因子技术是提高仿射投影自适应算法性能的重要方法之一.由于环境噪声的影响,现有的变正则因子自适应算法收敛速度较慢且稳态误差较大,各种测量、评估误差的存在进一步恶化了算法性能.为提高自适应算法的跟踪性能,本文在分析无噪先验错误矢量、无噪后验错误矢量和额外均方错误间关系的基础上,提出通过最小化无噪后验错误矢量信号能量来推导自适应变正则因子表达式的方法.在实践应用中,该方法利用了测量噪声的统计方差特性,并提出一种更加光滑且更加容易控制的指数缩放因子评估方法.系统辨识的仿真结果表明本文方法与传统的变正则因子方法以及变步长方法相比有更快的收敛速度与更低的稳态误差.     

自适应约束下的双边全变差正则化超分辨率重建

在经典的双边全变差( BTV)超分辨率重建中,加权系数和正则化参数的恒定性导致重建结果边缘保持能力受限。为此,提出了一种自适应约束的BTV正则化先验模型。算法首先定义了图像的局部邻域残差均值以区分当前像素属于平坦区域还是边缘区域;然后针对加权系数的不变性导致边缘削弱的问题,利用边缘方向和垂直边缘方向扩散性的不同,设计自适应权重矩阵;最后根据代价函数的极值问题推导出迭代公式,从而进行图像的超分辨率重建,重建过程中采用自适应的方法确定正则化参数,以便求得代价函数的全局最优解,提高了算法的鲁棒性。实验结果表明：与双三次线性插值法和经典BTV算法相比,该算法取得了更好的视觉效果和更高的峰值信噪比,更多地保留了图像的边缘细节信息。     

一种基于多传感器的红外图像正则化超分辨率算法

提出一种红外图像多传感器超分辨率重建算法。 算法存在两个关键点:一是有效利用两类图像的相关性;二是针对红外图像的特点利用其自 身信息 构造正则化模型。采用相位一致性算法提取可见光图像边缘,利用此边缘信息对正则化模型 加权,以 充分利用可见光和红外图像的相关性;将一阶梯度锐化算子引入总广义变分模型,构成针对 红外 图像特点的正则化模型;最后采用一阶主-对偶优化算法求得加权后模型的最优解。实验表 明,本文算法可获得边缘清晰的重建结果,并且有效抑制噪声,在主观视觉效果和客观评价 指标方面均优于其他算法。     

基于Tikhonov正则化方法的移动荷载识别实验研究

根据正交异性板理论和模态叠加法,推导了移动荷载作用下简支板桥的荷载识别方程。为了解决识别方程病态问题,考虑Tikhonov正则化方法,选择最优正则参数值,从而得到方程的正则化解。为了验证Tikhonov正则化方法的有效性,进行了简支板桥的移动荷载识别模型实验,通过实验确定不同速度车辆经过板桥时的应变响应历程,并将所测得数据代入识别方程求得车辆荷载信息。实验和计算结果对比表明,通过引进Tikhonov正则化方法可以获得识别方程的稳定解,提高识别精度,识别结果与实际小车重量吻合较好。     

空间目标图像的非凸稀疏正则化波后复原

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术,效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点,提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中,根据交替方向乘数法将复原模型分解为两个子问题,对凸优化子问题采用快速傅里叶变换求解,对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程,并针对模拟图像和真实空间目标图像进行了对比验证。结果显示:相对于最近的流行算法,提出方法的最大峰值信噪比提高了2dB,最大平均结构相似度提高了0.17,最大信息熵提高了3.85,图像清晰度提高了2.65。     

边缘保持正则化低码率压缩图像后处理算法

从图像恢复的角度,提出以正则化方法完成后处理任务。分析了正则化方法的模型,并给出了边缘保持的正则化函数所应具有的特性。从复杂性、健壮性和对边缘细节粒度控制的能力三个方面选择了相应的势能函数,然后以半二次正则化将能量函数进行转换,使其快速达到最小化。最后给出了整个交替迭代后处理算法的描述。该方法对图像边缘细节具有自适应性,并能较快地取得最小值。实验结果显示,该算法能有效地提高低码率压缩图像的客观质量和视觉效果。     

基于样本个体差异性的深度神经网络训练方法

深度神经网络目前在许多任务中的表现已经达到甚至超越了人类的水平,但是其泛化能力和人类相比还是相去甚远.如何提高网络的泛化性,一直是重要的研究方向之一.围绕这个方向开展的大量卓有成效的研究,从扩展增强训练数据、通过正则化抑制模型复杂度、优化训练策略等角度,提出了很多行之有效的方法.这些方法对于训练数据集来说都是某种全局性质的策略,每一个样本数据都会被平等的对待.但是,每一个样本数据由于其携带的信息量、噪声等的不同,在训练过程中,对模型的拟合性能和泛化性能的影响也应该是有差异性的.针对是否一些样本在反复的迭代训练中更倾向于使得模型过度拟合,如何找到这些样本,是否可以通过对不同的样本采用差异化的抗过拟合策略使得模型获得更好的泛化性能等问题,提出了一种依据样本数据的差异性来训练深度神经网络的方法,首先使用预训练模型对每一个训练样本进行评估,判断每个样本对该模型的拟合效果;然后依据评估结果将训练集分为易使得模型过拟合的样本和普通的样本两个子集;最后,再使用两个子集的数据对模型进行交替训练,过程中对易使得模型过拟合的子集采用更强有力的抗过拟合策略.通过在不同的数据集上对多种深度模型进行的一系列实验...     

不确定成对约束的双对抗流形传播方法

成对约束传播(pairwise constraint propagation, PCP)通常研究的是在初始给定精确的成对约束基础上通过传播学习来增加成对约束的数量,从而给机器学习任务提供较多的监督信息。可是,在现实场景中,有时还有一些不精确的成对约束,因此,如何利用这些不精确的成对约束来提高成对约束传播学习的效果是一个有待解决的问题。针对这一问题,本文提出了一种不确定成对约束的传播方法。主要思想是用两个矩阵分别表示必须链接和不能链接的可能性,两种可能性之间形成对抗,同时两种成对约束之间也存在对抗关系,两类对抗相结合形成一种双对抗结构,作用于必须链接和不能链接的传播过程,使二者的对抗强度在竞争中趋于最小化。我们将该方法称为不确定成对约束传播(uncertain pairwise constraint propagation, UPCP)。在多个数据集上的实验结果表明,不确定成对约束的传播效果不超过但近似于理想化传播效果,在增强现实应用性的同时尽可能地保证了传播精度。     

基于统计最优的近场声全息理论与仿真实验

对统计最优平面近场声全息（SOPNAH）技术进行研究,提出了一种吉洪诺夫（Tikhonov）正则化方法并选择最优正则化参数λ。通过仿真实验验证了结合吉洪诺夫正则化方法的SOPNAH能够对噪声源进行准确定位及实现声场重建,并且重建的精度比传统的方法更高。