基于L0稀疏先验的运动模糊标签图像盲复原

在使用机器视觉对家电产品的标签进行品质检测的过程中,标签图像的清晰度是保证视觉检测顺利进行的关键.为了解决由固定在机器人末端的运动相机拍摄的标签图像存在运动模糊的问题,提出一个基于L0范数的正则化模型.对于模糊的图像,一般的去模糊算法已经探索并使用了大量的图像先验,可以恢复良好的整体视觉效果,但一般的去模糊算法没有充分...     

基于稀疏正则化和渐近边界假设的运动模糊图像盲复原

为了复原因相机抖动而产生的运动模糊图像,提出基于L_p范数和全变分范数的正则化盲复原方法;首先,基于模糊图像的梯度稀疏性建立L_p范数正则化模型,利用全变分范数保持图像的结构信息;然后,根据模糊核稀疏性的先验知识建立模糊核的盲估计模型;最后,提出一种渐近边界假设条件对模糊图像进行扩展以抑制振铃,并通过交替最小化方法分别求解清晰图像和模糊核的估计值。结果表明,所提出的方法简单、可行,具有更好的图像复原效果。     

基于正则化方法的毫米波图像亮温反演

为了提高毫米波辐射图像的分辨率,该文采用正则化的方法对毫米波图像进行亮温反演。根据毫米波辐射图像的退化因素,分析了毫米波辐射计天线的亮温模型,给出了毫米波图像的离散退化函数。引入半二次正则化方法对毫米波图像进行亮温反演,该方法可以将图像退化函数从病态方程转换成确定性迭代算法,从而快速解出高分辨毫米波辐射图像。仿真结果表明该方法有效地提高了图像的分辨率,且所需时间短,满足实时性的要求。     

基于相关熵和流形正则化的图像聚类

近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解（Non-Negative Matrix Factorization,NMF）作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术（Half-Quadratic Optimization Technique,HQ）进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.     

基于自适应正则化的序列图像超分辨率复原

基于序列图像的超分辨率复原算法能够利用更多的先验信息,复原效果明显优于基于单帧图像的复原算法,目前已经成为图像复原领域的主流研究方向.本文提出了一种基于自适应正则化的序列图像超分辨复原方法,能够充分利用序列图像的先验信息,有效抑制了复原图像中存在的振铃效应.同时,本文算法可以更好地恢复图像边缘信息,较好地平滑噪声,得到的复原图像与Hardie等提出的非均匀插值算法的复原效果相比,在峰值信噪比以及主观视觉效果方面均有所提高.实验结果表明,本文所采用的方法能够达到较好的复原效果,是可行和有效的.     

基于小波变换的正则化图像恢复方法研究

介绍了基于小波变换的正则化图像恢复方法,它利用图像小波变换后各个子频带所具有的不同的频率选择性和不同的方向特性,对各子频带采用不同的正则化参数和正则化算子,将图像分解为一个低频子频带LL和三个高频子频带,然后对原图像的各个子频带图像分别进行迭代恢复,使各个子频带分别收敛于其最大信噪比。     

稀疏正则化及其在医学图像复原中的应用

论文旨在对受模糊和噪声影响的医学图像进行恢复.极小化由保真项构成的能量泛函是图像恢复普遍采用的方法,然而由于该极小化模型的不适定性,对其添加适当的正则化项是必要的.利用医学图像梯度稀疏这一先验条件,对极小化模型添加l_q正则化项.l_q正则化项的添加保证了图像梯度的稀疏性,也使我们不得不求解一个非凸优化问题.利用交替迭代的半二次分裂算法实现对该非凸问题的求解,并给出了该算法的收敛性分析. Shepp-Logan影像模型和MRI图像的数值仿真实验验证了本文的相关理论.基于研究结果,l_(1/2)正则化方法对梯度分布稀疏的医学图像具有良好的降噪与去模糊效果.     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

基于空域正则化的模糊图像复原方法

以解决病态问题的正则化技术为基础,针对模糊图像的复原问题提出了一种新的空间域复原方法。在空间迭代运算中引入自适应的正则化参数,使其自动修正到最优,通过锐化图像进行后续处理,由此增强了原图像中重要的信息及边缘纹理部分。计算机仿真结果表明,与传统的迭代正则化方法相比,该方法的复原图像在改进信噪比数值(ISNR)和主观视觉效果上都有明显提高。     

基于自回归正则化和稀疏表示的图像超分辨率重建

针对图像超分辨率重建中稀疏系数解不精确和重建图像质量不理想的问题,本文提出了一种空间自回归正则化的超分重构算法.该重构算法联合稀疏K-SVD方法训练一个具有相同稀疏系数解的相对应于高低分辨率图像块的字典对,在此基础上利用自然图像本身具有的局部自回归性先验知识来对图像进行处理,经过模型的训练和选择引入正则化项,实现图像的局部约束,从而完整构造了基于正则化的稀疏编码目标函数,为了进一步实现图像去模糊得到清晰图像,利用退化模型实现全局约束.实验结果表明:与Bicubic、NE和SCR等算法相比,本文算法在主观视觉效果和客观评价指标方面都有了一定地提升.     

基于稀疏贝叶斯回归的正则化核密度估计算法

为了加快核密度估计(KDE)的计算速度,简化模型复杂度,提出了一种基于稀疏贝叶斯回归的KDE稀疏构造算法SBR-KDE.该算法将经人工加噪处理后的分布函数逼近值作为输入,获得了KDE的极为稀疏表示形式.实验结果表明:与传统KDE算法相比,在保持相当计算精度(多数情况下降低了模型误差)的情况下,文中算法的时空效率大幅度提高,而且在小样本训练集条件下得到的密度估计更光滑;独立成分分析及高斯化变换的应用使文中算法在一定程度上缓解了维数灾难.     

基于偏微分方程的图像正则化恢复算法

总结了作用于数字图像的基于偏微分方程的正则化方法,确定了一个基于迹的方程的一般形式,统一了不同的正则化方法的标准,在此基础上提出一对新的图像平滑函数.用该函数处理噪声图像,在噪声消除的同时能保持良好边缘,且避免了原PDE算法处理图像时常出现的块效应.     

解凸二次半定规划的过滤集-正则化方法

给出求解一种特殊凸二次半定规划的过滤集-正则化方法,并对其全局收敛性进行分析.最后还提供此算法的初步数值试验结果.     

图像恢复的分块正则化Gmres方法

利用分块Gmres算法在处理大规模线性方程组时具有的优势,将其同正则化技术‘相结合应用于图像恢复领域,提出一种新的图像恢复的方法．该方法考虑了图像恢复中的时间复杂度与空间复杂度2个方面．数值模拟时,对不同的方法进行了对比分析,结果表明所提出的方法能够明显改善图像恢复的质量．     

基于多参数正则化的高分辨率图像重构算法

根据完全重构滤波器的性质,提出一种基于多参数正则化方法的高分辨率图像重构算法。该算法利用多参数正则化方法,恢复图像的高频部分,然后将恢复的高频信号与低频部分叠加,得到重构的高分辨率图像。由于该算法沿不同滤波方向选取不同的正则化参数,因此有效地抑制了噪声对重构图像的影响,改善了图像在边缘部分的重构效果,从而弥补了己有方法的不足。对所提出算法的收敛性进行了分析,并通过数值实验验证文中所提出算法的有效性。     

基于高斯核的正则化策略

以正则化思想为基础,介绍了基于高斯核来构造正则算子的方法,使其对噪音进行过滤,并证明了类似于正则化方法中选择参数的偏差原理.     

稀疏约束的正则化方法

给出了一个奇特的正则化方法的理论分析并用来解决(非线性)反问题,从而将正则化方法推广到稀疏域上.考察特定的Tikhonov正则化方法的稳定性和收敛性.将这种正则化方法用于传统的连续的lp空间,由于这是稀疏域上的正则化方法,所以将p限定于0到1之间.当p1时三角不等式不再成立并且会得到一个带有非凸限制条件的伪Banach空间,证明了在传统的环境下最小值的存在性、稳定性和连续性.还给出在各自的传统假设下拓扑Hilbert空间下的收敛速度.     

一种新的正则化图像重建算法及参数优化

针对电学层析成像技术的反问题求解,提出一种新的正则化图像重建算法及正则参数选择方法.采用最小二乘拟合法构建正则参数与评价参数的Matlab数学模型,取极值获得正则参数值;利用COMSOL Multiphysics建立仿真场域,最后利用Matlab求解反问题,重建图像.通过对重建图像及评价参数的对比分析,验证了方法的有效性.结果表明,所用方法及正则参数能够有效改善反问题的病态性,使反问题的求解质量最优.     

基于PDE的图像分解与边缘检测的一种新方法

Luminita A.Vese和Stanley J.Osher提出的卡通—纹理图像分解模型,能将一幅自然图像中的卡通部分和纹理部分分开,但是分解不完全,卡通部分还含有一些纹理信息且边缘容易被模糊。在Vese和Osher卡通—纹理分解模型的基础上,运用半二次规整化方法,得到联合图像分解与边缘检测的新模型。并讨论了其中边缘正则项的三种形式。数值实验表明新模型C使得卡通—纹理分解与边缘提取同时进行,在保持卡通图像较好光滑性的同时,能有效地保护边缘细节的信息,使得图像分解更彻底,提取的边缘信息更准确。     

基于人工加噪正则化与稀疏贝叶斯回归的核密度估计稀疏构造算法

核密度估计(Kernel Density Estimation,简称KDE)算法是当前最有效和应用最广泛的一种非参数密度估计算法,其主要缺点在于二次的算法复杂度,与训练集容量正相关的空间复杂度以及高维密度估计中的性能降低.为了加快KDE的计算速度,简化模型的复杂度,提出了一种新型的基于稀疏贝叶斯回归的快速的KDE的计算模型,该模型用经过人工加噪处理过的分布函数逼近数据作为输入数据,获得了KDE的极为稀疏的表示.在一元和二元人工数据集上的实验结果表明,该算法与传统的KDE算法相比,在保持了相当的计算精度(多数情况下降低了模型误差)的情况下,将算法执行的时空效率大幅度提高,而且该算法在小样本情况下,得到的密度估计也更为光滑. 二元人造数据集上的初步实验结果还表明通过应用数据高斯化技术得到的算法的多元扩展在一定程度上缓解了“维数灾难”.