一种基于实例的文本图像超分辨率重建算法

为了从一幅包含文字、公式和图形等内容的低分辨率文本图像重建高分辨率图像,提出了一种获取重建图像先验知识的新方法.利用实例图像和图像降质模型建立图像库,图像重建时,将低分辨率观测图像分成若干子块,每个子块分别从图像库中找到一块最佳匹配的高分辨率实例图像块,将这些实例图像块依次拼成一幅大图,并把该大图各点的灰度值作为重建图像各点灰度值的均值,以此先验知识采用最大后验概率(MAP)准则估计出高分辨率文本图像.实验结果表明本文的方法能够取得较好的重建效果.     

基于低秩约束和字典学习的图像超分辨率重建

基于学习的超分辨率重建算法通过对图像的整体信息学习进行重建,没有对图像的内部结构信息特征进行分解考虑.基于图像的低秩稀疏分解理论,本文提出一种新的图像超分辨率重建算法.在研究图像矩阵的低秩部分与稀疏部分信息特征的基础上,结合图像自身蕴含的先验信息,本文分两步对图像恢复重建.首先,将图像的非局部自相似性先验信息引入图像的基本重建模型.在该模型下利用相似图像块矩阵的天然低秩性约束得到初始估计高分辨率图像.第二步,提出一种改进的字典学习算法恢复出初始估计高分辨率图像中缺失的高频成份信息,获得最终的高分辨率图像.为了使高频成份得到更好的恢复,在字典学习样本集的构建阶段应用了一种基于低秩稀疏分解理论的样本集构建方法.实验分析表明,本文提出的算法与现有主流算法相比,在主观视觉效果和客观性能分析上都能显示出更好的优越性.     

挖掘理想重建图像自相似性的超分辨率

为了解决图像超分辨率过程中训练步骤对海量数据的过于依赖、先验泛化能力不强等问题,进一步提高重建图像的质量,提出了一种新的图像超分辨率算法.首先对图像自相似性理论进行扩展,指出理想重建图像自相似性表现极为强烈,而受降质因素干扰的重建图像自相似性则会明显减弱.本文将这一规律视为先验,通过构建联合高斯混合模型对其进行描述,这使得每个重建图像片的自相似性都能够用一个特定的高斯分布进行刻画,最后算法以迭代的方式分片重建整幅高分辨率图像.在为每个高分辨率图像片建模的过程中,为了使训练样本具有较强的一致性,仅使用输入图像中与其空间位置相近的图像片进行训练.该算法避开了易于引入误差的最近邻域查找步骤,且成本函数存在解析解.实验表明该算法重建图像清晰、自然,重建结果中的显著边缘和纹理结构都得到了有效保持,正确的高频信息得到了明显恢复.在将BSD500部分数据集放大3倍的实验中,本文算法的PSNR平均值高于MMPM算法0.529 db,SSIM平均值高于MMPM算法0.030.     

磁共振图像的随机场分割方法

基于Gibbs分布的Markov随机场是一个重要的先验模型,能够简单地通过势能形式表示图像像素之间的相互作用,从而把图像的先验知识和图像分割的数学模型相结合,利用Markov随机场方法提出了脑磁共振图像最大后验概率的分割模型,并通过迭代条件方法求解,与传统的K均值算法作比较,证明了算法的有效性。     

联合稀疏表示和总变分正则化的超分辨率重建方法

为提高基于稀疏表示的图像超分辨率重建的质量,该文提出了联合稀疏表示与总变分正则化的超分辨率重建算法。首先,在字典训练阶段,从具有相似统计特征的训练图片中获取图像块,作为训练字典的样本,并用K-SVD算法进行字典训练,得到高、低分辨率的字典。在稀疏编码阶段,根据局部稀疏编码模型求解出低分辨图像的稀疏表示系数,再利用稀疏表示系数和高分辨率字典对输入低分辨率图像进行重建,得到高分辨率图像。最后,将重建得到的高分辨率图像进行总变分正则化优化,进一步提高重建效果。仿真实验结果表明,该算法在客观评价指标和主观视觉效果上,图像质量都有明显提高。     

单帧学习与多帧重建结合的超分辨率盲重建方法

针对模糊退化PSF未知的图像超分辨率重建问题,提出了一种以学习重建结果为参考的模糊图像PSF辨识与重建方法.对学习重建算法获得的退化图像的恢复结果,采用不同尺度的方向滤波提取恢复效果良好的强边缘区域构建参考信息块,引导最大后验概率框架下的超分辨率重建算法按照正确的PSF重建高分辨率图像.以散焦模糊图像为例进行超分辨率实验.实验结果表明,该算法能够准确辨识PSF,提升了图像重建的质量.     

基于卷积神经网络的图像超分辨率方法研究

结合认知构架ACT-R模型(Adaptive Control of Thought-Rational),基于邻域嵌入算法和深度学习的图像超分辨率重建方法,构建一个应用于超分辨率重建研究的ACT-R研究模型.在匹配阶段,根据低分辨率(Low Resolution,LR)测试图像的结构和内容特征,运用图像的多尺度相似性和非局部相似性,对图像进行特征提取;在选择阶段,把邻域嵌入算法分为两层,进行邻域图像块的寻找,同时构建一个端到端的深层门限卷积神经网络,把从匹配阶段得到的高分辨率无细节小图像块输入到卷积神经网络中并得到输出图像,将输出图像与高分辨率无细节小图像块相加得到该低分辨率小图像块对应的高分辨率小图像块,最后把高分辨率图像块组合成高分辨率(High Resolution,HR)图像.决策阶段,我们进行实验并与其他方法对比.结果表明,该模型对单帧图像具有良好的重建能力,在视觉效果上和客观评价标准上都取得了不错的效果,能够较好的重建低分辨率图像.     

基于稀疏支撑集先验的压缩感知图像序列重建算法

针对现有压缩感知图像序列重建算法重建精度不高、模型参数设置较多的问题,提出了一种结合稀疏支撑集先验和残差补偿的算法.在已知前一帧图像重建结果的基础上,通过求解1个最小化加权l1范数问题得到当前帧图像的初始估计.通过对估计残差进行压缩感知重建并对初始估计加以补偿,得到当前帧图像的最终重建结果.与其他同类算法相比,该算法减少了阈值参数的设置.实验结果表明,在相同的测量值数目下,该算法重建图像的相对误差、峰值信噪比和结构相似度指标均优于同类比较算法.     

基于改进非局部先验的Bayesian低剂量CT投影平滑算法

针对低剂量CT(LDCT)图像质量退化的问题,提出了一种改进的非局部先验模型,并将基于该模型的Bayesian统计算法应用于LDCT投影降噪中.首先将方向性测度引入到传统的非局部先验模型中,构建一种改进的先验模型;同时结合基于加权欧氏距离的距离测度,提高权重系数计算的准确性;然后运用基于该先验模型的Bayesian统计算法对LDCT投影进行平滑降噪;最后依据降噪后投影,利用滤波反投影(FBP)方法进行重建,得到改善的LDCT图像.实验结果表明,与典型的传统LDCT重建算法相比,该算法在抑制噪声、去除伪影的同时,较好地保留了重建图像细节信息.     

基于局部像素嵌入的人脸图像超分辨率重构

利用像素点在邻域空间的线性嵌入关系作为先验约束来重构高分辨率(HR)人脸图像.算法从HR训练样本集中选择与输入人脸最相近的K个样本进行配准,并以配准后的样本作为参考,学习目标图像中像素点的局部嵌入系数.在学习过程中,算法通过自适应调整各参考样本的权重来减小配准误差的影响,并利用总变差最小化约束嵌入系数的平滑度.结合局部像素嵌入关系以及降质模型,算法可以在最大后验估计的框架下实现对目标人脸的超分辨率重构.实验表明,重建的HR图像拥有更加细腻、清晰的局部特征,其平均峰值信噪比和结构相似度分别比对比算法高出1.26dB和0.04.     

基于SCEM-UA算法和全局敏感性分析的水文模型参数优选不确定性研究

 针对复杂非线性水文模型参数识别及不确定性分析问题,引入基于马尔可夫链蒙特卡罗思想的SCEM-UA算法,以岷江流域为研究实例,对降雨径流模型的参数优选问题进行了分析,并探讨了该算法在推求参数后验分布的搜索性能和效率。结果发现,SCEM-UA算法能快速有效地推求出参数后验概率分布。同时,开展基于SCEM-UA算法取样的参数全局敏感性分析,对比参数敏感性和后验分布,表明两者密切相关,敏感性强的参数其边缘后验概率密度分布存在明显峰值,相反,敏感性弱的参数其后验概率分布较为平坦且无规律可循,从而导致模型参数的不确定性大大增强。     

正态模型参数的后验分布及其抽样算法

当正态线性模型中的参数取Jeffreys先验分布时,得到了回报系数和误差方差的联合后验分布和边际后验分布,还特别导出了回归系数某种二次型的分布。利用回归系数和误差方差联合后验分布的分解形式,给出了它们的一种抽样方案。     

基于生成对抗网络与噪声分布的图像超分辨率重建方法

现有的图像超分辨率重建方法都较少考虑真实低分辨率图像中包含的噪声信息,因此会影响图像的重建质量.受真实图像去噪算法的启发,本文引入一个噪声分布收集网络来收集低分辨率图像的噪声分布信息,并采用生成对抗网络的模型设计,提高含噪声图像的重建质量.噪声分布信息会分别输入到超分辨率重建网络和判别网络,在重建过程中去除噪声的同时保证有用高频信息的恢复,另外由于判别网络的能力对整个模型的性能有着重要影响,选择使用 U-Net 网络来获得更好的梯度信息反馈.与经典图像超分辨率重建算法的对比以及消融实验表明,使用噪声收集网络和 U-Net 判别网络后,本文模型在噪声低分辨率图像重建任务中获得了更好的性能.     

马尔科夫链蒙特卡洛地面磁共振信号参数提取

为解决MＲS( Magnetic Ｒesonance Sounding) 信号中乘性噪声干扰的问题,提出了马尔科夫链蒙特卡洛的 参数提取方法。建立MＲS 复包络参数的先验信息模型与似然函数模型,使用马尔科夫链蒙特卡洛( MCMC: Markov Chain Monte Carlo) 方法对参数后验分布进行采样与拟合,在后验分布中出现次数最多、权值最大的数据 作为参数的最优估计值。通过多组不同噪声条件下的MCMC 参数提取结果与非线性拟合方法对比,证明了 MCMC 方法可在乘性噪声的干扰下进行MＲS 信号参数提取,准确度高、稳定性强。     

抗剪强度参数相关变量重构及Copula联合分布模型研究

在实际工程中,大样本的岩土体参数实测值往往不易获取,以抗剪强度参数为例,给出了一种相关变量样本重构方法。首先简要介绍了Ilich算法和Copula函数,基于实际的初始数据,生成了具有指定边缘分布的相关变量样本;并借助Copula函数研究了样本重构前后的联合分布模型,认为与初始样本具有相同最优联合分布的重构样本能更大程度地继承初始数据的信息。以一简单的算例将重构样本应用于可靠性分析中,通过对比分析基于重构样本的Monte Carlo法与设计验算点法,验证了计算结果的合理性。给出的重构方法所得到的样本将与初始样本具有相同的边缘分布信息、相关结构及联合分布模型。     

基于混合先验分布的贝叶斯因子分析模型

针对现有因子分析模型不能充分融合模型参数信息问题,通过研究因子分析模型的统计结构,构造了参数的混合先验分布;利用贝叶斯定理证明了模型因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布.实证研究表明:由于参数先验分布的作用,贝叶斯因子分析结果与传统的因子分析之间存在明显的差异.     

Super resolution reconstruction of moving objects from low resolution surveillance video

Construction of high resolution images from low resolution sequences having rigid or semi-rigid objects with unified motions is often important in surveillance and other applications. In this paper a novel object-based super resolution reconstruction scheme was proposed, in which a six-parameter affine model-based object tracking and registration method was first used to segment and match objects among a sequence of low resolution frames. The motion model was then further extended to the traditional maximum a posterior (MAP) super resolution algorithm. The proposed object tracking and registration method was evaluated by both simulated and real acquired sequences. The results have demonstrated the high accuracy of the proposed object based method and the enhanced reconstruction performance of the extended approach.     

基于AT的锅炉燃烧温度场重建算法研究

为了监控燃烧状态,实现炉内温度分布的测量,提出了一种基于声学层析成像法（AT）的三层递进式网格化温度场重建算法. 该算法在最小二乘法（LSM）确定稀疏网格温度信息的基础上,利用最小二乘支持向量机（LSSVM）建立温度场的细密网格模型描述, 同时为了进一步提高重建精度,LSSVM重建模型的参数通过差分进化算法（DE）进行整定（简称为LLD算法）,从而建立整个待测温度场的细致温度描述. 通过对东方锅炉厂提供的三种不同类型的温度场进行重建,结果及误差分析表明LLD算法可以对待测燃烧区域温度分布信息进行全局性的描述,能实现温度场的高精度重建.     

船舶结构腐蚀检测及腐蚀模型不确定性分析

针对经典的概率论不能有效地处理检测概率的参数不确定性问题，提出了定量分析检测概率参数不确定性问题的贝叶斯方法，并以威布尔分布形式的检测概率为例，推导了量化参数不确定性的放大系数的计算公式。针对传统的数据分析法及专家判断法不能分析模型不确定性更新问题，基于无损检测信息采用贝叶斯更新方法量化了检测概率分布函数的统计模型不确定性，得到了检测概率统计模型权重的后验概率及相应的分布参数的后验概率密度函数。最后提出了分析船体结构腐蚀多层次模型不确定性问题的全概率模型法，并用算例证明了所提方法的有效性。     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．