基于增广拉格朗日的全变分正则化CT迭代重建算法

采用一种基于增广拉格朗日方法 (augmented Lagrangian method)求解全变分正则化(total variation regularization)算法(ALMTVR)来进行CT图像重建.将ALMTVR算法与经典的代数重建算法(algebraic reconstruction technique,ART)进行比较,并采用仿真数据与实际数据进行实验.在实验中,使用ALMTVR算法与ART算法分别进行图像重建,并对重建图像进行对比分析.实验结果表明:所提算法与ART算法相比,显著提高了图像重建的质量与速度,显示了其对图像重建的有效性及在CT成像系统中潜在的应用价值.

基于多尺度高斯核的分布式正则化回归学习算法

针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.

弹性波反演的多尺度全变分法

通过引入全变分正则化来代替传统的Tikhonov正则化,在多尺度算法思想基础上,构造一种快速有效的反演方法—多尺度全变分法。针对待反演参数不连续的情况,提高了算法精度。通过对弹性波方程反演模拟,结果表明:所提出的多尺度全变分法是一种稳定,快速和精确的反演方法。

基于边缘吸引力场正则化的短程线主动轮廓模型

短程线主动轮廓模型是近几年提出的一种有效的多目标轮廓提取算法 .本文在详细分析其动力学过程的基础上 ,针对该模型中存在的局限性和不足 ,提出对边缘吸引力场进行正则化的方法 ,并采用多尺度模型 ,有效的改善了该模型不能对存在断裂轮廓的目标进行正确提取和凹边缘搜索能力弱的缺点 ,增强了抗噪声和虚假边缘干扰的能力 ,使该算法具有更好的鲁棒性和实用性 .

图像超分辨率重建的非局部正则化模型与算法研究

利用图像非局部不连续性测度的概念,建立了面向图像超分辨的非局部正则化能量泛函和相应的变分框架.理论分析了该框架与目前关于双边滤波等一类广义邻域滤波器和经典的变分偏微分方程模型之间的联系.推导了该非局部泛函约束的变分模型最优解满足的积分形式欧拉-拉格朗日方程,并研究了其最速下降流满足的若干重要性质.基于图理论,设计了图像超分辨的自适应加权迭代算法.最后通过选择不同势函数的非局部正则化泛函进行图像去噪、去马赛克效应和图像超分辨处理,性能分析表明：相同势函数下,非局部正则化方法优于同类局部正则化方法,峰值信噪比提高0.5~1.0dB.

基于信号变分分解的无线电引信抗干扰方法

脉冲多普勒引信在受到扫频式干扰时,引信接收机信道被干扰信号饱和从而导致引信出现早炸或瞎火。脉冲多普勒引信通过波形设计及多维度特征识别可以避免因干扰信号而错误启动,但如何在扫频式干扰压制下检测真实目标仍是一个难题。针对上述问题,建立了扫频式干扰作用下脉冲多普勒引信中频信号模型,并提出了基于信号变分分解的引信抗扫频式干扰方法。所提方法利用全变分正则化将中频信号分解为脉冲、低频正弦波和高频噪声3个分量,保留并处理对应目标回波信号的脉冲分量即可检测真实目标。通过仿真验证了方法的有效性,结果表明:所提方法在0~20 dB的干信比条件下仍能有效分离目标回波及干扰信号,大大提高了脉冲多普勒引信在扫频式干扰作用下的目标检测能力。

流体饱和多孔隙介质波动方程多尺度反演

基于多尺度的思想,将小波多分辨分析和多尺度方法相结合,应用于流体饱和多孔隙介质孔隙率的反演。利用小波变换,将原始反问题分解为不同尺度上的一系列子反问题,并按照尺度从粗到细的顺序依次求解。在每一个尺度上,都采用稳定、收敛快的正则化高斯牛顿法求解,次一级尺度上求出的“全局最优解”作为上一级的初始解,依此类推,直到求出原始问题的真正的全局最优解。通过与传统的正则化高斯牛顿法相比较,显示了小波多尺度法是一个大范围收敛、能够有效节省计算量的方法,数值模拟的结果也表明了方法的有效性。

求解Lavrentiev迭代方程的多尺度快速配置算法

考虑了第一类Fredholm积分方程的求解.采用有矩阵压缩策略的多尺度配置方法来离散Lavrentiev迭代方程,在积分算子是弱扇形紧算子时,给出近似解的先验误差估计,并给出了改进的后验参数的选择方法,得到了近似解的收敛率.最后,举例说明算法的有效性.

波动方程多尺度反演

本文基于多尺度反演思想提出波动方程多尺度反演方法。该方法的基本思路是:对反演的目标函数进行多尺度分解,在每一尺度下利用正则化方法反演求解,克服了反演问题的不适定性,获得全局最优解,使得反演结果的分辨率和保真性得到提高。本文利用小波变换实现多尺度反演,并且是先通过在大尺度上反演得到一个比较好的参数估计,再将此估计作为较小尺度的初值进行反演,直至获得全局最优解。文中的应用实例说明了该方法具有对初始模型依赖性低、收敛速度快、反演结果稳定的优点。

去混合噪声的超分辨率图像重建算法

研究了混合噪声即高斯白噪声加椒盐噪声所降质的超分辨率图像重建模型,提出了基于全变分正则化方法和两步方法的超分辨率图像重建方法,并应用Chambolle投影算法对模型进行求解;通过实验仿真,实验结果表明本文提出的方法比基于传统的全变分正则化方法无论是在运行速度,MSE与SNR评价指标上还是在视觉效果方面都具有明显的优越性。

截断策略下求解第一类病态积分方程离散的DSM方法

本文用多尺度投影方法求解离散的DSM问题,与传统全投影方法相比,减少了内积计算个数,保持了最优收敛率.最后,算例说明了算法的有效性.

铁路清洁自洽能源宜能空间识别

为了智能识别铁路沿线的清洁自洽能源宜能空间,构建了一个包含210张分辨率为4800像素×2986像素的铁路遥感图像数据集;针对遥感图像处理领域中多尺度融合单元通道信息不兼容的问题,提出了自注意力机制模块,以增强对多尺度特征的捕捉能力;针对不同尺度高分辨率遥感图像预测结果存在的差异性,提出了多尺度一致性正则化方法(MSCR),以增强模型对不同尺度图像处理的鲁棒性;综合自注意力机制模块与多尺度一致性正则化方法,对经典的图像分割HRNetV2方法进行了改进,构建了MSCR-HRNetV2方法;在自建的铁路遥感图像数据集和公开的Potsdam遥感图像数据集分别对MSCR-HRNetV2方法进行验证。研究结果表明:在铁路遥感图像数据集上,改进的MSCR-HRNetV2方法取得了81.37%的平均交并比,相较于原HRNetV2方法提高了3.13%,与主流图像分割方法DeepLabV3+相比,提高了3.86%;在Potsdam遥感图像数据集上,MSCR-HRNetV2方法的平均交并比达到了75.96%,相比HRNetV2方法提高了2.01%,与DeepLabV3+相比提高了2.19%。可见,改进的MSCR-HRNetV2方法显著提高了高分辨率遥感图像的语义分割性能,从而智能识别铁路沿线的清洁自洽能源宜能空间,为交通能源融合系统的规划和设计提供了重要的技术支撑。

联合形态学滤波和卷积稀疏编码的图像去雨

目的图像去雨技术是对雨天拍摄图像中雨纹信息进行检测和去除,恢复目标场景的细节信息,从而获得清晰的无雨图像。针对现有方法对雨纹信息检测不完全、去除不彻底的问题,提出一种联合自适应形态学滤波和多尺度卷积稀疏编码(multi-scale convolution sparse coding,MS-CSC)的单幅图像去雨方法。方法考虑雨纹信息的形状结构特点,构造一种自适应形态学滤波器来滤除有雨图像中的雨纹信息,获得包含图像自身纹理的低频成分;利用全变分模型正则化方法来增强低频成分的纹理信息,并利用有雨图像减去低频成分获得包含雨纹信息的高频成分;针对高频成分,根据雨纹的方向性提出一种基于方向梯度正则化的MS-CSC方法来重构高频成分,并通过迭代求解获得包含精确雨纹的高频成分,即雨层;利用有雨图像减去雨层得到最终的去雨图像。结果为验证本文方法的有效性,与一些主流的去雨方法进行实验比较。实验结果表明,本文方法在模拟数据集上的平均峰值信噪比(peak signal-to-noise ratio,PSNR)和平均结构相似度(structural similarity,SSIM)指标分别提高了0.95和0.0052,能得到较好的主观视觉效果和客观评价,特别是在真实数据集上具有明显优势。结论本文方法可有效去除雨纹,同时可保留更多的原始图像纹理信息,经证明是一种有效的去雨算法。