一种鲁棒的稀疏信号重构算法

针对稀疏信号重构性能不稳定的问题,结合半阈值迭代算法,提出了一种鲁棒的稀疏信号重构算法。该算法首先对随机信号采用半阈值迭代算法进行重构,以获得初步的重构信号,然后改变迭代初值和参数初值进行新的迭代计算,同时增加一个新的循环终止条件,在保证算法稳定性与收敛速度的同时,使迭代结果跳出相对误差较大的局部极小点而收敛于误差较小的点成为可能,提高了重构信号的成功率。对该算法进行了信号重构和图像重构2个方面的实验,结果表明,与半阈值算法及相关算法比较,无论是对高斯信号、符号信号还是自然图像信号,该算法重构信号的成功率都有明显提高,较半阈值算法平均提高了约30%~40%,表现出较强的鲁棒性。     

一种新的浮选泡沫图像识别方法

针对灰度共生矩阵法提取的浮选泡沫图像纹理特征相互混叠,不利于聚类和识别的问题,提出一种基于正交保局投影和支持向量机的浮选泡沫图像识别新方法.该方法利用正交保局投影法对原始纹理特征参数进行变换处理,有效改变了不同类别特征参数的聚集程度,并利用支持向量机进行分类.实验结果表明,所提方法的正确识别率能够达到93.5%,与基于最近邻分类器的主元分析法相比,其性能更好.     

全局重建和位置块残差补偿的人脸图像超分辨率算法

针对传统基于学习的人脸图像超分辨率算法存在高频细节信息损失过多问题,提出一种全局重建和位置块残差补偿相结合的人脸图像超分辨率新算法.首先利用高、低分辨率训练集所有样本,使用基于权值学习的全局重建算法得到初步的人脸图像,再结合图像模糊和下采样过程,产生高、低分辨率残差图像训练集,最后使用基于位置块的残差补偿算法,对初步的人脸图像进行高频细节补偿得到最终结果.对比实验结果表明,相比同类基于学习的人脸图像超分辨率算法,在将人脸图像分辨率提高4×4倍的情况下,新算法的平均峰值信噪比可提高0.65～3.55dB,可以更好地重建出局部高频细节信息.     

一种运用显著性检测的行为识别方法

针对传统稠密轨迹行为识别法不能很好地区分行为区域和背景的问题,提出一种运用显著性检测的行为识别方法。考虑到视频显著性在较小的时空范围内变化不大,将视频在时域分割为多个短子视频,并将子视频在空域划分成小块,再以块为基础运用一种两阶段显著性检测方法获取每个子视频的行为区域。在检测的第一阶段,将低秩矩阵恢复算法应用于子视频的运动信息计算其初始显著性,并据此将其内所有块划分为候选前景集合和绝对背景集合;在第二阶段,为了将真正的行为区域从候选前景集合中分离出来,利用绝对背景集合中块的运动信息构建字典,通过加权稀疏表示算法计算候选前景集合中每个块的细化显著性,再通过阈值化获取二值显著图用以指示行为区域;最后,将显著图融入稠密跟踪过程以获取行为区域轨迹用于行为识别。基准数据集上的实验结果表明,该方法能够较好地检测视频中的行为区域,获得的识别率高于传统稠密轨迹法2.5%~4.5%。     

一种压缩域低灰度平滑块数字水印方案

针对数字水印信息嵌入位置问题,提出一种在低灰度平滑块中嵌入水印信息的方案.该方案首先对图像做8X8离散余弦变换(DCT),得到量化取整后的DCT块,然后分别按照每个DCT块DC系数的大小,以及AC系数的方差大小对DCT块进行排序,由两个排序序列确定出一定数量的低灰度平滑块,通过修改这些平滑块低频系数的相位来嵌入水印信息,根据这些平滑块的低频系数均值的正负来提取水印信息,实验结果表明,该方案不仅具有较好的不可感知性,而且对于滤波、压缩、噪声具有较强的鲁棒性,对裁减、缩放和直方图均衡等也具有一定的抗攻击性.     

基于凸集投影和线过程模型的超分辨率图像重建

为了改善超分辨率重建图像的效果，提出了一种基于线过程模型的凸集投影方法。根据先验信息在图像重建中有重要作用的原理，该方法在数据一致性投影的基础上，将描述边缘信息的线过程模型作为图像的一个先验知识，用于重建过程中的平滑性约束投影，从而达到既保存图像的高频分量，又在一定程度上降低平滑区域噪声的效果。实验结果表明，该方法重建结果的视觉效果好于原方法，且信噪比有所提高，尤其是在高抽取率的情况下可以明显减少振铃效应。     

基于自适应L滤波器的脑事件关联电位单次提取

提出了一种基于自适应L滤波的脑事件关联电位单次提取方法。将背景噪声看成一系列起伏状脉冲,利用零交叉方法估计各单次记录信号中噪声的脉冲宽度,取其最大值作为基准参数,自适应地动态确定各单次滤波时所用窗口的大小。在窗口大小确定后,对各单次记录到的信号进行L滤波处理。实验所采用的刺激方式为视频奥德勃（odd-ball)模式,直接对直接数据进行处理。将实验结果与普通叠加平均结果及原始单次记录进行了对比,结果表明脑事件关联电位单次提取效果良好,所提出的方法对噪声的分布和平稳性没有特殊要求,因而具有较强的适应性和稳健性。     

一种基于高阶累积量的复共轭四阶系统辨识方法

研究了利用高阶累积量方法对复共轭四阶系统进行辨识的问题，分析讨论了四阶系统的特点，给出了由连续系统到离散系统的转换公式，并利用基于累积量表示的修正尢勒－沃克方程对该四阶系统进行了辨识。针对估计精度不高的问题，提出了前滤波的方法。在各种不同条件下的仿真对比实验表明，在SNR（Signal Noise Ratio)比较低和两对共轭极点距离相距较近时，基于高阶累积量的复共轭四阶系统辨识方法比普通自相关方法具有更好的辨识结果。     

基于分类与选择机制的鲁棒水印算法

针对用均值滤波计算边缘信息的水印算法会引起图像某些边缘失真的问题,通过分析均值滤波和图像边缘的特性,提出了一个基于分类与选择机制的水印算法.先将图像的8×8像素块划分为边缘块或非边缘块,并根据每一分块选定的离散余弦变换(DCT)的中低频系数的均值挑选出边缘块中不适合嵌入水印信息的分块,再通过增加均值滤波窗函数的长度以尽量减少对DCT系数的改动,得到一个改进的水印嵌入规则.与利用均值滤波计算边缘信息的水印算法相比,基于分类与选择机制的水印算法可以达到更好的不可感知性,同时对多种攻击具有更好的鲁棒性.仿真实验表明,当JPEG压缩品质因子为20时,提取水印和原始水印的归一化相关值平均提高了0.205.     

一种双约束稀疏模型图像修复算法

针对图像处理中需要修复大面积缺损区域的问题,提出一种基于双约束稀疏模型的图像修复算法.该方法首先在已知区域内搜索与待填充目标块相似的样本,将每个样本块都视为一个高维向量,则相似的样本在高维空间中都在目标块的邻域内.假设邻域中的样本处于同一流形上,使用局部线性嵌入方法对未知区域进行估计,然后利用稀疏表示模型得到最终结果.实验结果表明,与传统的基于样本块的修复方法相比较,使用该算法修复后的图像纹理和结构信息更加清晰.