基于Matlab的图像复原算法的研究

图像在获取、传输和存储过程中由于受多种原因如模糊、失真、噪声等的影响,会造成图像质量的下降.在对目前有关数字图像复原技术的文献进行理解和综合的基础上,本文主要对EM算法、维纳(Wiener)滤波和NAS-RIF算法进行了探讨,同时对上述算法进行了仿真实现,并分析了实验的结果.     

维纳滤波图像复原技术的研究与改进

图像复原是图像处理中的一个重要问题。对于改善图像质量具有重要的意义。已在实际应用中被证明是有效的重要的图像复原技术有很多,而维纳滤波法提供了一种在有噪声情况下导出反卷积传递函数的最优方法,它是频率域最常用的一种恢复方法。详细研究讨论了对维纳滤波算法的变通与改进,并针对维纳滤波方法恢复运动模糊加噪图像时出现的边界模糊或振铃效应提出了一种改进算法,很好地复原出了图像的重要信息,并具有令人满意的视觉效果。     

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法.用模糊噪声图像作为训练集合,由此得到关联向量回归模型.该模型可用于恢复受不同类型模糊和不同噪声污染的图像.实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性.同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果.     

基于分区的改进维纳滤波图像复原

图像复原技术是图像处理技术中的关键研究内容。由于相机散焦、相机与目标相对运动和噪声等诸多因素的影响,图像质量有所下降。本文针对经典维纳滤波复原方法存在的局限性,提出一种基于分区的改进维纳滤波复原方法。在视觉效果上,该方法不仅可以很好地削弱伪像和抑制噪声,而且能够保持图像边缘。对使用经典方法及改进方法的复原的图像进行进行峰值信噪比评价,结果表明改进方法的峰值信噪比较传统方法有所提高。     

运动模糊图像复原技术的改进算法

提出了一种利用维纳滤波法与图像均衡法相结合的改进算法对运动模糊图像进行复原。对于一幅匀速直线运动的模糊图像,首先根据其频谱图确定图像退化过程的参数,即其点扩展函数(Point Spread Function,PSF);再将点扩展函数代入维纳滤波器的公式中,设计符合要求的γ参数,然后将维纳滤波法与直方图均衡法相结合,形成一个维纳滤波改进算法,对匀速运动的模糊图像进行复原。实验结果表明,通过实验图片直观的对比,改进算法所得到的复原效果明显优于普通维纳滤波法。     

模糊图像复原技术在车牌图像增强中的应用

车牌自动识别系统是智能交通系统的关键技术之一,在获取车牌图像过程中,它存在着各种各样的原因使得捕获的车牌图像质量不高,如车牌图像采集设备本身存在的成像质量较差、大气湍流、成像光源、其他各种原因造成的图像污染等。本文主要通过实验,利用逆滤波和维纳滤波这两种滤波器对退化的车牌图像进行图像复原分析。     

有约束最小平方复原在图像复原中的应用

获取图像的过程中光学系统的像差、大气扰动、运动、散焦和系统噪音等因素会导致图像质量的下降即降质,会造成图像的模糊和变形。该文对图像复原所用的逆滤波、维纳滤波、约束最小平方复原原理进行了论述。维纳滤波复原图像需估计未退化图像和噪声功率谱,在实际中图像和噪声功率谱的比值很难估计,而信号和噪声的方差和期望容易获得,文章论述了在知道信号和噪声的方差和期望情况下实现对退化图像复原的有约束最小平方复原方法的基本原理。并通过实验仿真证明约束最小平方复原在参数选择适当的情况下复原效果优于维纳滤波。     

基于小波域维纳滤波的图像复原算法优化

作为图像复原中一个非常重要的环节,图像去噪是为了取得一个视觉上的高质量图像.通常对小波域维纳滤波的研究都是在图像为零均值的情况下研究,但在现实情况中图像一般不为零均值,于是该文考虑了图像不是零均值的情况,并对局部期望的均方误差参数进行改进,形成参数LSI.通过比较原参数和LSI,根据它们中较小的数进行阈值化处理,选择小波系数,最后进行图像去噪.仿真结果表明,改进后的滤波器对于图像有一个更高的峰值信噪比,有效地改善了小波域维纳滤波算法的性能.     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

基于神经网络的降质图像恢复

以基于离散Hopfield神经网络的图像恢复模型为基础,研究基于神经网络解决降质图像恢复问题. 从Toeplitz循环矩阵和模拟退火算法等二个方面对该算法进行改进,使时间复杂度和空间复杂度大大降低,同时提高了图像的恢复效果. 实验表明,改进算法对于降质图像恢复是有效的,比传统的逆滤波、维纳滤波方法具有更好的峰值信噪比.     

土粒流运动图像模糊退化的恢复

分析了潜土逆转旋耕被抛土粒流运动图像模糊退化机理 ,依据土粒流运动图像的特点 ,针对不同的退化机理分别采用了不同的恢复方法 该文采用带最优窗的维纳滤波恢复方法 ,对土粒流运动模糊退化图像适当进行分区 ,确定了合适于各自图像区域的点扩展函数 ,获得了较为满意的恢复效果 ,为降低后续处理的难度和提高处理精度提供了可靠保证     

基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。     

神经网络在图象复原中的应用

介绍了传统图象复原方法的一些缺陷和神经网络的优良特性，讨论了神经网络在图象复原中的应用，并对基于Hopfield神经网络和多层感知器的两类图象复原方法进行了较深入的探索。     

一类用神经网络实现图像去噪的新方法

提出了一类基于二维细胞自动机(CA)和细胞神经网络(CNN)的图像滤波新方法。通过对两种新的二维CA规则的深入研究，得出了两类CA演化规则能够用于设计新的细胞神经网络，可以实现灰度图像的噪声消除。核心思想是用两个对偶CA规则设计两个CNN网络，联合实现图像滤波处理，能够获得比传统算法好得多的处理速度和效果。仿真结果证明本文的想法是合理的，期望能够在二维CA研究与应用设计方面有所启发和突破。     

Image Restoration After Pixel Binning in Image Sensors

A method was developed to restore degraded images to some extent after the pixel binning process in image sensors to improve the resolution. A pixel binning model was used to approximate the original un-binned image. Then, the least squares error criterion was used as a constraint to reconstruct the restored pixel values from the binning model. The technique achieves about a one-decibel increase in the peak signal-to-noise ratio compared with the original estimated image. The technique has good detail preservation performance as well as low computation load. Thus, this restoration technique provides valuable improvements in practical, real time image processing.     

基于机器学习的住院患者压力性损伤分析与预测

压力性损伤是护理工作的重点,也是评价护理质量的重要指标,设计合理的评估量表和科学预测是预防的关键措施。基于传统的12个指标,再新增3个风险指标,设计更全面的风险评估量表;据此收集一段时间内住院患者的信息,采用卡方检验分析对损伤有显著影响的指标,将患者分为入院时和院内获得性压力性损伤两类,分析其特征、产生部位和分布科室。基于支持向量机、概率神经网络和广义回归神经网络3种方法建立预测模型,在支持向量机中,采用高斯核函数构建模型,并使用遗传算法优化核函数参数。比较4种场景下3种方法的预测精度,支持向量机的预测准确率最高,达到84.68%,另外2种方法的准确率较低,均为82.78%。