基于期望值最大算法的图像融合

文中提出了一种基于期望值最大的图像融合方法。该方法首先假设图像对场景的成像模型。以期望值作为目标函数,通过使目标函数最大的方法确定该模型的参数,估计出真实场景,进而得到理想的融合图像。试验表明,该方法比传统的基于加权平均和选择的方法具有更好的融合效果。

基于EM算法的水下目标辐射噪声模型参数估计

对水下目标辐射噪声的混合高斯模型进行参数估计时,针对极大似然函数很难求解的问题,研究了一种使用海洋环境噪声统计信息的期望值最大算法(EM算法)。在对Bouvet和Schwartz水下目标辐射噪声信号和海洋环境噪声模型研究的基础上,修正了传统的EM统计算法,以降低计算的复杂度,提高迭代收敛速度。仿真结果和实船信号实验数据的一致性,表明基于EM算法的混合模型参数估计方法,使得参数估计复杂度降低,运算量明显减少,估计性能较好,具有很好的应用价值。

基于双树复小波域HMT模型的煤燃烧火焰图像去噪

锅炉煤燃烧火焰图像中存在的噪声会对后续的特征提取和温度重建造成不利的影响.为更有效地去除锅炉煤燃烧火焰图像中的噪声,文中提出了一种基于双树复小波域隐马尔可夫树(HMT)模型的锅炉煤燃烧火焰图像去噪方法.首先对含噪火焰图像进行双树复小波变换,然后依据HMT模型分别对双树复小波系数的实部和虚部进行建模,并采用期望值最大算法来估计模型参数,接着利用贝叶斯最小均方误差准则来估计无噪双树复小波系数,最后通过双树复小波逆变换得到去除噪声的火焰图像.实验结果表明,与小波域VisuShrink阈值法、基于小波域或Contourlet域HMT模型的方法相比,文中方法能够有效地抑制噪声,获得较高的峰值信噪比.

考虑劣化因素的HMM在设备状态评估中的应用

针对传统的基于隐马尔科夫模型(HMM)的设备评估模型大多假定设备状态间的转移概率不变,忽略了实际运行中设备状态间转移概率会随使用时间的增加而变化的问题,提出一类考虑劣化因素的HMM,通过设计劣化因子来克服传统HMM的不足,并开发了一个双重的期望值最大算法来估算劣化因子和状态初始转移概率矩阵,从而对设备状态进行评估。最后,通过算例验证了模型的可行性和有效性。

基于前向-后向自校正扩散引导特征重建的图像融合

现有图像融合方法不同程度地存在边缘阶梯效应,导致一些空间伪影引入融合图像.鉴于此,提出一种新的解决图像融合过程中鲁棒性差的方法—–前向-后向自校正扩散引导特征重建(forward-backward self-correcting diffusion,FBSD),对分解后各特征之间的差异设计一种基于期望值最大算法和主成分分析的混杂融合策略.最后利用评价指标评估所提出算法的性能,验证了所提出方法在边缘阶梯效应的处理上优于现有的图像融合方法,同时验证了融合决策的有效性.