广义二次相关时延估计算法改进

在基于TDOA的声源定位算法中时延估计的精确度是关键,时延估计极小的误差也会导致定位结果的偏离,因此为了提高声源定位的精度,必须对时延进行准确的估计.传统的广义互相关时延估计方法是通过添加相应的加权函数来提高语音信号中的有效成分,从而提高时延估计的精度.然而现实中声学环境非常复杂,在较低信噪比的情况下,传统广义互相关时延估计法的性能开始下降,导致时延估计误差变大.针对这一问题提出了一种基于二次相关的广义互相关时延估计改进算法,该方法首先通过滤波器对接收到的音频信号进行滤波,再利用二次相关抑制了噪声对信号的干扰,然后对加权函数进行改进,提高时延估计精度.最后计算机仿真实验表明,无论在低信噪比还是在高信噪比甚至是弱混响的环境下,该方法都获得了较好的时延估计性能.     

基于小波包分解变换的图像数字水印嵌入算法研究

介绍了一种改进的基于小波包分解的自适应数字水印算法.该算法首先对水印图像作预处理置乱,然后对宿主图像进行3层小波包分解变换.在水印嵌入算法中,提出一种基于人类视觉特性(HVS)和小波包基的自适应水印嵌入算法.该算法引入人类视觉特性和基于小波包基的多分辨率嵌入技术,以达到更好的抗攻击鲁棒特性和视觉效果.     

基于期望最大化的K-Means聚类算法

针对高维数据下的聚类效果需要提高,提出一种基于期望最大化的k-means聚类改进算法.该算法在没有降维和破坏原有数据结构的情况下,把期望最大化算法和k-means算法相结合,用期望最大化算法选取k-means的算法的初始聚类中心.并针对高维数据提出一种新的距离算法,代替传统的距离算法.实验结果表明提出的算法的可行性,并且在处理高维数据时的有效性.     

基于流模型的低照度超分辨率重建

将低照度低分辨率图像增强到正常曝光高分辨率图像具有高度的不确定性，即它们之间的映射关系是一对多的.以往基于像素重建图像和确定图像的过程未能捕捉正常曝光图像的复杂条件分布，导致不适当的亮度、残余噪声和伪影.在本文中，通过一个已经提出的标准化流模型来构建这种一对多的关系.一种以低照度图像的特征为条件，学习将正常曝光图像的分布映射为高斯分布的可逆网络模型，这样可以很好地模拟正常曝光图像的条件分布.可逆网络模型的另一个优点是在训练过程中被一个描述正常图像流形结构的损失函数约束.在LOL(Low-light)数据集上的实验结果表明，该方法相比较其他方法，获得了更高峰值信噪比(PSNR),更高结构相似度(SSIM),更少学习感知图像块相似度(LPIPS).