基于一种高阶正则化模型的光流估计方法

在光流分析技术中,为了能够在特殊情况下提高光流估计的准确性,提出一种扩展总广义变差(Ext-TGV)的光流估计方法。方法通过引入新的高阶正则项,将经典的二阶TGV进行非局部扩展,从而有利于实施分段仿射,且可将柔性分割信息包含在正则项内,在光流估计中能准确提供局部运动边界以及解决匹配项中的模糊问题;提出一个新匹配项,使其能较好地克服光照变化和尺度变化。通过在KITTI和SINTEL数据上的实验结果表明,与现有的光流评估方法相比,本文提出的光流估计方法能显著的提高光流估计的准确性。

高阶混合正则化图像盲复原方法

提出了一种高阶混合正则化图像盲复原方法,用于实现模糊噪声图像的清晰化盲复原。根据自然图像边缘的稀疏特性,对图像的边缘细节成分进行了全变差(total variation TV)正则化约束,根据自然图像同性质平滑区域内像素值的变化规律,将一种高阶的类Tikhonov正则化约束运用于图像的平滑区域中,提出了一种新的高阶混合正则化模型。最后,提出一种多变量分裂布雷格曼(Multi-variable Split Bregman MSB)最优化迭代策略对提出的模型进行最优化求解。实验结果表明,提出的方法能够很好地保护图像的边缘细节,同时有效地消除图像平滑区域内的阶梯和假边缘瑕疵。与近几年的一些较好的图像盲复原方法相比,本文方法的信噪比增量(increase of the signal to noise ratio ISNR)增加了0.03～2.5dB。

Laplace方程的Cauchy问题的一种正则化方法

本文主要研究Laplace方程的Cauchy问题,该问题在很多领域有广泛的应用.众所周知,Laplace方程的Cauchy问题是严重不适定问题,即其解不连续依赖于所给的Cauchy数据.本文应用一个高阶Tikhonov正则化方法求解矩形区域上的Laplace方程的Cauchy问题,在对精确解的适当的先验界假设和正则化参数选取下,得到了相应的收敛性估计,数值结果表明所提的方法是高效稳定的.

Poisson方程系数识别的有限元反演方法

Poisson方程的系数识别问题在医学成像和遥测勘探等许多领域有重要应用,由于该问题的不适定性且实际应用中采样含噪音,往往导致求解困难,为此提出一种有限元反演方法进行求解.首先,给出Poisson方程边值问题的弱解形式,在有限元空间对边值问题进行逼近;接着,基于三角剖分网格建立其系数识别问题的优化模型,得到系数识别问题的线性方程组;进而,利用高阶Tikhonov正则化模型降低反问题不适定性的影响;最后分别对光滑和分片光滑的扩散系数进行数值反演实验,验证该方法的有效性.