应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加了0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。

小波域隐Markov树模型的图像去噪快速算法

小波域隐Markov树模型(HiddenMarkovTreeModel,简称HMT)能充分表现小波系数的统计特征,但模型训练算法计算量大。文中以图像去噪为应用背景,提出了基于HMT粗分类的多树训练算法。该算法通过对不同类型的纹理建立不同的HMT,对小波系数进行粗分类,在此基础上,不同类别的小波系数被分别建模,并将粗分类HMT的参数作为最终模型训练的初始化参数,从而提高了模型的精度,同时减小了训练算法的计算量。对于含复杂场景或纹理的图像,提出了基于方差粗分类的训练算法,也能有效地提高模型精度。对自然图像和SAR图像的去噪实验表明,采用粗分类训练算法的HMT去噪模型的去噪效果在客观指标上优于现有的HMT去噪模型。

改进的基于小波域隐Markov树模型的图像复原

针对传统的基于小波域隐Markov树模型的图像复原算法运算时间长以及对噪声敏感的问题,提出了一种快速并且鲁棒的复原算法。首先使用改进的ForWaRD算法,由混合线性时不变Wiener反卷积和平稳小波阈值收缩算法对退化图像进行预处理,将其结果作为模型参数训练和隐藏状态概率求取的样本。然后分别通过EM算法和Upward-Downward算法求得模型参数和隐藏状态概率。最终通过小波域的Bayesian方法完成复原。实验结果表明,该方法可大大提高复原算法的运算速度,提高算法鲁棒性,在退化图像被噪声干扰比较严重时,较传统算法具有更好的复原效果。

基于隐Markov树的设备状态综合诊断模型

为了充分利用小波系数之间的统计相依性以更有效地诊断设备状态,提出了一种基于隐Markov树(HMT)的综合诊断模型。首先通过主成分分析将来自多个传感器的信号转换为主成分,求出各主成分对应的频谱,然后通过比较对已训练的各HMT模型的适应度,运用Bayes决策融合法则得到设备状态综合诊断决策。为了克服HMT模型存在的计算溢出困难,采用尺度变换对EM算法进行了改进。通过两个实例验证了该综合诊断模型具有较高的诊断准确率。

小波域隐Markov树模型降噪算法的改进

提出了适应于更一般情况的基于小波域隐Markov树(HMT)模型信号降噪的改进算法。通常算法以数个零均值高斯函数加权之和描述信号小波系数统计分布,在有些情况下可能带来严重失真。改进算法以一般统计模型描述信号小波系数分布,以最优估计方式对其降噪,能够避免不适当统计模型可能带来的潜在失真。数据仿真表叫该算法有时可以减少降噪信号的MSE(均方误差)80%以上。

基于隐Markov树故障诊断的确定退火设计

隐Markov树(HMT)模型故障诊断作为一种模式识别问题,其目标是得到最小分类误差。由于误分类率函数为分段线性常数,存在许多局部极小值,因此难以直接最小化。提出使用确定退火(DA)方法来最小化误分类率函数,通过在设计过程中随机化分类决策,并使用Shannon熵限制其随机程度,得到一个光滑的误分类率函数,它在熵为0时收敛到原来的误分类率函数。给出了优化过程中梯度计算的上行-下行算法和基于梯度下降的参数重估公式。提出的基于DA的优化方法用于减速器故障诊断,结果表明使用DA较ML估计可以得到更高的识别率。

基于隐Markov树的序贯故障诊断模型

为了充分利用先验信息和实测信号,提高故障识别率,根据Bayes方法和序贯决策的思想,将实测信号分段,将前一段信号的诊断后验信息作为后一段信号的先验信息,提出了一种基于隐Markov树(hidden Markov tree,HMT)的序贯故障诊断模型。给出了诊断模型的建模步骤、HMT模型的建立方法和Bayes后验概率的计算方法。将模型应用于某型减速器故障诊断的结果表明,对于有先验信息和无先验情况,该序贯模型都可以有效地提高故障识别率。

基于小波域隐Markov树模型及重要性修正的绝缘子红外图像去噪研究

在小波域隐Markov树模型的基础上,提出了一种基于小波域统计建模与小波系数重要性修正相结合的绝缘子红外图像去噪方法。该方法首先通过对数变换将乘性噪声转化为加性噪声,对对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,并采用EM算法来估计模型参数。在模型参数估计的基础上引入了基于重要性准则的小波系数修正,最后通过小波逆变换与指数变换获得去除噪声后的图像。实验结果表明,与普通的小波去噪方法相比,该方法不但有利于保持图像的边缘信息,有效解决红外图像的边缘模糊问题,而且能提高红外图像的信噪比并得到了较好的视觉效果。

小波域隐Markov交叠树模型及块效应评价

本文针对小波域隐Markov树模型(hidden Markov tree model,HMT)的块效应问题,分析了块效应的产生机理,给出了以图像去噪为基础的块效应评价准则,并提出小波域隐Markov交叠树模型(hidden Markov overlappingtree model,HMOLT)和基于该模型的图像去噪算法。该模型通过对每个节点的数据扩展,使每个节点包括相邻的3个(1维)或9个(2维)小波系数,实现同一尺度相邻节点数据的交叠,有效地减轻HMT因树状结构而产生的块效应。实验表明,本文给出的模型和去噪算法,无论是在均方误差(MSE)、块效应指标,还是在主观视觉方面,都优于HMT和基于HMT的去噪算法。

关于树指标隐Markov链及其等价定义

本文参照直线上隐Markov模型的概念,给出有限树指标隐Markov链的定义.在该定义中,树指标隐Markov链由两个树指标随机过程组成,其中第一个树指标随机过程是树指标Markov链,是不能被直接观测到的隐藏链;第二个树指标随机过程是可被观测的且关于第一个树指标随机过程条件独立,对于树上的任意一个顶点,第二个随机过程此处的取值只信赖于隐藏链中此处的取值.最后,我们给出了树指标隐Markov链的三个等价定义.

基于多粒度树模型的Web站点描述及挖掘算法

随着Web 所拥有的信息量和信息种类的急剧增长,Web 站点挖掘对于自动实现特定主题的 Web 资源发现和分类具有重要的意义.然而现有的 Web 站点分类或挖掘算法在利用上下文语义信息、去除噪声信息以进一步提高分类准确率等方面还缺乏深入研究.从站点的采样尺寸、分析粒度和描述结构 3 个方面分析了设计高效的 Web 站点挖掘算法所需要解决的问题.在此基础上,提出了一种新的 Web 站点多粒度树描述模型,并描述了包括基于隐 Markov 树的两阶段分类算法、粒度间上下文融合算法、两阶段去噪程序以及基于熵的动态剪枝策略在内的多粒度 Web 站点挖掘算法.站点的多粒度描述方法及挖掘算法为多站点查询优化、Web 效用挖掘等的深入研究奠定了基础.实验表明,该算法相对于基线系统平均可以提高 16%的分类准确率,并减少了 34.5%的处理时间.

基于复数小波的图像恢复算法研究

研究了基于复数小波的各种图像恢复算法 ,提出把HMT模型应用到ForWaRD的图像恢复中 .利用ForWaRD算法 ,首先把模糊加噪的降质图像在傅立叶域中进行维纳滤波器正则反卷 ,然后在小波域中进行去噪处理 ,可以得到较好的恢复效果 .对典型卷积加噪线性降质图像进行了仿真实验 ,并把基于复数小波的各种图像恢复算法的仿真结果同基于正交小波的图像恢复算法仿真结果作了比较 ,发现前者无论从客观指标还是视觉效果上都有明显的优势 。

基于MG-HMT模型的正交有限脊波域图像分割

针对图像分割中的过分割问题,提出了一种基于图像混合高斯-隐Markov树(Mixture Gaussian-hiddenmarkov tree,MG-HMT)模型的正交有限脊波分析的图像分割算法。正交有限脊波变换处理信息时具有检测信号线奇异的能力,在图像分割中为准确定位信息的边缘、轮廓提供了有力的支持。其次,对图像的小波系数建立了混合高斯-隐Markov树(MG-HMT)模型来描述其在不同尺度子带间的相关性,并利用小波系数自身的传递性和同层小波系数相关性进行补偿处理。仿真结果表明,采用本文算法实现的图像分割,有效地检测出图像信息的线奇异,从而减小了由于干扰在梯度图中造成虚假的局部极值而产生的过分割现象,准确地定位了图像的区域信息。

基于HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT)的基础上给出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。

非下采样Contourlet HMT模型

非下采样Contourlet变换(NSCT)不仅具有类似传统小波变换和Contourlet变换的多尺度和多方向特性,而且还具有良好的平移不变特性.文中对NSCT变换系数进行研究,获得NSCT变换的方向子带系数同样具有持续性和聚集性的结论;在此基础上结合隐Markov树模型,建立了一种新的基于NSCT域的隐Markov树模型NSCT-HMT,并且给出了该模型的参数结构以及模型参数的训练方法;最后将所提出的模型应用于图像去噪中取得了很好的仿真效果.

系数多状态关联的图像NSST-HMT模型

近年来,非下采样Shearlet变换(non-subsampled shearlet transform, NSST)因其具有各向异性,多方向捕捉性的同时,还兼具平移不变性,从而在图像恢复过程中发挥着重要的稳定作用.本文首先对图像NSST子带内系数关系、子带间系数的'父子关系'和'兄弟关系' 3方面进行分析,获得子带内系数具有稀疏性、子带间'父子关系'和'兄弟关系'系数均具有聚集性和传递性的结论.在此基础上提出一种基于系数多状态关联的隐Markov树模型(multi-state non-subsampled shearlet transform hidden Markov tree, M-NSST-HMT),该模型通过将NSST子带间系数的'父子关系'和'兄弟关系'作为共同指导子带间系数传递的状态来估计重构系数,并利用两种状态关联的互信息来对重构系数进行整合.最后将所提出的模型应用于图像去噪并取得良好的去噪效果,结果表明所提出的模型较传统HMT模型能够更好地揭示图像NSST变换后子带内和子带间系数的关系,并提高系数的预测准确性.

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。