两个猜想在非欧空间的实现

将涉及两个三角形的边长与高的两个猜想推广到２维非欧空间．     

基于增量优化传递的正电子发射断层图像重建

将增量优化传递算法用于正电子发射断层图像重建中,得到一种新的最大后验概率图像重建算法,实验结果表明,相对于滤波反投影和最大似然期望值最大化算法,有序子集可分离的抛物面型替代函数算法和发射增量优化传递算法得到的图像归一化均方误差较小,且边界得到一定的保持.在迭代的初期,有序子集可分离的抛物面型替代函数算法收敛较快,误差小;当迭代到一定的次数时,发射增量优化传递算法误差小,且能够有效收敛,对发射扫描断层图像重建产生重要的影响.     

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.     

基于GMM的"时间-空间分布模型(TSDM)"及其在说话人辨认中的应用

提出了一种新的注册者模型——“时间一空间分布模型（TSDM）”,传统GMM用参数表征训练矢量的空间分布,但舍弃了训练矢量间的时间联系信息,而TSDM利用基于GMM中均值矢量的高阶协方差矩阵,可向训练矢量的空间分布模型中引入一定程度的训练矢量间时间联系．还给出了TSDM的判据生成方法．实验表明,TSDM能在长训练语句时获得与传统GMM相当的识别性能,在短训练语句时表现得更优秀．     

基于拉普拉斯模型的双树复小波域图像降噪

分析了图像复小波变换的特点,根据复小波系数服从拉普拉斯分布的特性,采用最大后验概率估计,推导出一种复小波域的软阀值去噪方法。在实验中,分别与图像小波域、复小波域的高斯概率分布模型的去噪方法进行对比分析。结果表明,文中的去噪方法,在去除噪声的同时更好地保留图像的细节信息,且峰值信噪比有所提高,取得很好的降噪性能。     

基于高斯混合模型的腹主动脉图像分割

为了有效地分割腹主动脉图像,提出了基于适度空间约束的高斯混合模型分割算法.该算法将三维空间邻域信息融入高斯混合模型中,利用最大期望算法(EM)获取腹部血管灰度图像的估计参数,从而分割出血管图像.实验结果表明:所提出的方法不仅能准确地分割腹主动脉的血管分支图像,而且对于图像噪声的抑制有较好的效果.     

基于鲁棒估计的图像恢复耦合变分模型及其应用

从最大后验概率估计出发,分析了一类图像恢复变分模型与贝叶斯方法的统一性.将图像的梯度场的分布建模为ε-容许密度类,利用鲁棒统计学中的Hubber定理,导出了一个由二次函数和线性函数分段组成的鲁棒性密度,构造了一个耦合全变差积分和Dirichlet积分的变分模型.讨论了该变分问题的解的存在性,通过一种加权梯度最速下降流的时间步进法迭代求解,应用于图像恢复取得很好的效果.     

非欧空间中度量方程的应用

应用n维球面型空间与n 维双曲空间中的度量方程,建立了n维球面型空间中第一余弦定理和第二余弦定理,并给出了n维球面型空间与n 维双曲空间中n 维单形内切球半径计算公式。     

数字通信系统中信噪比与误码率关系的Matlab模拟

通过M atlab模拟了随机产生的一定概率分布的信号序列,叠加高斯噪声后利用最大后验概率(MAP)检测到的误码率,做出BER~SNR曲线,并与理论计算得到的曲线进行比较,两者吻合.     

基于贝叶斯估计的小波图像去噪算法研究

利用拉普拉斯分布作为小波系数的分布模型,用贝叶斯最大后验概率估计法估计小波系数,给出了一种小波域自适应去噪算法.实验结果表明,本文算法与普通的软阈值法相比,可以获得更好的去噪效果.     

基于双变量模型的子带自适应滤波方法

利用贝叶斯最大后验估计理论研究了双变量层间模型、模型的子带自适应参数估计方法,推导了对应的萎缩函数;在此基础上设计了一种子带自适应图像滤波方法,并与两种基于模型的类似算法进行了比较.实验结果表明:利用小波系数层间模型可以有效地改善图像去噪质量.     

基于小波域分类隐马尔可夫树模型的图像恢复

针对自然图像的非平稳特性和图像恢复中计算困难的问题,提出了一种基于小波域分类隐马尔可夫树(CHMT)模型的图像恢复算法.从图像恢复的贝叶斯框架出发,将CHMT模型作为自然图像小波域的先验知识,构造正则化约束进行图像恢复.该模型具有空间适应性,使建模更加精确.对恢复方程的求解,采用了分类简化的共轭梯度算法.实验结果表明,该算法具有较低的计算复杂度,能提高图像恢复峰值信噪比(PSNR).     

基于熵变分的图像去噪模型

针对传统Tikhonov正则化模型存在的不足,根据最大后验概率（MAP）和最大熵的理论,提出了一种基于熵变分的图像去噪模型。该模型利用图像像素点的梯度信息自适应的对带噪图像进行各向异性滤波处理,在去除噪声的同时有效保留了图像的边缘细节。采用变分法推导出了该模型对应的偏微分方程,最后结合梯度加权最速下降法和半点格式的数值迭代算法对方程进行求解。实验结果表明,该模型去噪后的图像比Tikhonov正则化模型具有更好的客观评价指标和主观视觉效果。     

Maximum Likelihood A Priori Knowledge Interpolation-Based Handset Mismatch Compensation for Robust Speaker Identification

Unseen handset mismatch is the major source of performance degradation in speaker identifica-tion in telecommunication environments.To alleviate the problem,a maximum likelihood a priori knowledge interpolation (ML-AKI)-based handset mismatch compensation approach is proposed.It first collects a set of handset characteristics of seen handsets to use as the a priori knowledge for representing the space of handsets.During evaluation the characteristics of an unknown test handset are optimally estimated by in-terpolation from the set of the a pdod knowledge.Experimental results on the HTIMIT database show that the ML-AKI method can improve the average speaker identification rate from 60.0% to 74.6% as compared with conventional maximum a posteriori-adapted Gaussian mixture models.The proposed ML-AKI method is a promising method for robust speaker identification.     

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。     

最大后验概率在三维显微图像恢复中的应用

针对显微镜系统造成三维荧光显微图像模糊问题，提出一种基于线性的最大后验概率算法（LMAP），该算法以线性最小均方（LLS）为基础，引入平滑因子，通过调节小特征值克服病态问题，达到快速处理显微图像的目的，对LMAP算和LLS算法的图像处理结果进行了比较。     

基于全变分正则最大后验估计的高光谱图像亚像元快速定位方法

针对高光谱亚像元定位应用中光谱解混这一病态问题的求解,改进了结合空间分布先验全变分（TV）的最大后验估计（MAP）光谱解混模型,以保证算法的可扩展性和解的唯一性.同时,针对TV先验固有的非线性特性导致的求解过程繁琐的问题,提出了一种快速求解算法,将原始复杂的非线性运算转化成几步较简单的有闭合解的运算,对这些子问题结合运用快速迭代收缩阈值算法（FISTA）和分裂Bregman算法来分别求解.结果表明,提出的新方法保持了与传统梯度下降方法相一致的定位精度,但将迭代速度提高了10倍以上,具有更高的运算效率.      

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM(Gaussian Mixture Model)在车辆检测中存在的车辆断裂等问题,提出了一种基于匹配度分布的混合高斯车辆检测算法.该算法采用c均值聚类法计算混合高斯模型初始值,得到初步的背景模型;匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性;根据前几帧检测结果得到每个点的匹配度分布,对当前图片改变背景学习的规则,去除了干扰,适应了背景的变化.实验结果表明,该算法较传统的混合高斯检测方法检测率平均提高16％以上,使背景也更稳定和准确,克服了车辆检测的断裂以及光照突变等问题,提高了车辆区域检测的准确性.