基于含噪Retinex模型的煤矿低光照图像增强方法

低光照图像会导致许多计算机视觉任务达不到预期效果,影响后续图像分析与智能决策。针对现有煤矿井下低光照图像增强方法未考虑图像现实噪声的问题,提出一种基于含噪Retinex模型的煤矿低光照图像增强方法。建立了含噪Retienx模型,利用噪声估计模块(NEM)估计现实噪声,将原图像和估计噪声作为光照分量估计模块(IEM)和反射分量估计模块(REM)的输入,生成光照分量与反射分量并对二者进行耦合,同时对光照分量进行伽马校正等调整,对耦合后的图像及调整后的光照分量进行除法运算,得到最终的增强图像。NEM通过3层CNN对含噪图像进行拜耳采样,然后重构生成与原图像大小一致的三通道特征图。IEM与REM均以ResNet-34作为图像特征提取网络,引入多尺度非对称卷积与注意力模块(MACAM),以增强网络的细节过滤能力及重要特征筛选能力。定性和定量评估结果表明,该方法能够平衡光源与黑暗环境之间的关系,降低现实噪声的影响,在图像自然度、真实度、对比度、结构等方面均具有良好性能,图像增强效果优于Retinex-Net,Zero-DCE,DRBN,DSLR,TBEFN,RUAS等模型。通过消融实验验证了NEM与MACAM的有效性。

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法(niMGP),并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其他传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。

结合局部信息活动轮廓模型的含噪图像分割方法

为改善传统活动轮廓模型对含噪图像的分割精度和效率,提出一种结合局部信息活动轮廓模型的含噪图像分割方法。首先构造局部信息速度函数,使图像局部灰度引导速度函数变化;然后采用拟合图像代替原图像,同时增加拟合中心权重以构造新的拟合项;最后引入自适应权重系数以增加模型对不同图像的分割灵活性。实验结果表明,相较于C-V模型,该方法对3个含噪灰度图像的分割时间分别缩短了72.30%、82.95%和75.79%。C-V模型、LCV模型和RSF模型对含噪灰度图像存在误分割现象,而结合局部信息活动轮廓模型的含噪图像分割方法能准确分割含噪灰度图像,对于背景和前景没有过分割现象,且边缘平滑。

含噪运动模糊图像恢复

提出一种新算法来估计含噪图像线性运动模糊的方向和长度。结合空间域及频域分析,使用Radon变换检测运动方向,双谱模型估计运动长度,最后利用Richardson-Lucy滤波恢复清晰图像。仿真实验结果表明,对于含噪图像该算法比以往算法更优胜。基本满足图像复原的稳定性、可靠性、精度高等要求。

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含嗓混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态-空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF+FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。

含噪图象恢复方法的研究

提供了两种含噪图象的恢复算法：逐点扫描法和模拟退火法（ＳＡ）．用这些算法对不同信噪比的含噪图象进行恢复的结果表明：当信噪比较高时，采用逐点扫描法是快速、满意的．在低信噪比时，采用模拟退火法将比逐点扫描法得到更好的恢复效果．

基于Matlab平台的含噪图像恢复

根据噪声的先验特点 ,建立了基于 Markov随机场的退化图像恢复模型 ,从而将图像的恢复问题转化为求解最大后验概率 ( MAP)的问题。本文以模拟退火算法的思想为基础 ,通过引入随机判据的方法代替退火过程来进行 MA P的估计 。

含瓦斯煤破裂信号的量子优化降噪模型

为剔除含瓦斯煤破裂信号采集过程中夹杂的扰动噪声,提出一种基于改进量子群算法(IQPSO)优化变分模态分解(VMD)的含瓦斯煤破裂信号量子优化降噪模型。针对VMD受限于分解个数和惩罚参数的选取进而影响降噪效果,采用IQPSO算法优化VMD参数寻优过程,在QPSO算法中引入决策权重系数和自适应控制因子,提高算法粒子决策自适应性和参数搜索能力。利用参数优化的VMD算法分解含瓦斯煤破裂信号,计算各信号分量的有效相关系数来辨识噪声临界点,采用小波变换处理高频噪声并重构剩余分量得到降噪后的含瓦斯煤破裂信号。通过仿真信号和现场实测信号将降噪模型与EMD、VMD、PSO-VMD、SSA-VMD、GWO-VMD模型进行降噪效果对比。实验结果表明,提出模型处理后信号的信噪比提升20%以上、均方根误差降低至0.03以下,能量占比在90%以上,3项指标均优于其他降噪模型,自适应性和分解效率较强,能够有效保留信号局部特征,对现场复杂信号具有更好的降噪效果。

基于提升改进方向波变换的浮选泡沫图像降噪方法

针对矿物浮选过程中泡沫图像易受噪声影响,存在纹理细节模糊、灰度值对比度低等问题,提出一种浮选泡沫图像的非线性降噪方法。首先构造一种改进方向波变换,保证信号的平移不变性,同时采用提升算法减小其运算量。然后通过对分解系数建模,针对低频子带系数采用多尺度Retinex算法进行处理,以改善整体亮度均匀性,提高对比度;对各高通子带构建基于高斯混合尺度模型的分解系数邻域模型,并利用Bayes最小均方(BLS)估计进行局部去噪。最后利用所提出的方法对大量浮选泡沫图像进行去噪分析。结果表明:所提出的降噪方法能突出泡沫图像的纹理细节信息,提高泡沫图像的对比度,在信噪比和实时性上有明显提高,为后续泡沫图像的分割和工况识别奠定基础。

神经元模型随机共振特性研究

随机共振在含噪神经元系统的研究中有很大的优势。通过建立神经元仿真模型,并分别以阈值下信号和阈值上信号加以刺激,利用数值仿真和非线性分析理论,分析神经元模型的随机共振特性。结果显示神经元模型在阈值上和阈值下都显示出了单峰性,说明神经元系统中存在随机共振现象。

基于增强布谷鸟搜索的图像分割算法

针对传统图像分割算法对复杂、含噪图像的性能较差的问题,提出一种基于增强布谷鸟搜索与snake模型的医学图像分割算法。首先,为布谷鸟搜索算法引入两点增强策略:鸟蛋放弃策略与优质鸟蛋之间的信息交互策略,由此加速布谷鸟搜索的收敛过程;然后,设计了1个两阶段的图像分割算法,第一阶段设计了局部搜索窗口对snake的所有控制点进行约束,并通过布谷鸟搜索使snake能量最小化,第二阶段通过优质鸟蛋之间的信息交互策略,获得布谷鸟搜索的新控制点。基于真实MRI图像的实验结果显示,本算法对复杂、含噪图像的分割性能优于其他snake模型的分割算法。