结合颜色和梯度信息的稀疏图像修复算法

现有基于稀疏性的图像修复算法仅利用颜色信息衡量样本块的相似度,易降低修复区域内结构部分的连通性及与邻域信息的连续一致性,同时在全局范围内搜索匹配块也增加了算法的运行时间.为解决上述问题,利用颜色与梯度模值信息度量样本块之间的距离,构造新的相似度以确定块结构稀疏度函数,利用块结构稀疏度确定填充顺序,同时构造新的匹配准则函数寻找匹配块;并利用块结构稀疏度值能够较好地反映样本块所处区域特征的特性,根据块结构稀疏度值自适应确定局部搜索区域大小.并通过实验验证在不同图像中颜色信息与梯度信息所占比例不同.实验结果表明,该算法较对比算法能够更好地保持结构部分的连贯性及与邻域信息的连续一致性,在峰值信噪比上至少提高1dB,并且算法速度提高4~11倍.

CVS中基于多维度参考帧的双稀疏重构算法

为了提升视频压缩感知稀疏重构的准确性,得到更高质量的重构视频帧,基于视频信号在不同表示域具有不同的稀疏特性,文中提出了一种基于多维度参考帧的双稀疏重构算法(MRF-DSR).首先构建双稀疏重构模型,利用视频信号的组稀疏和拉普拉斯加权稀疏特性来刻画重构视频帧的稀疏特性;其次提出多维度参考帧的概念,引入基于时间维度参考帧的半像素和缩放维度参考帧,通过为当前帧的图像块提供更多的可能匹配块来获得稀疏度更高的匹配块组;最后提出菱形形状快速搜索算法,通过粗搜索和精细搜索过程确定时间维度参考帧最优相似块的位置,再在多维度参考帧的相同位置进行小范围的快速搜索,从而实现较低复杂度的大范围搜索.仿真实验结果表明,与现有最优视频压缩感知重构算法相比,MRF-DSR算法在主观和客观标准上都具有较好的重构性能.

基于投票机制的神经架构搜索

针对现有神经架构搜索算法自动搜索到的网络架构与评估的网络架构之间存在较大差异的问题,提出了基于投票机制的神经架构搜索算法。首先,利用小批量训练数据上测试的训练损失作为性能估计器对候选网络进行采样,将计算资源集中于潜在的性能表现良好的候选网络架构,以解决均匀采样忽略了各网络架构之间重要性程度的问题;其次,对于各节点中候选操作难以选择的问题,利用组稀疏正则化策略对所有候选操作进行排名,以筛选出合适的候选操作,进一步提高Cell结构中路径选择的准确性;最后,将可微架构搜索策略、噪声策略和组稀疏正则化策略加以融合,以加权投票的方法选择出最优的Cell结构,构建出性能优秀的三维模型识别与分类网络架构。在数据集ModelNet40上的实验结果表明,所构建的网络对三维模型的分类准确率达到了93.9%,优于目前的主流算法。本算法有效缩小了搜索和评估阶段网络架构之间的差异,解决了以往神经架构搜索方法中均匀采样所导致的网络训练效率低的问题。

基于噪声分析和稀疏正则化的图像盲复原方法

在海事搜救过程中,机载红外相机拍摄的红外图像由于直升机振动、气流扰动、高速飞行以及红外相机摆扫等因素,严重影响图像质量.根据直升机载红外相机成像特点,提出了一种基于噪声分析和稀疏正则化的图像盲复原方法.该方法首先分析了成像过程中的噪声分布,并对噪声进行预处理,再根据稀疏表达理论,用图像边缘的稀疏先验信息指导点扩散函数复原,接着通过非盲复原方法得到目标图像,将目标图像作为下一次迭代的输入图像,如此循环迭代得到清晰图像.最后,对仿真模糊图像和实拍模糊图像进行了复原实验.实验结果表明这种方法能有效改善图像质量,并且在处理实拍运动模糊图像时,相比其他复原方法效果更好.

基于压缩感知的步长自适应前向后向追踪重建算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

一种用于OFDM系统信道估计的稀疏重构算法

针对在正交频分复用(OFDM)系统稀疏信道估计中,经典正交匹配追踪(OMP)算法存在计算量大且需要已知稀疏度的问题,提出一种基于搜索空间预处理的自适应正交匹配追踪算法.使用正态分布来拟合多径信道抽头位置在相邻码元时刻的变化,依概率将搜索空间分成优先集和补充集,并将最近两次迭代后的残差比值作为搜索空间变换和迭代终止的判定依据.在多径数量未知且抽头位置变化的情况下,仿真验证所提算法的有效性.理论分析及仿真结果表明:新算法的计算复杂度低于经典OMP,前者的信道估计性能明显优于稀疏度未知时的后者以及线性估计法和最小均方误差估计法的性能.