一种能保留图像边缘信息的去噪新方法

图像处理的目标是消除噪声的同时能保留图像所固有的信息.针对保留边缘信息有效去噪问题,提出了双密度双树复数小波变换的图像去噪方法,该方法综合了双密度小波、双树小波和复数小波的优点,具有更好的方向性,将双树复数小波的6个方向,提高到12个方向,并采用了自适应软阈值对小波变换的系数进行处理,消除图像干扰噪声.本文对加噪图像进行去噪仿真试验,并进一步进行边缘检测,仿真试验结果表明,该方法能有效消除图像噪声并保留图像原有边缘信息,与双密度双树小波相比,去噪效果明显改善,均方误差减小了2.4%.     

时间域航空电磁横向分段组合约束反演

在时间域航空电磁数据反演过程中,为了保证反演结果的横向连续性,往往施加横向粗糙度约束。但是这种横向约束反演需要多个测点同时计算,当测点数增加到一定数量时,计算时间会急剧增加。针对时间域航空电磁数据量巨大的问题,提出了一种横向分段组合约束反演方案。首先,对测线上的测点数据进行分段;然后,对每一数据段同时使用横向和垂向粗糙度约束,并且在数据段之间使用横向先验信息约束;最后,分析横向和垂向粗糙度约束以及横向先验信息约束对反演精度和计算时间的影响。此方案通过分段以减少计算时间,使用横向和垂向粗糙度约束保证较高的反演精度。理论模型和实测数据的计算结果验证了横向分段组合约束反演方案反演精度高,计算时间较少,具有一定的实用性。     

基于乘性规则的支持向量域分类器

该文提出了一种基于支持向量域描述(SVDD)的学习分类器．在两类样本分类中，该算法在训练时通过对1类样本的描述求取包含1类样本的球形边界．然后通过该边界对两类样本数据进行分类，并且在求取边界的优化问题中，采用乘性规则来直接求取Lagrange乘子，而不是用传统的二次优化方法．该文所获得的学习算法和支持向量机(SVM)与序列最小优化(SMO)算法相比，不仅降低了样本的采集代价，而且在优化速度上有了很大提高．通过CBCL人脸库的仿真实验．将该算法和SVM、SOM算法的实验结果进行对比，说明了该学习算法的有效性．     

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器.该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界，然后通过该边界对样本数据进行分类.文章所获得的学习算法和支持向量机（SVM）和序列最小优化（SMO）算法相比，不仅降低了样本的采集代价，而且在训练速度上有了很大提高.在CBCL人脸库和USPS手写数字识别的实验中，给出了该算法和SVM、SOM算法的实验对比结果，说明了该学习算法的有效性。