压缩感知重构算法在稀疏信号恢复中的应用

阐述了压缩感知理论产生的背景、基本原理和应用方式,研究了两类压缩感知重构算法的重构思想和方法,并将两类重构算法的典型算法正交匹配追踪和基追踪应用于稀疏信号的重构。结果表明：对于无噪观测和含较小噪声的观测,正交匹配追踪算法从重构频率和重构时间两方面显示出更好的性能。     

a尺度正交双向小波的Mallat算法

研究了a尺度正交双向小波的Mallat算法.引入了正交双向加细函数及a尺度正交双向小波的概念,在此基础上利用a尺度正交双向多分辨分析,得到了正交双向小波的分解与重构的Mallat算法,并给出其矩阵表示,推导了信号分解后完全重构的充要条件.该算法对于能量有限的离散信号的分解与重构有一定的实用价值.     

高维正交双向小波的分解与重构

将正交双向小波推广到高维情形,给出具有矩阵伸缩的高维正交双向小波的概念,研究了高维正交双向尺度函数的完全重构条件和频域表示,以及它的分解算法和重构算法。     

基于双正交小波的快速矢量量化算法

提出了一种用于图象压缩的矢量量化算法．该算法通过构造符合图象小波变换系数特征的跨频带矢量,利用小波系数之间的相关性,提高了图象的编码效率和重构质量．同时,该算法又采用了两种新的矢量量化技术——非线性插补矢量量化（ＮＬＩＶＱ）和渐进构造聚类（ＰＣＣ）,提高了矢量量化的速度和码书质量．实验结果证明,该算法在比特率为０．１７２ｂｐｐ的条件下仍能获得ＰＳＮＲ＞３４ｄＢ的高质量重构图象．研究图象小波变换系数的固有特性是提高矢量量化性能的关键,而提高矢量量化速度是这类算法得以实用的重要前提．     

基于OMP算法的快速压缩感知图像重构

针对正交匹配追踪(OMP)算法在压缩感知理论下的重构效果和所需时间相互矛盾的问题,基于子空间追踪(SP)算法的回溯思想,使用共轭梯度下降算法代替最小二乘法对正交匹配追踪(OMP)算法进行改进.并且对所改进算法的重构精度、重构稳定性进行了仿真实验,结果表明所提算法能保证重构质量良好并且有更好的重构速度和稳定性.     

二维正交小波变换的向量空间算法研究

小波 {ψej,k,m(x ,y) |e=1,2 ,3,j,k,m∈Z}不仅可以构成L2 (R2 )空间的正交基 ,通过小波分解与重构 ,以及对Hj,Gj,H j ,G j 的行向量修改等 ,还可以产生N×N空间的正交基 .同时 ,N×N点阵信号 {Sl,r}( 0≤l,r,≤N - 1)的小波变换等价N×N于空间的正交变换 ,用我们的方法进行信号或图像压缩 ,不涉及对信号或图象进行周期延拓 ,可严格在N×N空间中进行 .首先研究了二维信号的小波分解与重构 ,给出了适用的二维张量积小波的分解与重构公式 .其次 ,给出了信号用分解公式进行小波分解与重构公式进行小波重构后完全恢复原信号的充要条件 ,并对完全重构充要条件的实现作了处理 .最后得到了N×N空间中由小波分解与重构滤波产生的正交基 .这样就推导出对N2 个数据进行小波分解后可精确重构的算法 ,该算法可避免信号做小波分解后在边界处不能精确重构 .     

一种压缩感知中的改进的正则化牛顿算法

提出了一种新的压缩感知重构算法——正则化牛顿算法.该算法结合了牛顿法重建效果好和正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)收敛速度快的优点.并且在此基础上,针对原有的正则化过程进行了改进.Madab仿真结果表明,文中提出的算法在重构精度上要高于正交匹配追踪(Orthogonal Matching Pursuit,OMP)和正则化正交匹配追踪(ROMP),而在迭代次数和重构时间上要低于牛顿法和正交匹配追踪(OMP).     

一种基于图象序列的3D重构算法

提出一种基于图象序列的 3D重构算法。采用共轭梯度法迭代估计射影深度 ,通过矩阵分解方法实现射影重构。然后利用一个 4× 4非奇异矩阵 ,将射影重构变换为欧氏重构。实验结果表明此算法是行之有效的     

用于PACS系统的医学图象量化编码的算法

图象压缩是PACS系统的重要研究部分。作者研究了二维图象小波分解后系数的统计分布与拉普斯分布有很好的一致性；同时，由于不同幅度的小波系数在图象重构中权重的不同，在系数压缩编码时对不同权重的系数采用不同的压缩精度。由此，作者提出了一种适用于PACS系统的图象量化编码算法，该算法以各小波子带图象小波系数的重要统计特征-样本标准差为量化阈值选择依据，精确编码图象重构中权重较大的系数，还利用了人眼的频率视觉特性。实验表明，本算法具有计算简单、不同编码精度时被量化系数可预见的特点，同时在保证图象质量的基础上可获得较高压缩比。     

基于局部性质的改进正交匹配追踪算法

正交匹配追踪算法是一种重要的压缩感知重构算法,针对正交匹配追踪算法中当前信号的最优估计,每一个采样点都有它的局部性质,且相邻采样点之间必然相互影响.本文基于局部性质,对正交匹配追踪算法进行改进,提高了对稀疏参数的估计精度,实现了信号的重构,实验证明了该方法的有效性.     

上市公司资产重组的动因及绩效

随着大量重组事件的涌现，资产重组作为调整国有经济布局的一种重要方式，引起了社会各界的广泛关注和深入研究。大量文献就资产重组理论，重组动因，重组绩效以及它们之间的相互关系进行了研究，但重组动及重组绩效之间的关系却是资产重组研究方面的一个空白。选取1999年深市A股市场中发生过资产重组的公司作为研究对象，对其重组动因进行分类，并选取重组前后的部分财务数据从偿债能力，资产周转能力，主营业务鲜明状况和主营业务赢利能力等方面对重组绩效进行实证研究，然后结合重组动因进行分析以找出重组动因与重组绩效之间的关系。     

非接触式三维重建技术综述

三维重建是获得物体三维信息的技术,是计算机视觉和计算机图形学领域的研究热点,广泛应用在机器人视觉导航、工业制造、医学等领域,具有较高的研究价值。目前,三维重建技术的方法众多,三维重建的外界环境、使用设备和物体的几何形状等因素都会对三维重建效果的准确性、稳定性产生一定的影响。通过分析原理,对主动式三维重建的飞行时间法、光栅重建、结构光重建和被动式三维重建的单目、双目、多目重建等非接触式三维重建技术进行了分析。     

采暖区既有建筑节能改造外部性分析与应用

采用外部性理论和建筑节能理论,界定了采暖区既有建筑节能改造的外部性类型;建立了采暖区既有建筑围护结构改造外部性度量公式、热源热网改造外部性度量公式以及节能改造总的外部性度量公式,并运用公式对包头市口岸小区改造项目的环境外部性进行了测算.结果表明,采暖区既有建筑节能改造存在较强的外部性,而测算既有建筑节能改造项目的外部性正是国家制定相关经济激励政策所需要的依据.     

电容成像图像重建算法原理及评价

对现有的电容成像图像重建算法进行了综述并介绍了其原理,其中包括线性反投影法(LBP)、基于奇异值分解(SVD)的直接算法、Tikhonov正则化方法、Newton-Raphson算法、最速下降法、Landweber迭代算法、代数重建技术(ART)、同步迭代重建技术(SIRT)和基于模型的重建算法。在此基础上使用仿真和实验数据对目前主要使用的线性反投影法、基于奇异值分解的直接方法、Tikhonov正则化方法、Tikhonov迭代、投影Landweber迭代等进行了评价。对它们从电容值误差、图像误差、相关系数和耗用时间几个角度进行了比较,并对今后电容成像图像重建算法的发展方向提出了一些看法。     

基于块对称对叠的多幅图像超分辨率重建算法研究

在进行图像超分辨率重建时,使用多幅图像比使用一副图像能够得到更好的效果,但是目前基于多幅图像的超分辨率重建算法普遍存在重建速度慢、重建质量不够理想的问题。为此,本文构造了一种基于块对称对叠（PsyCo）的多幅图像超分辨率重建算法,首先对低分辨率图像序列进行基于ORB的图像配准,再对配准后的图像进行PSyCo重建,最后对重建的图像进行像素灰度最大值融合。实验结果表明,本文提出的重建算法具有更好的重建效果,并且具有较快的重建速度。     

基于R-line算法的锥形束重构区域

基于R-line算法,对各种锥形束的源轨道的重构区域作了数学描述,给出了重构区域的定义并分析了重构区域的存在性,解析了正交双圆轨道、螺旋轨道以及鞍形轨道等典型轨道对应的重构区域的剖面特征,并讨论了轨道离散化对重构精度的影响.实验结果表明,重构区域的几何参数对空间中的生成点集有控制作用,轨道离散化后的重构点分布具有聚集性,重构剖面上误差分布不均匀.     

基于e~0范数优化算法的图像重建

为了解决稀疏信号的重建问题提出了光滑e0范数优化算法,它与最小1范数优化算法等图像重建的方法相比有很大的不同,着重实验了这种信号重建算法中重要参数的选择,并利用手写体数字图像库为试验样本做了一维信号重建和二维图像重建实验.实验结果证明了基于e0范数优化算法在图像重建时间和重建精度上的优越性,此为后续的图像工程研究奠定了基础.     

一种确定三维锥束CT精确重建域的方法

三维锥束CT精确重建是近几年图像重建领域的研究热点,完全条件、源点轨迹和重建方法是精确重建的主要研究内容。在已知源点轨迹形状和尺寸的情况下,确定物体精确重建的区域,是一个在实际应用中需要解决的重要问题。基于3D Radon变换的性质和三维锥束CT精确图像重建的一般公式,提出了一种在锥束源点轨迹给出之后确定物体精确重建域(ERR)的方法——“Radon壳图解法”。该方法使原有分析复杂轨迹ERR的工作大大简化,且更加直观、有效,使精确重建方法向实际应用又前进了一步。     

改进的空间体素融合方法及其在线重建

目前,随着深度传感器的更新发展,使得三维重建的在线方法得以实现.在线重建的难点在于如何能够在保证较好的重建效果和重建规模的前提下,实时地将多个动态重叠深度图转化成一个三维模型.针对这一问题,本文算法基于空间索引策略构建了一种存取高效的空间体素数据结构,改进了传统体积融合方法中的规则分层网格数据结构,对隐含表面数据进行实时存取与更新的同时,实现大尺度的在线三维重建.这些表面数据仅在观测时存储,并且高效地流入和流出索引表,实现了传感器运动过程中的在线场景重建.算法通过在GPU(Graphics Processing Pipeline)上完成深度图预处理,摄像姿态估计,深度图融合和表面绘制几个核心阶段,实现对细粒度的细节和大尺度的环境进行交互式实时重建.通过实验表明,改进后的重建系统能够在保证重建质量与重建性能的同时,平均重建时间为21.6ms,ICP姿态估计15次,用时8.0ms,平均帧绘制速率提高13.3%,实现了对大尺度场景的实时三维重建.     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.