基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题, 提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声. 子空间表示利用光谱频带之间的相关性, 选取合适的正交矩阵, 将高光谱图像投影到低维子空间中, 使提出的算法具有较低的复杂度, 简化去噪过程的同时去除图像中的部分噪声. 去噪过程基于从简化图像中提取的低秩张量进行, 引入加权低秩张量正则化项表征简化图像子空间的先验信息, 基于Tucker分解中核范数的物理意义构建合理的加权机制, 保留高光谱图像的内在结构相关性. 并且设计了一种基于迭代最小化的方法, 用于求解提出的非凸去噪模型. 在模拟和真实数据集上的实验结果表明, 该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

一种声学层析成像温度分布高分辨率重建方法

准确测量温度分布对工业生产具有重要的意义。针对声学层析成像中有限的网格划分数目会影响重建精度的问题，提出TR-RBF(tikhonov regularization-radial basis function)重建算法对温度场进行高分辨率重建。采用Tikhonov正则化对超声飞行时间(time of flight, TOF)重建，得到粗网格下的温度分布，并用局部加权回归法对数据进行平滑处理，进而采用RBF神经网络将粗解进行预测得到细化后的温度分布。通过有噪声和无噪声的数值仿真，本算法与ART、SVD和Tikhonov三种算法相比，在典型峰型温度分布情况下的重建精度提升明显且抗噪性最好。     

基于多模型蒸馏的时间正则化相关滤波跟踪算法

目前大多数基于相关滤波的跟踪方法是通过对模型采取简单的线性加权融合或是将历史模型作为时间正则化项来约束模型更新的方式, 增强滤波器对目标的判别能力, 但这种方式对目标时域信息利用有限, 容易造成模型退化漂移。本文提出一种基于多模型蒸馏的时间正则化相关滤波跟踪算法, 该方法通过收集跟踪过程中利用当前样本产生的独立模型, 在建立包含背景信息的局部样本库中来指导滤波器更新, 以此保留目标在时域中的鲁棒特征。同时，根据每一个模型对当前目标的表征能力不同进行可靠性权值更新。最后，利用交替方向乘子(alternating direction multiplier，ADMM)算法进行模型迭代优化。通过在大量的数据库进行实验, 结果表明本文的方法在精确度与成功率上有了大幅提升。     

基于各向异性的遥感影像匀光匀色算法

为解决现有的遥感影像匀光匀色方法关注重点停留在全局、半全局统计参数的变换基础上，存在全局性的特点，缺乏局部特征信息引导的内容驱动，无法顾及到每张影像内容的差异性，导致匀色效果不佳，影像对比度损失，残留色差明显等问题，本文通过分析影像间出现色差的本质原因，把同名特征在不同观测环境下的观测值作为观测条件，并辅助加以局部空间约束与改正量正则约束，研究构建针对具有重叠区影像集的各向异性优化方法，利用凸优化理论求解出特征点处的改正量，然后以此改正量作为锚点空间辐射至整幅影像，线性加权改正得到最优匀光匀色效果。结果表明本文提出的基于各向异性的遥感影像匀光匀色算法，相对于传统的匀光匀色算法，理论跟完备，无假设条件，效果更佳，重叠区域影像局部范围内色差更小。可见本文提出的匀光匀色算法具有效果的有效性，和对各向异性匀光匀色算法研究的参考价值。     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。