基于组稀疏残差约束的自适应强噪声图像复原算法

组稀疏学习在图像去噪中显示出巨大的潜力,但现有方法仅从图像块级别考虑含噪图像的非局部自相似性,影响了强噪声图像的重建质量.文中在组稀疏复原模型中引入组稀疏残差和全变分正则化约束,将含噪图像复原问题转化为多尺度图像块匹配和减小组稀疏残差;基于干净图像的组稀疏系数预估和多尺度图像块匹配,提出了自适应图像复原迭代算法,以提升组稀疏学习算法的图像去噪和精细结构复原能力.实验结果表明,文中算法能更好地保留图像的细节纹理,减少过平滑和伪影现象,在强噪声图像复原的主、客观综合评价上优于BM3D、WNNM等标杆去噪算法.     

基于随机游走的进化计算社区发现

网络结构关系错综复杂,在复杂网络上寻找最优的社区结构是一个NP-Hard问题,进化计算被认为是解决这类问题的有效方案,人们尝试利用群智能方法来搜索最优的社区结构。目前,针对包含节点属性的属性网络,基于进化计算的社区发现方法还面临若干挑战：（1）基因编码策略都直接或间接采用邻位编码,致使算法的搜索空间受限于拓扑结构,属性信息利用程度低,导致算法精度不足;（2）缺少对社区边缘度较小的节点的考虑,造成社区边界识别较低。针对上述问题,提出了一种基于随机游走的进化计算社区发现算法。首先,设计了一种基于拓扑及属性信息随机游走的社区初始化策略,以准确识别社区边界,提高社区发现的精度。其次,设计了综合考虑拓扑和属性的节点嵌入向量更新策略,使节点的属性信息能够在进化过程中被有效利用,以提高社区划分的质量。通过在真实和人工数据集上实验,验证了提出的新算法能够比现有方法得到更好的社区划分。