基于稀疏表示的图像超分辨率重建快速算法

基于图像在过完备字典下的稀疏表示,建立了稀疏性正则化的多帧图像超分辨凸变分模型。模型中的正则项刻画了理想图像的稀疏性先验约束,保真项度量其在退化模型下与观测图像的一致性。基于线性化Bregman方法,将正则项替换为其Bregman距离,对保真项进行线性化,从而可将原问题解耦,进而提出求解该模型的两步迭代算法:第一步为仅对正则项的阈值收缩操作,第二步为仅对保真项的梯度下降操作。此方法大幅度降低了计算复杂性,并能够对噪声保持鲁棒。实验结果表明,只需较少次数的迭代就可获得很好的超分辨重建结果,验证了本文模型与算法的有效性。     

一类基于鲁棒统计的噪声抑制变分模型与算法

从最大后验概率估计和马尔科夫随机场出发,将图像梯度场的分布建模为混合加权的容许密度类,利用鲁棒统计学中的Hubber定理,导出了一类鲁棒性密度。建立了一类由L2范数或L1范数数据保真约束和鲁棒意义下的图像正则化项组成的噪声抑制变分模型。提出了该类模型的基于梯度最速下降的有限差分算法。在Matlab集成环境下进行了六组不同噪声抑制变分模型的仿真实验,通过计算峰值信噪比和结构化相似指标给出了性能评价结果。     

基于频率和张量投票的图像去噪及仿真研究

结合人的视觉原理,基于图像局部梯度定义了一种图像频率,以图像频率代替全变分模型中的梯度.同时,把张量投票原理引入全变分模型,构造了一个图像结构显著性函数,代替变分模型中的拉格朗日乘子λ,根据图像不同区域的结构特征,去调节变分模型中正则项和保真项的作用,建立了一种基于频率的张量投票与全变分能量最小化结合的纹理图像去噪新方法.仿真实验数据表明,该模型比其他已有的全变分模型具有明显的抗干扰能力,能够更准确、精细地刻画图像边缘、特征结构和平滑区域,克服了其他全变分模型所产生的阶梯效应和过平滑现象,特别是对于纹理特征丰富和低信噪比的图像,在去除噪声的同时能较好地保持边缘及其他重要特征.     

临近空间高超声速飞行器匹配化滑模姿态控制

针对临近空间高超声速飞行器非匹配不确定性姿态控制问题,提出一种新型匹配化滑模姿态控制系统设计方法。首先将含有非匹配不确定性的模型进行匹配化变换,得到匹配的不确定性模型。采用扩张干扰观测器估计不确定项,用来补偿系统输出量的微分。其次,基于干扰观测器及频域滤波器设计了一种渐近收敛的复合微分器,用来获取系统输出的一阶导数。在此基础上,采用变结构控制方法,提出了一种匹配化滑模姿态控制方法。最后,通过数字仿真验证了该方法的有效性,并与反步法进行了对比,对比结果表明本文的方法具有更好的快速性及鲁棒性。     

图像多相分割的变分水平集方法

基于通用的区域模型和通用的区域划分特征函数提出了一种图像多相分割的变分水平集模型,其中区域模型基于图像噪声分布的最大后验概率,特征函数的定义基于水平集函数的Heaviside函数及区域编号的二进制表达.实现了用N个水平集函数划分2N个区域的划分策略.在能量泛函中增加了水平集函数作为符号距离函数的惩罚项,避免了水平集函数重新初始化的过程.相应的演化方程采用半隐式差分格式进行离散,并给出数值算例进行验证.     

加权变分的图像去噪算法

针对经典的总变分去噪模型边缘信息对噪声敏感且易模糊的缺陷,提出了非线性与线性的加权变分模型。非线性加权变分模型是在总变分模型的正则项中引入权函数,并利用权函数引导扩散,使得新模型在消噪的同时更好地保持图像的纹理特征和边缘信息;线性加权变分模型是对含噪图利用高斯函数进行预处理,再对处理后的图像进行扩散,从而降低计算复杂度。数值实验表明,与经典的总变分模型相比,改进的方法无论是在视觉效果还是峰值信噪比上都有明显的提高。     

基于lk范数正则化的实信号去噪方法

针对实信号去噪问题 ,系统研究了基于lk 范数正则化的去噪方法。在研究和借鉴Tikhonov正则化参数选择方法的基础上 ,给出了基于lk 范数正则化中最优正则化参数的自动选择方法 ,同时给出了正则化方法求解的迭代算法。理论分析和仿真计算结果表明 ,该方法对于加性噪声有较好的抑制能力 ,同时能够有效地保护信号中的重要特征。     

基于扩散张量的自适应正则化变分模型

结构张量是描述图像的有效工具。利用结构张量对图像灰度变化的方向和大小进行判断,提出基于扩散张量的自适应正则化变分模型。该模型将冲击滤波器耦合在其中,使其在恢复图像的同时能有效地增强边缘。同时,给出一种构造正则化参数的方法。仿真实验表明,该模型在对带噪图像进行自适应恢复时,能较好地保护边缘信息,增强纹理特征,得到了较为满意的结果。     

基于Tikhonov正则化理论的时差定位新算法研究

提出了基于Tikhonov正则化理论的多站时差定位新方法.将基于拟最优原则的Tikhonov正则化方法应用于经过线性化处理后的定位方程组的求解,这种方法的优势之一在于它不需要任何关于噪声分布的信息.给出了有关正则解收敛性的理论结果,并介绍了正则化定位的计算方法.在计算机仿真部分,以普通最小二乘定位算法为参照,给出了在不同误差条件下两种算法的定位结果.数据结果显示,正则化定位算法的定位精度相对较高,且抗噪声干扰的能力也较强,这证明了正则化定位算法的可行性.     

用于雷达方位超分辨的范数正则化方法

方位超分辨是国内外雷达界长期以来持续探索的一项技术难题,针对求解过程中所遇到的病态性,本文深入研究了范数正则化方法。利用L₂范数正则化方法对方位超分辨模型进行求解,针对L₂范数正则化方法的不足并考虑到目标信号的稀疏性质,建立了L₁范数正则化模型。为提高求解的计算效率,将其转化为半定规划模型,用预测校正原对偶路径跟踪法进行求解。针对不同信噪比情况进行了计算机仿真,初步结果表明,两种方法都能用于雷达方位超分辨,且在相同条件下L₁范数正则化方法分辨性能更好,具有较强的噪声适应能力,在信噪比低至0 dB时,分辨力提高1.7倍。     

Image decomposition using adaptive regularization and div （BMO）

In order to avoid staircasing effect and preserve small scale texture information for the classical total variation regularization, a new minimization energy functional model for image decomposition is proposed. Firstly, an adaptive regularization based on the local feature of images is introduced to substitute total variational regularization. The oscillatory component containing texture and/or noise is modeled in generalized function space div (BMO). And then, the existence and uniqueness of the minimizer for proposed model are proved. Finally, the gradient descent flow of the Euler-Lagrange equations for the new model is numerically implemented by using a finite difference method. Experiments show that the proposed model is very robust to noise, and the staircasing effect is avoided efficiently, while edges and textures are well remained.     

基于梯度分组的NL-means改进型SAR图像降噪算法

非局部平均降噪（non-local means, NL-means）算法是近期提出的针对高斯噪声的降噪算法,能够有效地保持图像纹理,但是其计算量庞大,而且要求噪声符合高斯分布,这限制了其在合成孔径雷达（synthetic aperture radar, SAR）图像上的应用。利用梯度分组的相似点匹配算法对NL-means算法进行改进,在降低计算量的同时进一步提高降噪质量。针对SAR乘性噪声特点,引入同态变换处理使改进后的算法能够适用于SAR图像降噪。通过仿真实验对本算法进行验证,降噪处理的峰值信噪比比同类算法平均提高3 dB,执行速度比NL-means约提高了3倍。     

基于局部熵的边界与区域水平集图像分割模型

基于图像局部熵提出了一种改进的结合边界信息和区域信息的水平集图像分割模型。利用局部熵构造自适应权重系数,使其能够根据图像性质自适应的决定演化方向,准确引导演化曲线向目标方向移动;然后,根据自适应权重系数定义新的边界指示函数,提高了模型检测弱边界能力,加快了曲线的演化速度;引入Chan Vese (C V)模型作为外部能量项,提高了模型的抗噪性,增强了模型分割灰度不均匀图像的能力。通过图像分割实验,验证模型对初始轮廓以及噪声的鲁棒性、分割灰度不均匀图像的能力,并采用客观数值指标,将所提模型与另外三种模型在分割效率和分割准确性方面进行比较。结果表明,提出的模型增强了对噪声的鲁棒性,提高了分割弱边界图像的能力,而且分割灰度不均匀的图像时也取得了比较满意的效果。     

改进的PCNN与Otsu的图像增强方法研究

提出了基于改进脉冲耦合神经网络(PCNN)与Otsu的图像模糊增强方法，该方法即可有效地去除噪声，又能根据图像灰度性质自动选取最佳阈值，并采用模糊集理论实现了图像的增强。计算机仿真表明，该方法可得到优于传统方法去噪和增强效果，从而验证了该方法的有效性、合理性。     

图像恢复问题的梯度稀疏化正则方法

针对图像恢复中边缘损坏及细节丢失等问题,从分析梯度直方图的分布特征及梯度稀疏性最佳表示出发,提出了一种基于梯度稀疏性的正则方法,建立了具有梯度先验信息的图像恢复模型。该模型不仅能够增强图像的细节特征,而且能够在去除模糊及噪声与保持图像边缘之间取得很好的平衡。设计了一种新的优化算法对模型进行求解。实验结果表明,新算法快速有效且收敛性好, 新模型能够在很好地去除模糊和噪声的同时,有效保留图像边缘及纹理等信息。     

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。     

基于圆投影向量的景象匹配方法研究

景象匹配中经常会出现基准图和模板图之间存在任意角度旋转的情况,传统的结构化模板匹配算法通过逐个比较基准图和模板图对应像素灰度值之间的相关性进行匹配,所以只能工作在小角度旋转的情况下,对任意角度旋转的景象匹配是无能为力的。利用圆的各向同性和投影特征提出了圆投影匹配算法,并对其进行了改进。实验结果表明,两种算法都具有旋转不变性,但是改进后的圆投影匹配算法对灰度变化、噪声、光照以及对比度变化等具有更好的鲁棒性。