现代数理统计中假设检验的教学探讨

假设检验是现代概率论与数理统计教学中的重要内容和知识点,而假设检验包含建立原假设、构造统计量、计算概率分布、确定临界值和得出结论等过程。在教学过程中,很多教师都忽视建立原假设这个方面。由于没有强调原假设设计方法,学生碰到此类问题很容易产生疑惑出错。实际上,原假设的三个选择是不可以随意互换的,需要通过阅读问题,依据“小概率事件原理”来选择合适的假设。通过对假设检验中单边检验真题案例的教学探讨和分析,完成对原假设存在的三个选择的不同分析,然后对得到的结果进行比较。分析探讨在假设检验教学中做原假设和备择假设设计时,需要结合题目要求,按照“小概率事件原理”来设计假设的方案,促进学生对此问题的理解,并且在实际教学应用中取得良好的效果。

精细化局部语义与属性学习的行人重识别

行人的随身物品信息与属性描述是提高行人重识别任务性能的有效途径.本文提出了一种精细化局部语义与属性学习的行人重识别网络,来提取行人的随身物品信息,同时从语义区域中获得行人的属性描述.首先,将特征聚类方法生成的随身物品区域融合到额外语义模型生成的语义解析结果中,解决目前较多额外语义解析模型遗漏行人随身物品信息的问题.其次,利用生成的语义区域作为身体标签,网络由全局特征构建这些区域的语义特征映射,然后从语义特征中预测与之相关的属性信息,增强行人的描述.最后,考虑到行人某些属性之间包含强相关性,重新构建加权模型来提高某些属性的置信分数,优化属性的预测准确率.将属性预测结果和行人的全局特征连接在一起,形成行人的鲁棒特征表示.在Market-1501和DukeMTMC-reID属性数据集上的实验表明,所提算法较基线网络分别得到了3.6%和6.4%的mAP指标增益,可以提高行人重识别任务的性能.

基于天空约束暗通道先验的图像去雾

针对现有暗通道图像去雾算法存在的天空色彩失真,景物边缘光晕效应等问题,本文提出了基于暗通道理论的改进去雾算法.由于暗原色先验理论不适用于天空区域,本文将引导滤波用于天空区域的细化分割,准确估计包含天空区域图像的大气光照强度,解决了天空色彩失真问题;其次,利用中值滤波得到详细边缘信息,进而得到更为清晰的透射率,有效抑制了景物边缘光晕问题;最后针对去雾后图像偏暗的问题,在HSV空间对亮度分量V通道进行增强处理.实验结果表明,针对带雾图像,本文算法能够有效地去雾,改善天空区域色彩失真以及景物边缘光晕问题.

基于Beamlet和K-means聚类的车道线识别

为了解决视频车道线识别中抗噪性差和鲁棒性低的问题,提出一种基于新的特征提取和分类的快速车道线识别算法。算法首先对预处理后的灰度图像进行改进的Beamlet变换,然后对Beamlet的中点集合运用改进的K-means方法进行聚类分析,最后对每类的中点集合分别进行基于3阶贝塞尔曲线的RANSAC拟合后可以准确地提取出车道线。通过简化Beamlet词典与快速提取Beamlet基,加快了Beamlet变换的计算速度;通过寻找最佳投影线与多次迭代聚类中心来改进K-means聚类,解决了曲线车道线和车道线数目的聚类问题。实验证明,对于结构化或非结构化的道路环境,提出的算法都具有很好的可靠性、实时性和鲁棒性。

基于双域滤波的三维块匹配视频去噪算法

将双域滤波和三维块匹配算法相结合,充分利用了视频序列的时空频域的相关性,进行视频去噪。将三维块匹配视频去噪算法中小波阈值去噪得到的图像替换原引导图像,抑制了双域滤波算法基本层不平滑的问题。参考残差矩阵的能量谱对短时傅里叶变换系数进行阈值收缩,减少细节层的噪声残留。实验结果表明,本算法有效地解决了双域滤波算法的基本层不平滑、细节层有噪声残留的问题,主观和客观对比也表明,本算法有着较为优秀的去噪效果。

基于不同色彩空间融合的快速图像增强算法

针对现有Retinex算法中存在的色彩失真、噪声放大及光晕伪影现象等问题,本文提出了一种基于Retinex理论的改进算法.该算法首先在HSV空间对亮度分量V通道进行增强处理,同时在拉伸得到的对数域反射分量至一定的动态范围时(本文是0～255),引入增强调整因子,调整不同亮度值的增强程度来避免噪声放大及色彩失真现象;然后在RGB空间,通过分析光晕产生的原因,提出一种改进的高斯滤波器来消除光晕现象,并在计算反射分量时,通过参数调整图像颜色的保真度.最后,对上述两种不同颜色空间的处理结果进行加权平均作为算法的最终输出.实验结果表明,针对不同光照条件下的图像,1)该算法可以明显地改善光晕伪影现象;2)无色彩失真、噪声放大等问题;3)效果和效率优于带色彩恢复的多尺度Retinex算法(Multi-scale retinex with color restoration,MSRCR)及其他对比算法.

基于局部自相似性和奇异值分解的超采样图像细节增强

基于局部自相似性的图像超分辨率算法中存在面块或线条现象,导致图像纹理不自然,细节信息丢失严重,针对这个问题,文中提出了一种基于局部自相似性和奇异值阈值化的细节增强图像超分辨率算法.在通过轮廓模板插值得到初始超分辨率图像的基础上,利用奇异值分解及阈值化去噪提高局部自相似性提取高频信息的准确性,解决伪高频噪声成分造成的面块或线条痕迹.该细节增强超分辨率算法主要分为4个部分,即初始插值、块匹配搜索、奇异值阈值、细节合成.首先选取Pascal的轮廓模板插值算法得到初始超分辨率图像,该算法在保持插值图像整体轮廓和细节等方面都有着很好的效果优势.块匹配搜索部分,文中算法由初始超分辨率图像和原始低分辨率图像分别提供参考块和学习块,在单一尺度上进行匹配,更多地利用了原始图像的信息,复杂度也更低,即利用原始低分辨率图像的局部自相似性提供先验知识,进行块匹配学习,找到初始超分辨率图像块在原始低分辨率图像块中的最佳匹配块,提取出最佳匹配块的高频信息;然后利用奇异值分解将高频信息矩阵分解到两个正交子空间中,并选取合适的阈值对奇异值矩阵进行软阈值化处理,剔除高频成分中能量较小的伪高频噪声成分,得到更为准确的高频细节信息.最后为得到最终超分辨率图像,有效地实现超分辨率图像的细节增强,利用有效奇异值对应的奇异值矢量重构高频图像块矩阵,并在初始超分辨率图像上进行细节合成.合成过程中,选择中心对称的高斯函数对图像块进行加窗处理,以抑制分块重叠带来的重叠区影响.实验结果数据表明,文中算法不但能明显解决由于伪高频成分导致的面块或线条现象,重建出的图像纹理细节更真实丰富,纹理结构和边缘特征的清晰度和对比度较高,得到的高分辨率图像视觉效果也更好.而且文中算法具有较强的拓展性,可以对多种超采样算法进行细节增强,增强后的图像清晰度和边缘锐度明显得到提高,细节纹理信息更加丰富,客观指标也得到较大幅度的提高.

改进的自适应冲击滤波图像超分辨率插值算法

针对基于插值的图像超分辨算法造成图像边缘扩散和引入噪声的缺点,该文提出一种改进的自适应冲击滤波模型的图像超分辨率插值方法.根据插值后的初始高分辨率图像梯度自适应调整冲击滤波的权重,针对不同的图像边缘相应地减少图像的边缘扩散,同时利用前向扩散消除噪声.相对传统冲击滤波方法,避免了锯齿、块效应等人工痕迹,有效的保留了细节纹理特征.理论分析和实验结果表明,文中方法获得更好的超分辨率结果,主观效果得到明显改善,客观指标得到一定提高.

一种改进的3维块匹配视频去噪算法

针对Video Block-Matching and 3-D Filtering(VBM3D)算法耗时高且去噪视频存在块效应的问题进行了改进。在对变换域系数进行收缩时,采用连续阶导数阈值法,代替原算法中的硬阈值法,减少块效应;在帧内匹配时,采用基于积分图思想的图像块距离计算加速方法;在帧间匹配时,使用帧间预测性匹配方法,减少计算量,提高算法效率。理论分析和实验结果表明,改进后的算法不仅能有效改善原VBM3D算法中的块效应,且算法复杂度大大降低。

H.263视频编解码器在TM1300上的实现与优化

介绍了ITU_TH .2 6 3编解码算法原理和TM 130 0定点DSP芯片。针对该芯片的硬件结构特点 ,设计了一套运行于TM 130 0之上的实时视频信号采集、视频编解码、视频输出系统的可行方案。讨论了H .2 6 3实时视频编解码器在TM 130 0上定点实现的关键技术和难点问题 ,详细论述了H .2 6 3编解码算法的代码优化技术。测试表明 ,本文的实现及优化技术是可行的。

基于多聚焦图像深度信息提取的背景虚化显示

针对普通相机无法拍摄出符合视觉美感的背景虚化图像问题,提出一种基于多聚焦图像深度信息提取的背景虚化算法.首先,根据图像的光学成像原理,对多聚焦图像进行热扩散方程的数学建模,对图像中的每个点自适应的初始化一个深度值;其次,根据图像每个点的热扩散系数对初始图像进行前向扩散,用数值方法来解此偏微分方程,通过正则化得到修正后的图像深度信息;最后,对图像深度信息进行分层,利用多尺度高斯滤波对不同深度层的图像进行虚化处理.本算法能够有效地提取出图像的深度信息,并且获得的背景虚化效果也能够较好地符合光学原理.

基于分区灰度投影稳像的运动目标检测算法

针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率.

基于生成对抗网络的雾霾场景图像转换算法

本文提出了一种新的基于生成对抗网络的雾霾场景图像转换算法.生成对抗网络GAN作为无监督学习的方法,无法实现图像像素与像素之间映射,即生成图像不可控.因此,基于模型的加雾算法存在参数不确定性和应用场景局限性,本文提出了一种新方法的新应用,利用生成对抗网络实现图像转换.该方法基于生成对抗网络GAN模型,改进了GAN的生成器和判别器,进行有监督学习,以训练雾霾图像生成像素与像素之间的映射关系,实现无雾图像与有雾图像之间的转换.以图像加雾为例,本文分别设计了生成网络和判决网络,生成网络用于合成有雾图像,判决网络用于辨别合成的雾霾图像的真伪.考虑到雾霾场景图像转换的对应效果,设计了一种快捷链接沙漏形生成器网络结构,采用无雾图像作为生成网络输入,并输出合成后的有雾霾图像;具体来看,将生成网络分成编码和解码两部分,并通过相加对应间隔的卷积层来保留图像的底层纹理信息.为了更好地检验合成雾霾图像的真实程度,设计了漏斗形全域卷积判决器网络,将合成图像和目标图像分别通过判决器辨别真伪,采用全域卷积,利用神经网络进行多层下采样,最终实现分类判决,辨别图像风格.此外,本文提出了一种新的网络损失函数,通过计算GAN损失和绝对值损失之和,以训练得到更为优秀的图像转换结果.GAN损失函数的作用是使生成对抗网络GAN模型训练更加准确,而雾霾图像合成算法实际上是一个回归问题而非分类问题,生成器的作用不仅是训练判决器更加灵敏,更重要的是要生成与目标图像相似的图像.因此利用优化回归问题的绝对值损失函数,作用是为了准确学习像素间的映射关系,避免出现偏差和失真.最后本文对多类不同图像进行图像的雾霾场景转换并进行评估,分别测试该算法的图像加雾和去雾效果,并与其他算法进行对比测试.对于加雾效果,在合成场景、虚拟场景下,与软件合成效果进行对比,本文算法效果明显比软件合成效果好,不会出现色彩失真;在真实场景下,本文算法与真实拍摄的雾霾天气进行对比,结果十分相近;并且与其他GAN图像转换算法进行对比,本文算法具有明显的优势.同样本文算法在去雾效果上优势也十分明显.结果表明,本文所提基于生成对抗网络的雾霾场景图像转换算法,在主观效果和客观指标上均具有明显优势.

基于主成分分析的分块视频噪声估计

噪声估计在视频去噪领域具有重要的研究意义.实际生活中的噪声都是未知的,然而现存的视频去噪算法通常都假定视频的噪声水平是已知的,本文提出一种基于主成分分析(Principal component analysis,PCA)的分块视频噪声估计算法.首先,基于帧间进行块匹配寻找相似块,得到差分图像以消除视频运动的影响;其次,将正态分布函数作为阈值函数简化噪声估计算法模型;最后,设置明确迭代指标使得估计的结果更加精确,且降低了计算复杂度.主观视觉效果和客观指标对比表明,本文提出的基于主成分分析的分块视频噪声估计算法比其他优秀的噪声估计算法误差小同时鲁棒性高,能准确地估计视频噪声.

半线性抛物型微分包含的有限差分法

讨论了一类半线性抛物型微分包含第一边值问题的有限维逼近,研究了其近似可解性.在本文定义的网格范数意义下,空间方向的有限差分半离散化差分解收敛到问题的解,同时也证明了全离散差分格式对初值是稳定的.最后通过一个具体的一维半线性抛物型微分包含实例,对本文的差分格式进行了验证.

一种基于历史背景的混合高斯背景建模算法

针对背景场景重复显现问题,提出了一种基于历史背景的混合高斯模型(History Background-based GMM,HBGMM).相较于传统的混合高斯模型,该模型对历史背景模型进行标记,并通过判决匹配次数快速调整历史背景模型的学习率.同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理,用该方法更新模型权重从而降低误检率,使历史模型尽量避免误删除.实验结果表明,本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能,从而更快地适应场景的变化,减少前景误判.

基于景深和稀疏编码的图像去雨算法

降雨天气往往会导致室外监控视频质量下降,会使成像的图像产生畸变和模糊现象.为了改善雨天拍摄的图像的质量,该文提出了一种基于景深和稀疏编码的图像去雨算法.针对基于图像分解的去雨算法存在的低频成分中的雨痕残留和轮廓边缘丢失,以及高频部分的背景误判问题,该文利用联合双边滤波和短时傅里叶变换将图像进行分解,使得图像低频部分中的轮廓得到较好的保留,并引入景深改善低频成分中的雨痕残留和高频成分中与雨痕具有相同梯度的背景误判问题.该算法主要分为四个部分:图像分解、字典学习、基于主成分分析和支持向量机的原子聚类,景深修正.首先是利用图像分解提取出图像低频和高频成分,对于图像分解的方法,主要采用的是双边滤波和短时傅里叶变换相结合的方法,此方法对图像的轮廓和边缘保持度较高.接下来,对低频成分进行保留,对高频成分进行进一步处理.根据图像本身的纹理特性将高频成分进行分类,基于每一类再对高频成分进行分块处理,得到每一类图像的字典,从而进行字典学习.然后,利用主成分分析和支持向量机对字典进行分类,根据梯度信息分为含雨字典和非雨字典两类,应用正交匹配追踪获得基于新高频字典的稀疏系数,从而获得高频成分中非雨成分.最后,对于高频成分中和雨痕具有相同梯度的背景误判问题,通过景深,将图像高频按纹理和梯度方向进行二次分类,将高频成分中和雨条纹具有相同梯度的背景进行保留,有效提高分类准确性.同时,利用景深提取出含雨图像中的显著性特征来进一步去除低频成分中的残留雨痕.本文利用主观视觉效果以及客观指标对算法进行评估,实验结果证明主观效果得到明显的改善,客观指标也得到了提升,证明了该文基于景深和稀疏编码的图像去雨算法能够在去雨的同时较好地保留图像的纹理细节.

基于霾层学习的单幅图像去雾算法

针对传统去雾算法出现色彩失真、去雾不完全、出现光晕等现象,本文提出了一种基于霾层学习的卷积神经网络的单幅图像去雾算法.首先,依据大气散射物理模型进行理论推导,本文设计了一种能够直接学习和估计有雾图像和霾层图像之间的映射关系的网络模型.采用有雾图像作为输入,并输出有雾图像与无雾图像之间的残差图像,随后直接从有雾图像中去除此霾层图像,即可恢复出无雾图像.残差学习的引入,使得网络来直接估计初始霾层,利用相对大的学习率,减少计算量,加快收敛过程.再利用引导滤波进行细化,使得恢复出的无雾图像更接近真实场景.本文对不同雾浓度的有雾图片的去雾效果进行测试,并与当前主流深度学习去雾算法及其他经典算法进行对比.实验结果显示,本文设计的卷积神经网络模型在图像去雾的应用,不论在主观效果还是客观指标上,都有优势.

双向特征融合与特征选择的遥感影像目标检测

遥感影像中复杂的背景占据图像的大部分区域,严重影响了目标检测效果.本文提出一种可以对特征图进行多特征选择的目标检测网络.设计了双向多尺度特征融合网络,融合深浅层信息,提高复杂背景下小目标的检测效果,在保留常规特征金字塔自上而下路径的同时,增加一条自下而上的路径,减少浅层特征传递到顶层经历的网络层数,从而控制浅层特征损失.为了降低多尺度特征图中无用信息对后续检测网络的干扰,设计了基于注意力机制的多特征选择模块,网络自适应地专注于有用特征,忽略无用特征.针对传统五参数回归法在预测角度时存在严重的边界不连续问题,不能精确预测长宽比值比较大的目标,将角度预测当作分类任务处理.在DOTA数据集和自制数据集DOTA-GF上进行实验,6类典型目标的mAP分别达到0.651和0.641,与主流目标检测算法的对比实验结果表明提出的方法的有效性.

一种基于协方差估计的均值偏移对象跟踪算法

针对现有运动目标跟踪算法对目标大小、形状变化的适应能力较差,且不能对目标的旋转进行跟踪的问题,提出一种改进的目标跟踪算法。该算法是均值偏移算法的进一步扩展和延伸,在估计目标位置的同时用协方差矩阵来描述目标形状,结合色彩直方图,处理对象的角度和形状、大小发生变化时的跟踪问题。实验结果表明:改进的算法在不同环境下跟踪目标的鲁棒性很好,极大地提高了跟踪精度,具有很强的实用性。