自适应正则化滤波化极方法研究

化极是消除磁力异常斜磁化影响的关键步骤,可以在波数域(频率域)和空间域中实现.相比于空间域,在波数域(频率域)进行化极简单且高效,但在低纬度地区存在不稳定性问题,因此明确低纬度地区的范围,研究稳定、实用、精度高的低纬度地区化极方法具有重要意义.本文通过理论研究得出化极因子振幅的最大值为2时,对应的磁化倾角的值为±45°,当磁化倾角在该范围内时,引起化极不稳定.因此采用正则化思想,提出了自适应正则化滤波化极方法(ARF-RTP),该方法利用化极因子振幅构建正则化滤波函数,并以振幅值等于2作为约束计算化极方法的参数值,从而实现自适应化极处理,提高了化极方法的稳定性及实用性.同时结合迭代算法提高了此方法的精度,有效地解决了低纬度地区化极的不稳定性问题.自适应正则化滤波这一思想不但可以解决化极的不稳定性问题,而且可以解决分量转换或者磁化方向转换的不稳定性问题以及类似数据处理中的不稳定性问题,具有广阔的推广应用前景.

基于自适应正则化的无偏场景图生成方法

场景图生成旨在给定一张图片,通过目标检测模块得到实体和实体间关系的视觉三元组形式,即主语、关系和宾语,构建语义结构化表示。场景图可应用于图像检索和视觉问答等下游任务。然而,由于数据集中的实体间关系呈长尾分布,因此现有模型在预测关系时更偏向于粗粒度的头部关系。这样的场景图无法对下游任务起到辅助性作用。以往工作普遍采用再平衡策略,如重采样和重加权的方法,来解决长尾问题。但模型反复学习尾部关系样本,易出现过拟合现象。为了解决上述问题,文中提出了一种自适应正则化无偏场景图生成方法。具体来说,该方法通过设计一个基于先验关系频率的正则项,自适应地调整模型全连接分类器权重,从而实现对模型的平衡预测。所提方法在场景图VG(Visual Genome)数据集上进行了实验,实验结果表明,该方法不仅能防止模型过拟合,也能缓解关系长尾分布问题对场景图生成的负面影响,且最先进的场景图生成方法在结合所提方法后能更有效地改善无偏场景图生成的性能。

大地电磁自适应正则化反演算法

针对大地电磁正则化反演中正则化因子的选取困难问题提出了自适应正则化反演算法(AdaptiveRegularizedInversionAlgorithm,ARIA).在该算法中,①提出了一种新的数据方差处理方法:数据方差规范化,使得数据方差的大小只对数据的拟合发生影响,不对数据目标函数和模型约束目标函数的权重产生影响,从而减少了正则化因子取值的影响因素;②提出了粗糙度核矩阵的概念,并给出了由基本结构插值基函数计算粗糙度核矩阵的公式,使得模型目标函数的构建更为简便、直接;③根据数据目标函数、模型约束目标函数和正则化因子之间的关系,提出了两种正则化因子自适应调节方法.本文详细阐述了最平缓模型约束下的大地电磁一维连续介质反演的ARIA实现,以几个算例的分析比较来说明ARIA的有效性.

大地电磁反演中改进的自适应正则化因子选取

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.

大定源瞬变电磁一维自适应正则化反演

自适应正则化反演对初始模型要求较低,直接对瞬变电磁响应数据进行反演。正则化因子通过计算每次迭代的数据目标函数和模型目标函数自适应的得到,从而快速获得地下的地电结构。本文采用自适应正则化反演算法对大定源回线瞬变电磁一维层状模型进行反演,使用均匀半空间作为初始模型,首次采用模型对深度的二阶导数极小的模型约束,通过典型理论模型的反演计算,证明了TEM自适应正则化一维反演算法拟合效果好、精度高,由于不用反复搜索正则化因子,并且收敛速度快,体现了良好的稳定性和可靠性。

一种自适应正则化的图像超分辨率算法

提出一种自适应正则化的图像超分辨率重建算法.首先,利用局部残差均值自适应地计算各低分辨率图像通道的权值参数矩阵,可有效地利用各通道对应区域间的交叉信息;其次,利用正则项局部误差均值自适应地计算平衡正则项和保真项的正则化参数矩阵,能较好地保持图像边缘纹理等信息.实验结果表明本文算法不但具有较高峰值信噪比(Peak signal to noise ratio,PSNR)和结构相似度(Structural similarity,SSIM),而且在边缘、纹理等细节区域具有更好的重建效果.

垂直激电测深二维自适应正则化反演

为了提高垂直激电测深2维反演的分辨率和稳定性,提出了一种针对垂直激电测深数据的自适应正则化反演方法.在整个反演过程中,正则化因子的选取无需人为干涉,实现了完全的自适应.给出了极化率数据的广义线性总体光滑约束反演方法,分别对极化率反演中初始模型的给定、偏导数矩阵的计算及自适应正则化因子的选取进行了研究,并编制了实用、高效的垂直激电测深2维反演软件.通过对模拟和实测的垂直激电测深数据反演,验证了方法的可行性和有效性,编制的反演软件可用于实际生产.

半航空时间域电磁数据一维自适应正则化反演

半航空时间域电磁法集成了地面和航空电磁法各自的优势,不仅容易实现大发射磁矩,增大勘探深度,同时还可以提高勘探效率。但是由于半航空时间域电磁法在测量过程中,收、发距会发生变化,因此与地面和航空电磁法相比,其数据处理与反演解释更加困难。以长导线电性源半航空电磁法为例,将自适应正则化反演算法应用于半航空时间域电磁数据反演中。首先给出最平缓模型约束条件下的半航空时间域电磁数据自适应正则化反演算法,并引入并行技术实现了该反演算法的并行计算;然后对两种三层地电模型和一种六层地电模型的理论电磁响应加高斯白噪声后的数据进行反演计算;最后对其反演结果和并行计算的效率进行了详细地分析与讨论。实验结果分析表明:自适应正则化反演算法是一种有效的半航空时间域电磁数据反演解释方法,该方法具有很好的收敛性和稳定性;自适应正则化反演算法并行计算能大大减少反演计算时间,提高反演效率。

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。

自适应正则化超分辨率磁共振图像重建

目的为提高磁共振(MR)图像的分辨率和信噪比,本文提出一种自适应正则化的重建算法,从四幅分别存在亚像素级移动的低分辨MR图像实现超分辨率图像重建;本文提出的新正则化参数使得代价函数在定义域内呈局部凸性,同时在正则化参数中引入图像先验信息,以加强高频细节的恢复。结果表明,新算法能够有效的实现低分辨率MR图像的重建。

自适应正则化项去除乘性噪声

针对乘性噪声去噪算法研究,乘性噪声多出现在合成孔径雷达、超声波和激光等相干图像系统中,与标准高斯加性噪声不同,乘性噪声符合瑞利和伽马分布函数。文中通过:(1)取对数把乘性噪声模型转变成相加形模型;(2)改进正则化项成为自适应扩散模型;(3)将数学模型应用于图像处理的实践当中。在解决了阶梯效应的同时保持了图像的边缘。

基于自适应正则化的超分辨率重建方法

传统正则化超分辨重建得到的图像往往存在过度平滑或伪信息残留的问题,结合超分辨重建模型对重建图像伪信息的产生进行了分析,针对传统方法的不足提出了基于图像区域信息自适应的正则化方法,通过图像的区域信息将图像划分为平滑区与非平滑区域,对不同区域选用不同的先验模型进行约束。同时考虑人眼的视觉感知特性,结合区域信息实现正则化参数的自适应选取。实验结果表明该方法在抑制重建图像伪信息的同时能有效保护细节,效果要优于传统方法与单一的先验模型约束,对于红外与可见光图像重建效果的提升提供了一定的理论参考。

基于扩散张量的自适应正则化变分模型

结构张量是描述图像的有效工具。利用结构张量对图像灰度变化的方向和大小进行判断,提出基于扩散张量的自适应正则化变分模型。该模型将冲击滤波器耦合在其中,使其在恢复图像的同时能有效地增强边缘。同时,给出一种构造正则化参数的方法。仿真实验表明,该模型在对带噪图像进行自适应恢复时,能较好地保护边缘信息,增强纹理特征,得到了较为满意的结果。

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差(FOTV)模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑(低频)部分和纹理细节(高频)部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。

一种空间自适应正则化图象盲复原算法

图象盲复原所面临的主要问题是可利用信息的不足 ,所以必须充分利用图象本身及成像系统的先验信息 .为此 ,结合模糊先验辨识的思想 ,给出了一种新的空间自适应正则化算法 ,该算法先用交替最小化的迭代方法对模糊进行先验辨识 ,然后利用辨识结果 ,用各向异性扩散进行图象复原 .算法充分利用了图象及成像系统 (或点扩散函数 PSF)的分段平滑特性 ,同时又利用各向异性扩散的概念 ,使得正则化不仅在程度上 ,而且在方向上都是空间自适应的 ,从而能够有效地进行图象盲复原 .仿真结果表明 ,该算法的复原效果优于空间自适应各向同性正则化 (SAR)算法 ,其收敛性能优于空间自适应各向异性正则化 (SAAR)算法 .

小波域噪声分布估计的自适应正则化图像恢复

提出一种正则化图像恢复中自适应选择局部正则化参数的方法·首先提出局部正则化参数的大小应正比于降质图像局部噪声方差;然后在小波域内给出一种估计降质图像局部噪声方差的算法;最后根据小波域噪声方差估计值的分布自适应地确定局部正则化参数·实验结果表明,对于存在多种类型噪声的降质图像,文中方法对噪声方差的估计在分布上与真实噪声一致,而在恢复效果上则要优于Katsaggelos所提出的方法·

一种自适应正则化参数和模数的图像去卷积方法

自适应正则化方法是解决图像去卷积问题中平滑噪声和保持边缘矛盾的一种方法,传统的自适应正则化方法只考虑到图像的整体信息而忽略了图像内部不同区域的细节信息,本文提出的自适应正则化方法,利用Katsaggelos自适应正则化参数,自适应的改变正则化参数,并通过图像内部不同区域的信息自适应改变正则化模数矩阵.从而实现了平滑噪声和保持边缘的平衡,既保持了边缘又抑制了噪声,取得了更好的去卷积效果.

图上自适应正则化的图像去噪

自适应正则化方法在不同的局部区域能够选取不同的正则化参数和正则化约束,因而能够灵活地对边缘和噪声进行区别处理。将自适应正则化建立在图上,提出了一种定义在加权图上的,具有自适应参数的正则化模型。用nonlocal means算法构造图的权重函数,用建立在图上的自适应正则化方程实现图像的去噪处理,仿真实验结果表明:该方法能有效地去除图像中的噪声,在去噪性能上优于部分基于图论的偏微分方程方法。

自适应正则化核二维判别分析

传统的半监督降维技术中,在原特征空间中定义流形正则化项,但其构造无助于接下来的分类任务.针对此问题,文中提出一种自适应正则化核二维判别分析算法.首先每个图像矩阵经奇异值分解为两个正交矩阵与一个对角矩阵的乘积,通过两个核函数将两个正交矩阵列向量从原始非线性空间映射到一个高维特征空间.然后在低维特征空间中定义自适应正则化项,并将其与二维矩阵非线性方法整合于单个目标函数中,通过交替优化技术,在两个核子空间提取判别特征.最后在两个人脸数据集上的实验表明,文中算法在分类精度上获得较大提升.

基于空间自适应正则化和Hopfield网络的图像盲复原方法

本文在研究空间自适应正则化和Hopfield神经网络图像复原算法的基础上,综合两者的优点,提出了一种退化图像的盲复原方案,先对退化图像利用SAR算法进行先验辨识,再利用基于连续函数的全并行自反馈改进Hopfield神经网络算法进行精确的复原。仿真证明,此方案的盲复原结果图像的质量有很大改善。