自适应加权编码L_(1/2)正则化的图像重建算法

针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。

基于INS/GPS组合导航的自适应模糊卡尔曼滤波

针对组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的INS/GPS组合导航算法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的跑车试验,结果表明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。进一步表明该方法是有效、实用的。

基于L1-L2混合噪声模型的图像超分辨率重建方法

文章提出了一种基于L1-L2混合噪声模型(HNM)方法用于图像、视频的超分辨重建,该方法有效利用L1范数在突变区域较好保持图像边缘信息的特点,同时兼顾了L2范数对图像平坦区域的噪声抑制特性。针对求解过程中噪声分布的改变,L1、L2范数的选择问题,提出一种自适应隶属度(AMD)方法,该方法不仅能达到理想的实验效果,而且大大地减少了迭代次数与运算时间。