基于稀疏图正则矩阵判别分析的高光谱图像分类

光谱和空间信息的联合使用是高光谱图像分类领域的研究热点之一.本文在已有的矩阵判别分析(MDA)模型的基础上,提出了一种基于稀疏图正则的改进模型.在有效融合高光谱图像光谱-空间信息的同时,能充分挖掘无标签样本的信息,从而提升了模型的分类性能.为了验证本文算法的有效性,在两个高光谱数据集上,与多种方法进行了对比.实验结果表明,本文提出的算法优于其他同类算法.     

基于偏微分方程的户外图像去雾方法

户外图像的雾化往往导致色彩降质和对比度降低,有效的去除图像中天气效果对提高视觉系统的可靠性和鲁棒性具有重要意义。根据大气散射物理模型以及有雾图像的色彩与对比度降质同场景点的景深成指数关系的先验知识,分别建立了户外图像全局去雾和局部去雾的能量最优化模型,推导了相应的求解偏微分方程。利用用户提供的简单附加信息,实现了仅从单幅图像恢复清晰图像的去雾算法。实验结果表明：去雾图像的色彩清晰度和对比度有较大改善,具有很好的应用前景。     

高速高稳定耐蚀性化学镀镍工艺的优化

在筛选出合适的化学镀镍的配位剂、稳定剂、加速剂等的基础上,运用正交实验法,以镀速、镀液稳定性及镀层耐腐蚀性为指标,确定了化学镀镍的配方及施镀工艺.结果表明,经过电化学前处理后,采用配方NiSO4·6H2O21.0g/L,NaH2PO2·H2O25.4g/L,乳酸43.2g/L,甘氨酸6g/L,Cd2+2.5×10-3g/L,苹果酸4g/L,CH3COONa8g/L,十二烷基硫酸钠2.0×10-2g/L,pH=4.6～5.1,在90℃下施镀1.5h,镀速15.62μm/h,镀液稳定性125s,镀件耐腐蚀性大于43s.     

基于深度学习的大规模人脸图像检索

针对传统人工设计特征鲁棒性差、检索计算复杂等缺点,提出以深度特征表示人脸图像并采取由粗到细的人脸图像检索方法。首先,使用拥有近四百万张人脸图片的数据库训练卷积神经网络得到人脸特征提取模型;然后进行人脸特征提取、存储和聚类分析;最后,采用由粗到细地检索方式进行人脸检索。在LFW数据库上进行验证,基于深度学习的人脸特征的人脸检索准确率为99.1%,人脸检索时间约0.5s.实验结果表明,基于深度学习的人脸特征鲁棒性强、检索计算复杂度低。由粗到细的检索方法效率高,结果准确率高。     

基于稀疏表示的图像超分辨率重建快速算法

基于图像在过完备字典下的稀疏表示,建立了稀疏性正则化的多帧图像超分辨凸变分模型。模型中的正则项刻画了理想图像的稀疏性先验约束,保真项度量其在退化模型下与观测图像的一致性。基于线性化Bregman方法,将正则项替换为其Bregman距离,对保真项进行线性化,从而可将原问题解耦,进而提出求解该模型的两步迭代算法:第一步为仅对正则项的阈值收缩操作,第二步为仅对保真项的梯度下降操作。此方法大幅度降低了计算复杂性,并能够对噪声保持鲁棒。实验结果表明,只需较少次数的迭代就可获得很好的超分辨重建结果,验证了本文模型与算法的有效性。