一族非自相似分形集的Hausdorff维数与测度

强调了一类Sierpinski地毯不是自相似分形集 .对于某些参数的Sierpinski地毯 ,计算了Hausdorff维数和测度 .对另一些参数计算了维数并估计了测度的上下界 .

半线性抛物型方程中的非自相似殆核率

研究了一类半线性抛物型偏微分方程,其具有强吸收、快速扩散的性质,证明了其殆核的时间率不是自相似的,得到了可扩展的解在单点的最终殆核的粗略估计与精确估计.

非线性变换和守恒律方程的非自相似解

该文提出了一种非线性变换把一类n维单守恒律方程和初值同时降维为一维,得到非自相似形式的全局解和基本波的表达式,并发现了非自相似解和相似解之间的本质性差别和联系.

非齐次二维Burgers方程的非自相似黎曼解的奇性结构

该文研究了二维非齐次Burgers方程Riemann问题的激波解和稀疏波解之间相互作用的全局奇性结构及其演化,其中初值被两个相离的圆隔开并分成三片常数.首先得到了由初值间断发出的激波解和稀疏波解的表达式;其次,讨论了这些激波和稀疏波的相互作用,并发现了一些新现象,其与齐次情形相比,激波和稀疏波能一直相互作用,相互作用的时间没有使得结构发生改变的临界值;最后构造了非自相似解的全局结构,并发现了有别于齐次情形的渐近行为,即基本波区域的直径是有界的.

关于水流挟沙力的非完全自相似分析

张瑞瑾挟沙力公式在泥沙工程计算中已得到广泛应用,然而如何确定公式中的系数和指数,目前尚无有效的直接计算方法。从量纲分析入手,基于非完全自相似原理,提出了一种新的挟沙力分析方法,并采用水槽实验资料进行了检验和详细说明。分析结果表明:张瑞瑾公式中的指数可表达为V/ω(其中V为水流平均流速,ω为泥沙颗粒沉速)的对数函数,而其系数则与V/ω成幂函数关系。通过考虑V/ω对公式系数和指数的影响后,挟沙力公式的预测精度明显提高,计算误差可减少36%~49%。由于所用资料的范围有限,提出的公式普适性有待验证,但所采用的分析方法可能也适用于其他挟沙力问题。

基于非局部相似块低秩的压缩感知图像重建算法

传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(Nonlocal Self-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.

非局域自相似约束的Shearlet稀疏正则化图像恢复

提出一种结合非局部自相似和Shearlet稀疏性正则化的图像恢复变分模型。模型采用观测图像与待恢复图像的能量误差为保真项,联合Shearlet稀疏性和非局域自相似性为混合正则化项。正则化项同时兼顾图像的变换特性和自身结构全局特性。基于变量分裂增广拉格朗日法提出了求解该变分模型的数值算法。以图像去模糊和图像修复为例,对算法性能进行了测试。实验结果表明,该模型和所提算法能够较好地恢复图像,与其他算法相比,可获得更高的峰值信噪比(PSNR)和结构自相似指标(SSIM),具有更好的视觉效果。

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法。首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像。实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 d B和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 d B和0.045;比基于三变量模型的剪切波去噪方法提高0.64 d B和0.025。

外部非局部自相似先验的图像去噪

针对在噪声水平比较高的情况下难以从噪声图像本身提取准确先验信息的问题,提出一种从外部干净图像数据集学习非局部自相似先验信息的图像去噪方法。首先用高斯混合模型学习外部干净图像的非局部自相似先验信息,其次利用最大后验概率估计的方法找到与噪声图像块最匹配的外部先验信息,最后利用外部先验对噪声图像块进行稀疏表示。实验对比表明,所提算法在去除噪声的同时可以较好地保留图像的细节信息,使图像数据集的平均峰值信噪比提高0.18 dB以上。

图像非局部自相似的稀疏表示算法

在研究图像非局部自相似以及图像稀疏表示的基础上,致力于设计简单有效的数据变换方式,提出一个图像非局部自相似的投影算法,并利用该算法设计一个图像去噪声算法,通过稀疏表示图像,增强图像的纹理细节及图像的结构信息,从而恢复具有高保真度的图像.仿真实验结果表明,该算法能在保留图像纹理及结构信息的情况下有效去除噪声.

基于置信度和非局部自相似滤波的超分辨率重建

针对低分辨率深度图像在超分辨率重建中出现边缘细节模糊和振铃效应问题,提出了结合同场景彩色高分辨率图像,利用深度图像置信度和非局部自相似滤波的超分辨率重建算法。在联合双边上采样滤波器的基础上,结合深度图像置信度,去噪平滑图像,在非局部自相似滤波中结合同场景彩色图像的特征结构信息进行约束,可以很好减轻振铃效应,重建出高分辨率图像。实验结果表明,本文方法在去噪平滑图像的同时更好地保护边缘细节,避免振铃效应,取得不错效果。

基于非局部稀疏编码的超分辨率图像复原

基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。

基于图像自相似结构的视频图像插值算法研究

针对在处理边缘复杂和纹理信息丰富的图像时,传统的视频图像插值算法难以达到较高的清晰度,输出图像容易产生锯齿和模糊效应的问题,提出了一种新的视频图像插值算法。算法利用帧间和帧内图像大量存在的空间冗余信息,建立了空域分形自相似模型。该模型在非局部区域搜索得到邻居块,通过对低分辨图像块和不同采样网格上的邻居块线性组合来拼贴重建得到高分辨率图像。实验结果表明:该算法插值后的图像重建精度较高,同时由于模型的结构较为简单,整个算法的计算量也很小。

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

针对深度图像分辨率低、深度不连续性模糊问题,提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性,提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块,并根据形状自适应块构建目标像素的相似像素组;然后针对相似像素组中的每个像素,结合同场景的高分辨率彩色图像获得非局部权重,从而构建非局部回归先验。为了保持深度图像的边缘信息,对图像梯度的非局部性进行探究。不同于总变分(TV)正则化对所有像素点梯度的零均值拉普拉斯分布假设,该方法利用深度图像梯度的非局部相似性,用非局部块估计特定像素点的梯度均值,并用学习到的均值来拟合各像素点的梯度分布。实验结果表明,相较于基于边缘不一致性评价模型(EIEM),所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差(MAD)分别下降了41.1%和40.8%。

基于改进复扩散自适应耦合非局部变换域模型的图像放大

针对二阶偏微分方程(PDE)放大算法丢失弱边缘和纹理细节的不足,提出一种改进复扩散自适应耦合非局部变换域模型的图像放大算法。利用复扩散具有边缘定位准确的特点耦合冲击滤波器,改进复扩散模型能够较好地增强强边缘;而通过对相似图像块构成图像组的三维变换系数的稀疏特性进行建模,非局部变换域模型能够很好地利用图像中相似图像块的非局部信息,对弱边缘和纹理细节有较好的处理效果;最后利用复扩散得到图像的二阶导数作为参数实现改进复扩散模型和非局部变换域模型自适应耦合。所提算法与偏微分方程放大算法、非局部变换域放大算法和偏微分方程耦合空域非局部模型放大算法进行仿真实验比较,在强边缘、弱边缘和细节纹理具有较好的放大效果,弱边缘和纹理细节图像在平均结构相似性测度上高于改进复扩散放大算法、非局部变换域放大算法。所提算法验证了空域模型和变换域模型、局部模型和非局部模型耦合结合的有效性。

基于低秩近似与非局部稀疏的图像去噪

基于低秩近似方法进行图像去噪逐渐成为图像处理领域研究的热点。将图像块分解成一个低秩矩阵和噪声矩阵,利用矩阵的秩来约束图像块的相似性,且现有的非局部稀疏表示算法利用图像块的自相似性进行去噪。鉴于此,提出低秩近似与非局部稀疏的图像去噪模型。该算法加强了图像分解的全局稀疏性约束,更好地保留了图像的细节和边缘信息。

二阶广义全变分耦合非局部变换域模型的图像放大

为了提高偏微分方程放大算法对弱边缘和纹理细节的放大效果,采用二阶广义全变分耦合非局部变换域模型,提出了一种图像放大算法模型。非局部变换域模型通过对相似图像块构成的图像组进行三维变换,利用由于图像非局部自相似特性导致的变换系数稀疏特性建模,能够很好利用图像中相似图像块的非局部信息。该算法利用二阶广义全变分模型增强强边缘,非局部变换域模型增强弱边缘和纹理细节,通过变分模型实现两者的耦合,具有良好的放大效果。与其他算法进行仿真实验比较,二阶广义全变分耦合非局部变换域模型在处理强边缘、弱边缘和细节上都取得了较好的放大效果。

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。

基于局部回归模型的图像超分辨率重建

针对基于稀疏重建的图像超分辨率（SR）算法一般需要外部训练样本,重建质量取决于待重建图像与训练样本的相似度的问题,提出一种基于局部回归模型的图像超分辨率重建算法。利用局部图像结构会在不同的图像尺度对应位置重复出现的事实,建立从低到高分辨率图像块的非线性映射函数一阶近似模型用于超分辨率重建。其中,非线性映射函数的先验模型是直接对输入图像及其低频带图像的对应位样本块对通过字典学习的方法得到。重建图像块时利用图像中的非局部自相似性,对多个非局部自相似块分别应用一阶回归模型,加权综合得到高分辨率图像块。实验结果表明,该算法重建的图像与同样利用图像具有自相似性的相关超分辨率算法相比,峰值信噪比（PSNR）平均提高0.3~1.1 d B,主观重建效果亦有明显提高。

带有源项的广义Chaplygin气体磁流体Euler方程组Riemann解的极限

研究了带有源项的广义Chaplygin气体磁流体Euler方程组Riemann解的极限.由于非齐次项的影响,带有源项的广义Chaplygin气体磁流体Euler方程组Riemann解不再是自相似的.当压力和磁感强度同时消失时,它的解会收敛到零压流输运方程组的Riemann解,解中会出现δ-激波和真空现象.同时研究还得到了仅当磁感强度消失时,它的解会收敛到非齐次广义Chaplygin气体Euler方程组的Riemann解,并且解中只出现δ-激波.