基于结构特征约束两阶段重构的视频压缩感知

针对现有视频压缩感知多假设预测-残差重构方法重构精度不高的问题,提出一种基于结构特征先验约束两阶段重构的多假设预测视频压缩感知方法。该方法从相似图像块非局部相似性和梯度稀疏性出发,将第一阶段多假设预测重构后的当前帧直接作为第二阶段重构的初始重构帧,利用低秩正则化和全变差正则化再次进行重构,其中低秩正则化矩阵是通过欧氏距离-感知哈希算法获取的图像相似块集合,同时包含帧内和帧间的相似图像块,充分利用帧内帧间的结构相似性,有效提高重构性能,为后续残差重构打下基础。仿真实验表明,所提两阶段重构算法较现有几种优秀重构算法更好地保留了视频帧的细节,并具有更高的重构精度。     

基于低秩约束和边信息的近似消息传递CS重构算法

噪声环境下图像压缩感知(compressive sensing,CS)重构方法的性能会大幅度下降。在近似消息传递(approximate message passing,AMP)算法的基础上,同时利用结构先验信息和边信息来增强AMP算法对噪声的鲁棒性。利用图像中相似块的低秩特性,在反投影的含噪图像中捕获低秩子空间的结构特征;再将含有确定成分的前期重构图像作为边信息，以实现细节的增强。实验表明,本文算法比原始AMP算法在峰值信噪比(peak signal to noise ratio,PSNR)上平均提高了3.89 dB,且获得更加清晰的重构图像;与仅利用低秩特性的AMP算法相比,引入边信息后本文算法在PSNR上获得了0.27 dB的增益,同时增强了重构图像的细节。     

基于非凸加权范数约束的SAR图像降斑

结合相似图像块具有低秩的特性提出了一种非凸加权范数约束(non-convex weighted norm constrain, NWNC)的合成孔径雷达(synthetic aperture radar, SAR)图像降斑方法。首先对每个目标块寻找相似图像块构建相似图像块集合;然后对相似图像块集合的系数矩阵进行NWNC;再利用广义阈值收缩法估计系数矩阵;最后对系数矩阵进行反变换重构出降斑图像。实验结果表明,该方法不仅有效地解决了传统低秩核范数约束不足的问题,而且通过NWNC和广义阈值收缩估计系数使得系数估计更加精确,表现在抑制斑点噪声的同时可以很好地保护图像的纹理细节。     

基于非局部正则化稀疏表示的图像去噪算法

针对K-奇异值分解（sigular value decomposition, SVD）算法存在的问题,结合结构聚类和字典学习,提出了一种基于非局部正则化稀疏表示的图像去噪算法。首先,利用非局部去噪的思想将结构相似的图像块聚类,每一类图像块单独进行字典学习,增强了字典的自适应性;其次,利用稀疏K-SVD替代传统的K-SVD进行类内字典学习,改善了字典的结构性;最后,引入稀疏系数误差正则项来修正稀疏系数以进一步改善图像的重构效果。实验结果表明,与传统的K-SVD算法相比,该算法能够有效地保持图像的结构信息,并且提升了去噪效果,同时,在不降低图像结构相似度的基础上,峰值信噪比很接近甚至部分好于目前先进的去噪算法。     

基于最优路径相似度传输矩阵的链路预测方法北大核心CSCD

为解决现有的基于相似性的链路预测方法忽略了最优路径在节点间传递相似性的能力的问题,提出一种基于最优路径相似度传输矩阵的链路预测方法。首先,分析节点间最优路径对信息传输能力的影响,进而对节点间紧密中心性进行定义;其次,依据最优路径数和中心性构建相似度传输矩阵,综合节点间局部信息和全局属性衡量节点间相似度。最后,将所提方法与其他相似性指标,在6个真实网络上进行实证对比研究。结果表明,所提算法预测精度较高,且算法更加稳定。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

改进混合正则化约束多帧湍流退化图像盲复原方法

针对高速湍流造成成像平台接收目标图像模糊的问题,基于L₀正则化图像盲复原方法,提出了一种改进的混合正则化约束多帧湍流退化图像盲复原方法。首先,根据湍流退化时空变化关系,构建多帧退化图像复原模型描述湍流退化过程。其次,图像正则项在图像梯度L₀范数正则化基础上,增加图像梯度的L₂范数约束,改善复原图像中的阶梯伪像。再次,针对模糊核正则项,依据对湍流退化图像点扩散函数特性分析,提出了L₀-L₂混合正则化约束,保证了支持域的连续平滑特性。最后,使用多尺度图像金字塔的策略优化了求解过程。实验结果表明,该方法较好地复原湍流退化图像,与近年提出的具有代表性算法相比,在视觉效果和客观质量评价指标均有提升。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

非局部正则化的压缩感知图像重建算法

压缩感知(compressed sensing, CS)图像重建算法是CS图像获取问题的一个研究重点。针对传统基于稀疏性先验的重建算法不能有效重建图像的各种结构特征,为了在测量值数量不变的情况下进一步提高图像的重建质量,在稀疏性先验的基础上,引入局部自回归模型和非局部自相似性作为图像额外的先验信息,建立了非局部正则化的CS图像重建模型,并给出了相应的数值求解算法。此外,对于重建模型中图像的自回归参数,给出一种基于非局部相似点的估计方法。实验结果表明,较之传统的稀疏性正则化重建算法和同类的MARX(model based adaptive recovery of compressive sensing)算法,所提算法能获得更高的图像重建质量。     

结合运动补偿的球体双边滤波视频降噪算法

提出一种结合了运动补偿的球体双边滤波（motion compensated sphere bilateral filtering, MCSBF）视频图像降噪算法。在受噪视频图像中,首先利用视频序列中的当前帧和前后多帧图像,通过运动补偿得到当前帧的参考帧。在当前帧和参考帧构成的三维空间中,构建滤波窗为球体的双边滤波器,对当前帧像素进行三维双边滤波、实现降噪。算法能够充分利用视频图像中的空时相关性,在保持视频图像细节的同时、有效地去除噪声。实验结果表明,在提升受噪视频图像主观视觉质量和峰值信噪比（peak signal noise ratio, PSNR）等方面,算法优于空时联合滤波（spatial temporal joint filtering scheme, JNT）、空时转换滤波（spatial temporal varying filter, STVF）、多假设运动补偿滤波（multi-hypothesis motion compensated filter, MHMCF）等经典视频图像降噪算法。     

非凸运动辅助低秩稀疏分解目标检测算法

针对传统低秩稀疏分解(low rank and sparse decomposition, LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD, RNMALRSD)的运动目标检测算法。该算法首先考虑到视频背景的低秩特性,采用非凸γ范数对秩函数进行逼近,考虑视频背景在变换域上仍然具有稀疏性,引入背景在变换域的稀疏先验。其次,引入运动辅助信息矩阵,使其融入前景的运动信息,表示每个像素属于背景的可能性,提高视频运动目标检测的准确度。然后,采用交替方向乘子法(alternating direction method of multipliers, ADMM)对提出的模型进行求解。最后,将提出的方法应用到视频运动目标检测上进行仿真实验。对实验结果的分析表明,提出的RNMALRSD方法比其他基于LRSD的运动目标检测方法具有更高的检测精度。     

半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

Model classification rate control algorithmfor video coding

1 .INTRODUCTIONRate control is ani mportant issue althoughit does notbelong to the normative part in video coding stan-dard . Without rate control many video coding sys-tems can not run smoothly because the client buffermay often under-flow and over-flow when a channelused to deliver the compressed streamis of constantbandwidth. There are several rate control ways for aconstant bit rate videotransmissionsystem.One si m-ple solution is shown in MPEG-2 TM5[1],and it isusedto be a benchmar…