基于小波标架算法的非平稳信号去噪方法

针对传统小波去噪算法存在的时频分辨率低、去噪效果不佳等问题,提出基于小波标架算法的非平稳信号去噪方法.首先,对含噪非平稳信号采样并计算Hilbert矩阵对应的对偶标架,然后以对偶标架作为小波基,对含噪非平稳信号进行小波分解与重构. ricker子波合成非平稳信号的去噪实验表明:该算法能有效去除非平稳信号中混入的随机噪声.与传统小波变化算法对比,该算法的误差更小,去噪效果更好.     

基于无监督学习的编码衍射成像方法研究

编码衍射成像旨在利用衍射强度图样重建原始图像，而现有基于人工设计先验的编码衍射成像算法大都在低信噪比下成像质量低。通过基于深度神经网络学习的深度先验能够解决上述问题，但有监督学习需要大规模样本对，不利于实际应用。针对这一问题，本文提出一种基于无监督学习的编码衍射成像方法。该方法结合双数据保真项、卷积稀疏编码模型和深度图像先验模型构建了能够融合互补先验的优化模型，并利用交替优化方法对其进行有效求解。实验结果表明，提出的方法能够在低信噪比下仅通过单幅编码衍射强度图样重建出高质量的图像。     

基于即插即用2D-FISTA的高分辨ISAR成像方法

基于即插即用框架,将二维快速迭代收缩阈值算法与深度去噪网络DnCNN相结合,提出对不同信噪比回波稳健的逆合成孔径雷达高分辨成像方法PnP 2D-FISTA。首先建立二维ISAR成像的信号模型与稀疏观测模型,给出2D-FISTA成像的迭代公式,然后用DnCNN作为去噪器代替软阈值收缩函数,获得良好的图像重构与去噪性能。仿真与实测数据实验结果表明,PnP 2D-FISTA能在不同信噪比条件下实现高效成像,并具有较好的重构性能与噪声鲁棒性。     

神经过程和运动模型混合驱动的机动目标跟踪算法

针对基于贝叶斯滤波器模型的目标跟踪算法非常依赖先验知识,在复杂场景中跟踪性能下降的问题,提出了一种神经过程和运动模型混合驱动的机动目标跟踪算法。利用神经网络构建一个目标运动的随机微分方程来提高对目标运动的建模能力;使用加速度模型作为领域知识约束目标状态的微分方程,构造一个混合驱动的解码器;利用所构成的混合驱动解码器替换神经过程的解码模块,形成一种无监督学习的混合驱动滤波器。仿真实验结果表明：所提算法同时具有数据驱动和模型驱动算法的优势,依赖先验知识少,能在不同场景下保持稳定的跟踪精度,生成的轨迹较神经过程滤波器更加平滑且具有目标动力学特征;与经典的贝叶斯滤波器相比,所提算法的状态估计峰值误差平均降低了20%。     

基于边缘检测暗通道先验的全变差图像去雾算法

为了恢复有雾图像中更多如边缘、结构等有价值的图像细节信息,文中引入带边缘检测的暗通道先验来估计初始场景深度,提出基于边缘增强的全变差图像去雾模型,证明该模型极小化问题解的存在性和唯一性。进一步,结合原始-对偶方法,设计该模型的快速数值求解算法,并给出了该算法的收敛性结果。最后,数值实验结果验证所提算法的可行性与有效性。     

基于深度卷积神经网络的运动模糊去除算法

为了提高图像去模糊的复原效果和处理速度,提出了基于深度卷积神经网络的运动模糊去除算法。以多尺度图像为依据,构建了基于自动编码器的网络模型。在扩大感受野方面,采用空洞卷积模块提取图像多尺度特征信息,采用残差模块拓宽网络深度,以解决训练过程中图像细节丢失的问题,实现了图像的端到端运动模糊去除任务。在GOPRO数据集和真实测试集上的实验结果表明,该文算法在参数量仅为3.24×10~6的情况下的峰值信噪比(PSNR)和结构相似性(SSIM)指标分别为28.53和0.914 1,运行时间为0.3 s。     

去噪先验驱动的深度神经网络图像超分

为了提高图像超分的质量,将双层卷积神经网络去噪模块嵌入到图像超分任务中,给出去噪先验驱动的深度神经网络图像超分方法.图像去噪模块可以快速灵活地处理不同水平的噪声,所提出的图像超分网络可以很好地实现图像超分复原.用训练好的网络对双三次下采样和高斯下采样的低分辨率图像进行超分测试,复原的高分辨率图像比使用其他图像超分方法具...     

基于生成对抗网络的图像真实噪声去除算法

深度卷积神经网络已被成功应用于图像高斯白噪声的去除。针对去除真实图像噪声的需要,本文提出了一种基于生成对抗网络的去噪算法。生成网络采用U-net结构,并通过嵌入残差密集块以更好地提取图像特征与减少细节丢失。同时,判别网络采用全卷积网络架构来实现图像的像素级分类,以提升判别器性能。此外,设计了一种增强网络结构,以进一步提高去噪图像质量。仿真实验结果表明,该算法视觉效果以及去噪性能指标PSNR、SSIM均优于其他同类算法,能够更有效地恢复图像细节。     

基于注意力特征融合稠密网络的图像去雾算法

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error,MSE)和边缘误差e_○edge.     

基于多尺度特征融合的属性已知人脸图像超分辨率

卷积神经网络凭借其强大的表征能力,在图像超分辨率任务上取得了许多令人满意的结果。许多基于神经网络的方法采用增加网络深度的方式,存在存储空间消耗多、实用性不强的问题。为解决该问题,该文提出一种基于多尺度特征融合的属性感知人脸图像超分辨率网络。该文借助局部残差模块和逐元素相加的融合方式以减少网络复杂性并提炼出表征能力优秀的多尺度特征。该文构建一个可自适应地融合多尺度特征和人脸先验的属性感知模块,使得网络学习到更丰富的语义信息。该文提出的网络由多个网络子模块级联构成,并通过一个多层次特征融合模块进行共同学习。试验表明：该文方法能取得良好的超分辨率性能,输出更加真实的人脸图像,可以通过调整人脸属性信息进行人脸图像生成效果的操纵。     

基于正态反高斯先验模型的小波去噪算法

提出了一种基于正态反高斯先验模型(NIG)的小波去噪算法.将小波系数建模为正态反高斯分布,利用矩估计法计算每个子带内的模型参数;在贝叶斯最大后验概率估计(MAP)准则下推导出与NIG模型相对应的阈值函数表达式,以此对图像进行去噪处理.实验结果表明:该算法与经典的阈值去噪算法相比,具有更好的信噪比和视觉效果.     

基于改进U-Net神经网络的图像去噪算法

针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,提出了一种改进的U-Net网络结构去噪算法。它由去噪模块以及边缘信息提取模块组成,首先,利用U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块,还原出更真实的图像。实验表明,在常见的Set5、Set12、Kodak24和CBSD68数据集测试所提出的算法,在图像的客观评价指标上均优于目前具有代表性的去噪算法,同时图像的边缘细节和纹理特征更清晰真实,视觉效果上更好。     

基于噪点检测与邻域权值内插的彩色人脸图像去噪

该文提出了一种基于彩色人脸图像训练库和Chebyshev不等式的有噪像素点检测算法,并利用像素间的相关性通过邻域权值内插算法,实现了彩色人脸图像的去噪。首先在L*a*b*颜色空间中进行主成分分析(principle component analysis,PCA)重建,然后定义了像素点向量距离差和像素点向量角度差,并给出有噪像素点判决准则,实现了有噪像素点与无噪像素点的区分,最后,利用像素点8邻域信息建立权值内插模型,结合PCA重建图像得到最终的去噪图像。在PIE标准人脸数据库中加入Gauss、椒盐、块噪声对该算法性能进行测试,并与其他几种去噪算法进行比较。实验结果表明:采用该算法去噪的彩色人脸图像具有更加清晰的边缘,保留了更多的有用信息,达到更高的峰值信噪比,且对多种噪声具有较好的去噪性能。     

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

基于保边函数的图像去噪

为解决传统去噪算法对图像平滑区域效果较好,但存在边缘模糊且残余噪声较大的不足,在分析传统各向同性扩散的基础上,以去噪目的为先验知识建立保边去噪模型,提出了基于保边函数的图像去噪算法.该算法对图像平滑区域进行各向同性的平滑处理,保留了传统算法的优点;对图像边缘区域进行各向异性处理克服了传统算法的边缘模糊现象.实验结果表明:基于保边函数的去噪算法具有残余噪声较小和保边性,提高了图像的PSNR和视觉效果.但是对图像中的较小边缘误作为噪声被去除.     

基于随机加速对偶下降算法的分布式网络流量优化

传统的分布式网络流量优化问题大都通过对偶梯度下降算法来解决,虽然该算法能够以分布式方式来实现,但其收效速度较慢。加速对偶下降（accelerated dual descent,ADD)算法通过近似牛顿步长的分布式计算,提高了对偶梯度下降算法的收敛速率。但由于通信网络的不确定性,在约束不确定时,该算法的收敛性难以保证。基于此,提出了一种随机形式的ADD算法来解决该网络优化问题。理论上证明了随机ADD算法在不确定性的均方误差有界时,能以较高概率收敛于最优值的一个误差邻域;当给出更严格的不确定性的约束条件时,算法则可以较高概率收敛于最优值。实验结果表明,随机ADD算法的收敛速率比随机梯度下降算法快2个数量级。     

基于Cross-Validation的小波自适应去噪方法

小波去噪算法中,阈值的选择非常关键.提出一种自适应阈值选择算法.该算法先通过Cross-Validation方法将噪声干扰信号分成两个子信号,一个用于阈值处理,一个用作参考信号;再采用最深梯度法来寻求一个最优去噪阈值.仿真和实验结果表明:在均方误差意义上,所提算法去噪效果优于Donoho等提出的VisuShrink和SureShrink两种去噪算法,且不需要带噪信号的任何"先验信息",适应于实际信号去噪处理.     

基于层间和层内相关性的局域自适应双变量收缩小波去噪

图像小波系数存在很大的相关性．该文考虑到小波系数层间相关性,引入双变量概率分布模型．基于贝叶斯估计理论,得到了相应的非线性阈值函数(双变量收缩函数)．基于小波系数层内相关性,利用双变量收缩作者提出了局域自适应收缩去噪算法．在实验中,将该文去噪结果与Donoho‘s hard thresholding、BayesShrink和HMT作了比较,实验结果显示该文算法能获得更好的去噪效果．     

结合暗通道先验的单幅图像快速去雾算法

基于暗通道先验的单幅图像去雾算法对天空区域的恢复效果不佳,且运行效率较低.为此,文中提出了一种快速、有效的单幅图像去雾算法.该算法首先根据颜色衰减先验建立场景深度模型,并基于场景深度模型估计透射率,再基于局部一致性和暗通道先验得到粗透射率;然后利用图像融合的方法,将基于场景深度模型估计的透射率与粗透射率融合,实现天空区域透射率的修正;最后采用导向滤波细化的透射率复原图像,并对复原图像进行色调调整.实验结果表明,文中算法运行效率高,并且有效地提高了复原图像的清晰度和对比度.     

SPECT局部重建中小波去噪方法研究

针对单光子发射断层成像技术中全局图像重建时间过长的问题,提出了局部重建的思想,同时为了提高局部重建图像的质量,需要在局部重建之前,对投影图像进行噪声去除.利用基于小波变换的复数改进二元萎缩相关去噪法,对噪声投影图进行处理,并利用局部重建算法进行图像的局部重建,在保留图像细节的同时,降低了图像噪声,缩短了重建时间.利用均方误差评价标准,对去噪结果进行评测,结果表明:在局部重建中,利用该方法进行去噪处理具有良好的效果.