Robust incremental compensation of the light attenuation with depth in 3D fluorescence microscopy

Fluorescent signal intensities from confocal laser scanning microscopes (CLSM) suffer from several distortions inherent to the method. Namely, layers which lie deeper within the specimen are relatively dark due to absorption and scattering of both excitation and fluorescent light, photobleaching and/or other factors. Because of these effects, a quantitative analysis of images is not always possible without correction. Under certain assumptions, the decay of intensities can be estimated and used for a partial depth intensity correction. In this paper we propose an original robust incremental method for compensating the attenuation of intensity signals. Most previous correction methods are more or less empirical and based on fitting a decreasing parametric function to the section mean intensity curve computed by summing all pixel values in each section. The fitted curve is then used for the calculation of correction factors for each section and a new compensated sections series is computed. However, these methods do not perfectly correct the images. Hence, the algorithm we propose for the automatic correction of intensities relies on robust estimation, which automatically ignores pixels where measurements deviate from the decay model. It is based on techniques adopted from the computer vision literature for image motion estimation. The resulting algorithm is used to correct volumes acquired in CLSM. An implementation of such a restoration filter is discussed and examples of successful restorations are given.     

多自由度系统非线性参数识别的灵敏度方法

为了识别多自由度系统的非线性参数（3次阻尼系数、3次刚度系数和干摩擦力），提出一种基于灵敏度分析用测量响应（位移、速度或加速度）识别非线性参数的方法。将结构抽象为由线性和非线性阻尼、刚度连接的集中质量系统，用四阶Runge—Kutta法求解多自由度非线性系统的振动响应和振动响应对非线性参数的灵敏度。假定非线性参数为零初值，根据计算响应与测试响应的差值，由基于正则化的阻尼最小二乘法迭代识别系统的非线性参数值。算例表明，该方法可以有效地识别多自由度系统的非线性参数。     

复合正则化的图像超分辨率复原方法

图像超分辨率复原是计算机视觉领域的一个基础研究方向.为提高具有高度结构化特征图像超分辨率复原效果,提出了一种基于复合正则化的超分辨率复原方法.该方法整合了多个不同种类范数的正则化项,将具有旋转不变性的方向全变分组稀疏正则化(TI-DTV)方法以及小波分析方法嵌入至目标函数中.全变分组稀疏正则化(TI-DTV)方法是一种可以有效解决高度结构化图像中直线边缘区域超分辨率复原的方法,但TI-DTV中的全变分(TV)和方向全变分(DTV)模型可能会导致图像阶梯化效应(staircase artifacts),而小波分析项则可以提高图像纹理信息的复原效果,可减小阶梯化效应的影响.为了解决不同范数下的混合正则化问题,利用一阶对偶圆锥形解法(TFOCS)的思想,推导出了一阶对偶形式的快速解法.结果表明,在真实图像集的实验中,通过与全变分、小波分析、TI-DTV等超分辨率复原方法的比较,可以明显的看出该方法结果较其他方法更清晰,对直线型结构复原效果有一定的提高,同时保留了更多的细节信息,峰值信噪比(PSNR)和结构相似性(SSIM)也有明显提高.     

基于L1/2正则化的超分辨率图像重建算法

为提高图像重建质量,研究超分辨率图像重建技术与稀疏表示理论,提出一种基于L1/2正则化的超分辨率图像重建算法.将L1/2正则化理论运用到字典学习中,利用学习得到的字典重建高分辨率图像.实验结果表明,该算法的图像重建效果优于基于L1正则化的超分辨率图像重建算法.     

基于自适应滤波的视频序列超分辨率重建

针对视频序列的超分辨率重建,提出了一种动态自适应滤波方法.在最大后验概率估计和加权最小二乘的基础上,给出视频序列超分辨率重建数学模型;深入研究了运动补偿矩阵和权值矩阵的构成和性质;详细推导了自适应滤波器的递推公式;分析了算法的存储与计算复杂度.仿真实验表明该算法的重建结果相当有效,相比双三次插值和无运动补偿的单帧迭代重建,可以获得一定的PSNR增益;与Elad滤波方法相比,具有更小的计算量和更强的自适应性和鲁棒性.     

拉普拉斯多层极速学习机

极速学习机不仅仅是有效的分类器,还能应用到半监督学习中.但是,半监督极速学习机和拉普拉斯光滑孪生支持向量机一样是一种浅层学习算法.深度学习实现了复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题,目前在机器学习领域中引起了广泛的关注.多层极速学习机（ML-ELM）是根据深度学习和极速学习机的思想提出的算法,通过堆叠极速学习机-自动编码器算法（ELM-AE）构建多层神经网络模型,不仅实现复杂函数的逼近,并且训练过程中无需迭代,学习效率高.我们把流形正则化框架引入ML-ELM中提出拉普拉斯多层极速学习机算法（Lap-ML-ELM）.然而,ELM-AE不能很好的解决过拟合问题,针对这一问题我们把权值不确定引入ELM-AE中提出权值不确定极速学习机-自动编码器算法（WU-ELM-AE）,它学习到更为鲁棒的特征.最后,我们在前面两种算法的基础上提出权值不确定拉普拉斯多层极速学习机算法（WUL-ML-ELM）,它堆叠WU-ELM-AE构建深度模型,并且用流形正则化框架求取输出权值,该算法在分类精度上有明显提高并且不需花费太多的时间.实验结果表明,Lap-ML-ELM与WUL-ML-ELM都是有效的半监督学习算法.     

结合稀疏编码模型的多帧图像超分辨率重建

传统序列超分辨率方法对低分辨率视频序列的要求较高,一旦序列中没有包含足够的信息,会造成重建高分辨率图像质量的下降。为此,提出一种结合稀疏编码模型的序列超分辨率算法。利用概率运动场从低分辨率序列中重建一幅高分辨率图像,根据自适应阈值确定重建有效和无效区域,使用稀疏编码模型对无效区域进行补全重建。实验结果表明,该算法可以采用序列自身的信息和稀疏字典中的信息来重建高分辨率图像,在序列信息有破缺时,与仅利用序列自身信息或仅利用单幅图像的算法相比,具有更好的鲁棒性和广泛的适用性。     

诱发电位反卷积技术的不适定问题及正则化解决方法

连续循环平均反卷积 (Continuous loop averaging deconvolution, CLAD) 是近年来用于提取高刺激率模式下听觉诱发电位(Audi t ory evoked potential, AEP)的一种行之有效的方法。但是,CLAD方法在频率域求解时,对 刺 激序列的频谱特性有严格的限制,给应用带来不便和局限。本文提出一种在时域实现反卷积 的方法,将其转化为线性变换矩阵的逆滤波处理。并且利用奇异值分解分析了由不良序列带 来的不适定问题,引入正则化技术改善病态矩阵对重建结果的影响。最后比较了若干种 典型刺激序列和不同噪声条件下AEP的恢复实验,结果表明本方法可以较好地解决不良序列 和一般噪声水平条件下暂态AEP信号的恢复重建。     

基于EMD距离的稀疏自编码器

KL散度在机器学习领域被广泛地用于模型损失函数之中来度量分布的距离。在稀疏自编码器中,KL散度被用作损失函数的惩罚项来度量神经元输出与稀疏参数的距离,使得神经元输出趋近稀疏参数,从而抑制神经元的激活以得到稀疏编码。在WGAN中,Wasserstein距离被用于解决GAN的梯度消失和模式塌陷问题,使得GAN的训练更加稳定。得益于Wasserstein距离在GAN中的成功应用,提出了基于EMD距离的稀疏自编码器SAE-EMD。实验结果表明,相比于使用KL散度与JS散度,使用EMD距离作为惩罚项的稀疏自编码器可以使得真实样本与重构样本之间的重构误差减小,并且随着惩罚参数的增大,编码更加稀疏。     

基于卷积神经网络的多层域自适应滚动轴承故障诊断

针对基于卷积神经网络(CNN)的域自适应技术在提取可迁移特征的训练过程中,存在内部协变量移位的问题,提出一种多层域自适应滚动轴承故障诊断方法.首先,利用CNN提取原始振动数据的可迁移特征;其次,提出了多层域自适应和权重正则化项约束CNN参数,进一步减少可迁移特征的分布差异,从而解决域移位问题;最后,利用凯斯西储大学的滚...