一种基于压缩感知的图像去马赛克算法

文中提出了一种基于分块压缩感知的图像去马赛克算法.该算法首先将Bayer色彩滤镜阵列采样值等效为压缩感知理论中感知矩阵采样所得的压缩数据.其次通过结合Bayer色彩滤镜阵列自身特点训练分块稀疏字典.最后在训练所得稀疏字典的基础上利用分块压缩感知重构算法便可精确重构出Bayer色彩滤镜阵列采样结果.由于训练所得稀疏字典能有效降低与Bayer色彩滤镜采样阵列之间的相关性,因此文中所提出的图像去马赛克算法能有效对单一Bayer色彩滤镜阵列采样值进行重构.通过实验验证表明：新的图像去马赛克算法明显优于传统插值算法,重构所得彩色图像在去除假色影响的同时能完整保留原始图像的细节信息.     

基于快速残差插值和卷积神经网络的去马赛克算法

针对传统插值法存在的图像细节不能很好恢复的不足,利用卷积神经网络作为残差插值法的后处理操作,提出了一种基于残差插值和卷积神经网络的去马赛克算法。方法分为初始去马赛克和细节恢复后处理两部分。先用改进的基于梯度的快速残差插值法实现初步去马赛克插值,并针对恢复图像中包含了彩色伪影,细节丢失等问题,再使用深度残差网络学习恢复图像与理想全彩色图像之间的映射,实现后处理。在Kodak数据集和IMAX数据集上的实验结果表明,该方法结果在主观视觉特性和客观评价指标两方面相较于传统方法都有明显改进。     

一种改进的彩色图像去马赛克总变分模型

针对去马赛克总变分正则化模型的不足,提出了一种改进的彩色图像去马赛克总变分模型,将彩色图像的灰度化图像引入到传统彩色图像去马赛克总变分正则化模型中,利用原始对偶不动点算法求解该模型.数值实验结果表明了该模型和算法的有效性和优越性.     

基于流形学习和支持向量机的焊缝偏差识别方法

首先对基于旋转电弧传感的焊接电流信号进行小波滤波,预处理后构建样本数据集。然后建立基于支持向量回归机的Laplace特征映射外延算法,并对样本数据集和新样本进行维数约简,利用维数约简后的样本数据集训练支持向量回归机,并对新样本进行偏差识别。与不进行维数约简而是直接利用支持向量回归机进行偏差识别的方法进行对比实验,表明利用Laplace特征映射进行维数约简能提高焊缝偏差识别的精度。     

基于支持向量回归机的焊缝偏差识别方法

为了提高焊缝偏差识别精度,首先对基于旋转电弧传感的焊接电流信号进行小波滤波,预处理后构建样本数据集.然后建立基于支持向量回归机的Laplace特征映射外延算法,对样本数据集和新样本进行维数约简,利用维数约简后的样本数据集训练支持向量回归机,并对新样本进行偏差识别.最后与不进行维数约简而是直接利用支持向量回归机进行偏差识别的方法进行对比试验.结果表明,利用特征映射进行维数约简能使焊缝偏差识别的精度平均提高25%.     

基于压缩传感理论的彩色图像去马赛克

利用目前最新的压缩传感理论在信号恢复方面的优势,本文提出了一种新型彩色图像去马赛克算法.首先,为了满足压缩传感的约束等距性条件,采用随机马赛克模式得到原始数据;然后把彩色图像去马赛克问题转化为基于压缩传感的信号恢复问题,并充分考虑彩色图像RGB通道的相关性,建立彩色图像的扩展联合稀疏表示模型;最后采用基追踪(BP)算法求解去马赛克问题,得到恢复的真彩色图像.实验证明,本算法能有效减少传统算法恢复图像中出现的锯齿现象,所得到的彩色恢复图像具有更好的视觉效果.客观评价结果显示,本文算法结果的峰值信噪较基于双线性插值和基于梯度等传统算法的结果有明显提高.实验结果验证了本文算法的优越性,显示算法具有重要的应用前景.     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

基于密度聚类的支持向量机分类算法

为了解决支持向量机的分类仅应用于较小样本集的问题,提出了一种密度聚类与支持向量机相结合的分类算法.在密度聚类中,当一个样本点不存在拟密度可达的样本点,则其显著特征即表现为该簇的边缘点,将该点加入约简集合,直至选出样本集合中的所有边缘对象,然后再利用约简集合寻找支持向量.实验表明,采用该算法,分类的准确率可从基于无监督聚类的支持向量机算法的86.81%提升至95.43%,核函数计算量由原数量级109下降到106以下,采取限制密度聚类中的核心点ε-邻域内的反例百分比的方法,可以增加约简样本的个数,可将分类准确率提高5%~8%左右.     

基于奇异值分解与重采样的图像缩放

针对传统方法的缺点,本文提出了一种新的图像缩放算法.经典插值缩放方法忽略了图像纹理之间的突变特性,因而导致高频信息的退化.同时在进行高倍数图像放大的时候,使用该方法容易造成马赛克现象的出现.基于小波变换的图像缩放方法只能够进行原始图像偶数倍的放大,且放大效果并不一定理想.本文提出的图像放大算法,联合使用奇异值分解和重采样操作,对图像进行放大处理,不但可以克服边缘模糊化以及马赛克现象的产生,同时可以进行任意倍数的图像放大.大量实验结果表明,较传统方法而言,本文方法不仅具有良好的视觉效果,同时峰值信噪比以及灰度绝对偏差等客观评价标准也达到一定的性能指标.     

融合有限差分及梯度的Bayer-CFA插值方法

为了实现对边缘像素点的高精度插值,融合有限差分、图像梯度、图像相关性提出了一种先插值再修正的Bayer彩色滤波阵列(color filter array,CFA)插值方法Bayer-CFA。首先,把CFA图像中的已知像素点作为离散的网格节点,利用像素点间的空间相关性构造插值函数。然后,结合色彩相关性设计插值G像素的水平、垂直方向的插值算子,并用梯度信息建立两个方向的权重因子,实现G平面插值;再根据G像素点左右的已知R像素点的对称性及色彩相关性构建插值函数,应用色差公式完成R平面插值,并用与R平面插值相同的方法完成B平面插值。最后,对每个插值结果,在以其为中心的3×3邻域内进行梯度修正,采用梯度信息构造8个方向的权重因子,用像素点的空间位置决定加权系数,以消除不规则边缘及纹理引起的插值误差。仿真结果表明:相较于EET算法,Bayer-CFA的彩色图像峰值信噪比提高了0.57 dB,S-CIELAB空间的色差降低了0.23;Bayer-CFA在使用梯度修正后能减少伪彩色,沿边缘方向的插值有效削弱了锯齿现象,能保留图像的边缘纹理细节。     

利用边缘移动匹配法减少龟纹的重采样算法

提出了一种减少印刷中龟纹现象的重采样算法。采用传统网目铜版方式的印刷工艺需要将一幅原始的数字图像重采样到输出栅格。经典的重采样方法利用一些简单的插值方法计算新采样点的值,这些简单的插值法常会导致图像的高频部分出现龟纹;提出的算法首先对原图像边缘部分的像素点利用边缘移动匹配法寻找边缘方向,再沿边缘方向计算新采样点的值,模拟实验证明,和经典的重采样方法相比,这种算法能较好地消除龟纹又保持了图像边缘特征。     

在线多输出支持向量回归及在投资决策中的应用

提出一种在线多输出支持向量机回归算法：对新到达的样本,利用梯度下降算法,最小化预测结果的带正则项的即时风险,给出回归函数权系数和偏置的迭代公式,完成在线情况下的多输出回归预测．将该算法应用于投资决策,可以在线预测最优投资组合．仿真实验结果表明,该算法计算简单,工作量小,因而更容易实现．     

基于粗糙集的支持向量回归机混合算法

利用粗糙集(RS)对不精确数据的处理能力,生成分类数据的边界集,替代原始样本作为训练集,减少训练集与获取的支持向量的数量,然后使用支持向量机的最小序列优化(SMO)算法改进回归学习机的性能.将粗糙集与SMO回归算法结合提出一种混合函数回归算法RS-SMO-RA.在常用SMO回归算法SMO-RA基础上,扩增一段简短的生成边界样本的算法程序.仿真结果表明,算法RS-SMO-RA的效率更高,且能够改进学习结果的性能.     

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。     

视觉传达的多帧平面图像纹理细节增强算法

为提高多帧平面图像的高清度和质量,提出基于视觉传达的多帧平面图像纹理细节增强算法。根据边缘网络(EdgeNet)算法消除多帧平面图像的噪声干扰,同时强化图像边缘信息,使用色彩映射方程补充图像色彩信息,完成色彩校正,保证视觉传达中色彩的准确率,利用高斯模糊算法提取图像高频信息,通过插值处理得到超分辨率多帧平面图像,经过加窗运算合成超分辨率多帧平面图像,完成多帧平面图像的纹理增强。实验结果表明,采用所提算法的图像纹理细节增强处理的图像更高清、图像质量更佳。     

差分进化算法优化的图注意力网络集成研究

为进一步提升图分类算法的性能和稳健性,提出了差分进化算法优化的图注意力网络集成.首先,通过划分原始样本让不同的基学习器关注数据的不同区域;其次,利用差分进化算法良好的搜索能力,以分类器集成的分类错误率为目标函数优化基学习器的权重向量;最后,在权重向量基础上综合各基学习器的输出作为分类器集成的总体输出.实验引入引文数据集...     

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.     

一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.     

基于邻域粗糙集的极速学习机算法

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测。实验表明ELM算法相比具有更高的训练精度和测试精度。     

特征提取和小样本学习的电力工程造价预测模型

通过特征提取和小样本学习的结合,提出一种全新的基于混合算法的电力工程造价预测模型。利用主成分分析对原始指标进行预处理,消除原始指标之间的相关性,并提取潜在的综合独立指标,将新指标作为输入集构造基于最小二乘支持向量机的预测学习模型,将其预测结果和神经网络模型预测对比分析。并通过不同主成分数目预测结果的比较,确定最优的主成分个数,达到理想的预测效果。实例预测结果表明:该方法可以有效提取原始指标的信息量,在小样本学习方面表现突出,能够达到期望的预测效果。