基于迭代收缩算法的稀疏人脸识别

为了获得更加理想的人脸识别效果,提出一种基于迭代收缩算法的稀疏人脸识别方法.首先在研究现有的迭代软阈值算法的基础上,将迭代广义迭代收缩算法用于解决lp-数非凸稀疏模型求解问题,然后将该算法用于人脸识别,最后采用仿真实验测试算法的性能.实验结果表明,该算法的精确度明显优于其他算法.

图像轮廓提取的迭代收缩算法

本文提出一种提取二值图轮廓的迭代收缩算法 ,在快速提取图像轮廓的同时 ,保持轮廓封闭性 ,并保留轮廓间关系信息 ,算法用于人脸识别系统中取得了较好的实验效果。

基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于两步迭代收缩法的多稀疏空间图像快速重构方法

由于多稀疏空间图像重构时,像素范围选取过大、峰值信噪比低以及重构时间长,导致图像重构方法存在重构效果差的问题,提出基于两步迭代收缩法的多稀疏空间图像快速重构方法。明确多稀疏空间图像重构存在的问题,在明确问题后,以迭代收缩阈值算法为基础,引入迭代加权收缩算法,结合每一轮迭代结果作为初值,完成图像重构的两步迭代收缩法设计,实现多稀疏空间图像快速重构。实验结果表明:应用该方法后的重构多稀疏空间图像峰值信噪比达到37.9 dB以上,图像重构时间仅为16.0 ms,图像结构相似性达到了0.98以上,并且重构多稀疏空间图像的效果更好,经过实验分析证实了所提方法具备可行性。

基于l_p正则化图像去模糊的快速广义迭代收缩算法

将图像去模糊问题转化为求解l_p正则化的非凸优化问题,提出了一种求解l_p正则化问题的快速广义迭代收缩算法(FGISA,fast generalized iterative shrinkage thresholding algorithm).该算法通过对广义迭代收缩算法(GISA,generalized iterative shrinkage thresholding algorithm)的梯度项添加一个加权矩阵,并结合Nesterov梯度加速方法达到加快算法收敛速度的目的.由于加权矩阵仅仅与模糊矩阵有关,并且不随迭代过程变化,因此,与GISA相比FGISA并不增加算法的计算复杂度.文章给出了算法收敛性的理论分析.实验结果表明FGISA算法在收敛速度和图像恢复效果方面对GISA算法均有较大的改进.

改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题,转化为考虑量子状态的约束条件下,分别求解密度矩阵的核范数,以及稀疏干扰l1范数的两个子问题的优化问题.针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题,通过在两个子问题的迭代估计中,引入一个加速算子,对当前值与前一次值之差进行进一步的补偿,来提高算法的迭代速度(FISTA).并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中.针对5个量子位的状态估计的仿真实验,将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP-ADMM),以及非精确的ADMM算法(I-ADMM)4种优化算法进行性能对比.实验结果表明,FISTA算法具有更加优越的收敛速度,并且能够得到更小的量子状态估计误差.

阈值收缩迭代算法在被动毫米波图像处理中的应用

为了克服被动毫米波图像处理系统中数据量巨大,实时处理要求高的缺点,将阈值收缩迭代算法应于被动毫米波图像处理中,通过一个非自适应的基矩阵对原始图像信号进行变换,求解一个优化问题获得稀疏性最高的信号,可以在噪声干扰的情况下以极高的精度恢复出原始图像信号。将算法用于被动毫米波模拟图像的恢复实验,得到了很好的结果。因此,它是一种高效、可行的被动毫米波图像处理方法。

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法。通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量。仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少。

改进变步长快速迭代收缩阈值算法

图像复原问题是图像处理中的一项重要研究内容,解决图像复原问题,往往涉及到大量的数据集和未知信息。为了解决此类高维数据优化问题,前向后向算法提供了简洁、实用的方法。快速迭代收缩阈值算法是在前向后向算法的基础上加入了全局加速算子,一定程度上提高了算法的收敛速率。但是,快速迭代收缩阈值算法在解决最小值优化问题时,采用的是固定步长因子,限制了算法的收敛速率。针对该问题,结合Barzilai-Borwein算子提出一种改进的变步长算法。改进算法在每次迭代中利用前两步的迭代信息更新步长因子,加快了算法的收敛。将该算法应用于压缩感知和图像去噪中,数值实验结果表明:该算法改进了原算法的收敛速率。因此,改进变步长快速迭代收缩阈值算法不仅提高了算法的效率,同时提高了信号复原的信噪比。

基于改进迭代收缩阈值算法的微观3D重建方法

迭代收缩阈值算法(ISTA)求解离焦深度恢复动态优化问题时,采用固定迭代步长,导致算法收敛效率不佳,使得重建的微观3D形貌精度不高。为此,提出一种基于加速算子梯度估计和割线线性搜索的方法优化ISTA——FL-ISTA。首先,在每一次迭代中,由当前点和前一个点的线性组合构成加速算子重新进行梯度估计,更新迭代点;其次,为了改变迭代步长固定的限制,引入割线线性搜索,动态确定每次最优迭代步长;最后,将改进的迭代收缩阈值算法用于求解离焦深度恢复动态优化问题,加快算法的收敛速度、提高微观3D形貌重建的精度。在对标准500 nm尺度栅格的深度信息重建实验中,与ISTA、快速ISTA(FISTA)和单调快速ISTA(MFISTA)相比,FL-ISTA收敛速度均有所提升,重建的深度信息值下降了10个百分点,更接近标准500 nm栅格尺度;与ISTA相比,FL-ISTA重建的微观3D形貌均方差(MSE)和平均误差分别下降了18个百分点和40个百分点。实验结果表明,FL-ISTA有效提升了求解离焦深度恢复动态优化问题的收敛速度,提高了微观3D形貌重建的精度。

迭代去噪收缩阈值算法重构压缩全息

为了解决全息图像数据在传输过程中占用大量内存并在一定程度上增加设计成本的问题,在数字全息成像技术中,应用压缩感知理论,提出了一种基于迭代去噪收缩阈值算法(IDNST)的数字全息重构方法.IDNST算法引入了去噪迭代因子和正则化收缩因子,利用前2次迭代的值、不断更新的迭代参数以及不断收缩的正则化参数来获得新的迭代值,加快了收敛速度,提高了全息图像的重构精度.仿真结果表明,所提出方法能够高概率地恢复出原始图像.

应用迭代收缩高分辨率Radon变换的绕射波分离与成像方法

为了充分利用地震记录中的绕射波信息刻画地下小尺度地质体(断层、裂缝、尖灭和孔洞等),需要将弱能量的绕射波从地震全波场中分离出来以实现绕射波单独成像。为此,在倾角域共成像点道集(CIGs)中,根据绕射波与反射波同相轴的形态差异,提出一种基于迭代收缩高分辨率Radon变换的绕射波分离与成像方法。首先采用迭代收缩阈值算法(ISTA),通过时间域简单的模型收缩步骤获得Radon域模型的稀疏性,以解决常规Radon变换中反射波与绕射波在Radon域中能量团聚焦性差、绕射波场分离效果不理想的问题;其次在编程实现算法的基础上,通过模型数据验证了该方法可有效分离绕射波、抗噪能力强,且当迭代超过20次时计算效率约为常规迭代重加权最小二乘(IRLS)算法的两倍。实际地震资料的应用验证了该方法具有较好的适用性。

单幅同轴全息图两步迭代收缩重建

利用压缩传感理论中的两步迭代收缩重建算法,开展单幅同轴全息图重建实验研究,实现单幅同轴全息图共轭重建像的消除并克服数字全息技术在轴向聚焦平面识别能力的不足。以数字图像和标准分辨率板为记录物体,比较分析了基于两步迭代收缩算法和菲涅尔近似衍射重建算法的重建质量;以两根裸光纤为实验样本,分析了两步迭代收缩重建算法对记录物体轴向不同焦平面的识别能力。实验结果表明两步迭代收缩重建算法可得到清晰度高于68.73%的重建信息,同时对直径为125μm的两根光纤在9mm的轴向间距条件下,显示出了比全息菲涅尔近似算法更好的聚焦平面识别能力。这一轴向聚焦识别能力有助于数字全息技术应用于功能材料梯度参数或功能涂层光学器件涂层厚度检测。

基于迭代收缩阈值网络的地震数据重构研究

由于复杂地球物理条件的影响,野外采集的地震数据往往存在缺失道、坏道的情况,严重影响后续的处理解释工作。压缩感知理论的提出使得地震数据可以不满足Nyquist频率进行稀疏压缩恢复,但重构效果受限于变换域以及参数的选择。因此,本文通过结合压缩感知凸优化算法迭代收缩阈值算法以及深度神经网络,通过用深度神经网络的每一层表示迭代收缩阈值算法的迭代过程,通过端到端的学习自动更新网络中的参数。将本文的方法应用于Tesseral模拟数据以及实际地震数据的地震数据重构,并与传统的迭代收缩阈值算法进行对比,实验结果表明,基于迭代收缩阈值网络的重构方法精度高,重建所需时间短,可以更有效地恢复地震信号。

一种深度学习的波束空间信道估计算法

在时分双工(TDD)毫米波大规模多输入多输出(MIMO)系统中,因为波束空间信道具有稀疏性,导致将低维测量数据重建为原始高维信道时会带来较高的复杂度。针对上行链路,在不考虑稀疏度的情况下,将传统优化算法和基于数据驱动的深度学习方法相结合,提出一种改进的基于深度学习的波束空间信道估计算法。从重建过程入手,通过交替建立梯度下降模块(GDM)和近端映射模块(PMM)来构建网络。首先根据SalehValenzuela信道模型进行理论公式推导并生成信道数据;其次构建一个由传统迭代收缩阈值算法(ISTA)的更新步骤所展开的多层网络,并将数据传输到该网络,每层对应于一次类似ISTA的迭代;最后对训练好的模型进行在线测试,恢复出待估计的信道。构建Py Torch环境,将该算法与正交匹配追踪(OMP)算法、近似消息传递(AMP)算法、可学习的近似消息传递(LAMP)算法、高斯混合LAMP(GM-LAMP)算法进行对比,结果表明:在估计精度方面,所提算法相对表现较好的深度学习算法LAMP、GM-LAMP分别提升约3.07和2.61 d B,较传统算法OMP、AMP分别提升约11.12和9.57 d B;在参数量方面,所提算法较LAMP、GM-LAMP分别减少约39%和69%。

基于多步迭代方法的快速总变分图像复原

针对目前总变分图像复原算法收敛速度较慢的问题,本文提出了一类基于多步迭代的快速总变分图像复原算法。提出了两种多步总变分图像复原算法:多步迭代收缩阈值算法和多步迭代加权收缩算法,并针对多步算法每次迭代需要额外估计权参数的不足,给出了一种固定权参数的多步总变分复原算法。同传统的单步总变分复原算法相比,提出算法在每次迭代过程中无需额外增加计算量,且需要很少的迭代就能达到收敛。实验结果表明:对复原不同因素引起的退化图像,文中提出算法的收敛性能远高于传统的单步迭代复原算法,从而我们提出的算法是有效的。

基于迭代收缩阈值算法的DOA估计方法

针对传统波达方向(Direction of Arrival, DOA)估计算法在低信噪比、小快拍的条件下估计精度不高的问题,提出了一种基于迭代收缩阈值算法的矢量水听器阵列多快拍DOA估计方法。首先,对空域进行等角度划分,构造超完备冗余字典,建立基于信号多快拍条件下的DOA估计模型,然后,采用迭代收缩阈值算法解决稀疏重构问题,求解出信号的稀疏系数矩阵,最后,将稀疏矩阵中行向量的范数映射到划分好的网格上,得到DOA估计值。仿真实验结果表明:该方法在低信噪比、小快拍条件下比OMP、 MUSIC和CBF等传统算法拥有更高的DOA估计精度和更强的鲁棒性。

基于改进GD-HASLR算法的遮挡人脸识别

针对遮挡人脸识别方面的算法在训练样本数目减少时,其识别结果也会下降。为了解决该问题,文中提出了一种改进的GD-HASLR(Gradient Direction-Based Hierarchical Adaptive Sparse and Low-Rank)算法。该算法先求得人脸图像的广义梯度方向,计算人脸图像从一阶到三阶的梯度大小和梯度方向,再利用映射函数进行映射后求得梯度方向向量,然后将其作为层次稀疏低秩模型的输入,求解出图像的表示系数和误差。文中采用了重启的快速迭代收缩阈值算法-Ⅱ求解稀疏表示系数。最后,计算一阶到三阶测试样本的残差,选取其频率最高或者平均等级最低的类别作为分类结果。在AR、Extended Yale B数据库上的实验结果表明,与GD-HASLR等方法相比,文中改进方法获得的识别效果更好。

基于FISTA算法的编码孔径光谱图像压缩与复原系统

在研究现有光谱图像压缩与复原的基础上,提出了一种新型的光谱压缩与复原方法,即基于编码孔径的光谱压缩复原系统;在光谱仪的光学系统中加入由数字微镜阵列(DMD)实现的编码模板,该编码模板为一个随机矩阵,可对目标的图谱数据立方体实现瞬时编码,目标的反射光经过该编码模板后三维图谱数据立方体被压缩成一个隐含有光谱信息的二维矩阵。在解码算法方面,首次提出了利用快速迭代收缩阈值算法(FISTA)实现从少量观测值中重构三维图谱数据立方体。该算法在每次迭代中估计一次梯度的同时还计算了一个额外的点。实验结果表明,该算法无论是在收敛速度,还是在复原重构效果上均有明显提高。

多天线正交频分复用的雷达信号处理算法

在实现雷达通信一体化中,正交频分复用信号被广泛使用,多输入多输出天线阵列的引入能定位目标所在的方位角,同时利用多天线也能提高通信的性能。在多输入多输出正交频分复用雷达通信一体化系统中,本文通过构建信号的雷达接收模型,将参数估计问题建模为压缩感知问题并进行求解,提出基于快速迭代收缩阈值算法的参数估计方法。仿真结果显示,在低信噪比情况下,本文所提方法优于基于迭代收缩阈值算法和基于正交匹配追踪的参数估计方法。