基于高阶马尔可夫随机场及非线性压缩感知的相位恢复算法

在编码衍射成像系统中,为精确重构复图像的幅值和相位,需获取大量的编码衍射图样,导致数据采集时间长.为减少编码衍射图样的数量,本文基于非线性压缩感知理论框架,利用高阶马尔可夫随机场统计先验模型,提出了一种鲁棒相位恢复算法.该方法将复图像的幅值和相位分别进行正则化,并将数据保真项与幅值和相位正则项结合作为代价函数,采用Heavy-Ball算法求解所对应的非凸优化问题.实验结果表明,本文算法在编码衍射图样较少的情况下仍能获得较高的图像重构质量,且对噪声鲁棒.

学习高阶马尔可夫随机场:评分匹配方法

传统的马尔可夫随机场模型有两个内在的缺陷:邻域的低阶性和参数的手动选择。提出一种新的机器学习方法——评分匹配法,从训练图像数据中学习得到一组高阶马尔可夫随机场模型参数。为了验证通过学习得到的马尔可夫随机场模型的能力,将学习得到的参数向量通过贝叶斯规则应用于图像去噪。实验结果表明:不管是根据峰值信噪比的大小还是根据主观视觉,都能取得优秀的去噪效果,从而表明该学习方法的有效性。

基于高阶马尔可夫随机场的图像去噪声研究

在图像去噪声处理中,高阶马尔可夫随机场通过最小化能量函数达到最优的去噪声结果。为了提高能量函数的优化性能,在马尔可夫随机场子模型的基础上对原始问题和对偶问题进行了分析,提出了一种基于原始-对偶方法的子模块之和方法。描述了马尔可夫随机场的线性规划及其对偶问题,并介绍了子模块之和流方法。通过对子模块之和流方法的原始问题和对偶问题进行分析,提出了同时满足派系松弛和一元松弛条件的近似解计算方法。实验表明,提出的方法与四种典型的图像去噪声方法相比具有更好的效果和更短的运行时间。

高阶马尔可夫随机场下目标识别模型的建立

目标识别是指一个特殊目标(或一种类型的目标)从其他目标(或其他类型的目标)中被区分出来的过程。给出了高阶马尔可夫随机场下的区域邻域系统定义;通过贝叶斯分析,构建了基于协方差矩阵描述子刻画的图像区域度量的先验模型和似然模型;应用随机算法得到极大后验估计,求得目标所在位置和角度;再通过以目标所在位置为中心,获得多个随机矩形;最终以覆盖范围最大者为所寻找的目标区域。通过Matlab仿真实验,对道路中的斑马线进行模拟识别。实验结果表明,可以达到在大区域中识别出既定目标的目的。

一种新的基于变分模型的相干斑去噪算法研究

专家场(Fields of Experts,FOE)图像先验模型是一种基于滤波器学习的高阶马尔可夫随机场(MRF)模型,对于许多图像复原问题该模型已经被验证其有效性。本文提出一种基于FOE图像先验模型的新的变分模型,用于相干斑噪声(乘性噪声)去噪。本文提出的变分模型需要求解一个非凸极小化问题,该问题可以通过i Piano(Inertial Proximal Algorithm for Nonconvex Optimization)算法来有效地解决。通过仿真图像和真实合成孔径雷达(Synthetic Aperture Radar,SAR)图像的去噪试验,可以表明本文提出的算法与目前最好的相干斑去噪算法性能相当。此外,本文提出的算法适用于图形处理器(Graphics Processing Unit,GPU)平台并行加速,可以大大提高运算效率。