基于L1范式优化透射率和饱和度补偿的去雾方法

雾霾天气下捕获的图像存在低饱和度与色调偏移等现象,传统的暗通道先验去雾算法在处理有雾图像时各有不足。为此,提出一种基于L1范式优化透射率和饱和度补偿的图像去雾方法。首先,利用交叉双边滤波器对大气光值进行区间估计,并通过引导滤波方法获得介质传输率的粗略估计;然后,利用Kirsch与Laplacian算子构成的一组高阶滤波器对透射率进行处理,同时通过L1范式对目标函数进行优化,从而得到优化后的透射率;最后,根据饱和度补偿与色调调整对图像进行细节处理,获得无雾的清晰图像。根据提出的模型对单幅图像进行去雾处理,并分析该方法的效率与误差。实验表明,该方法处理的图像具有最佳的视觉效果,相比于其他方法,图像边缘细节信息明显,且具有较快的运算速度;采用饱和度补偿与色调调整可以在避免颜色畸变的同时获得高饱和度与高对比度的复原图像,鲁棒性较好。

基于L1范式的人脸识别研究方法综述

近几年一些基于L1范式的人脸识别方法已经相继提出,使人脸识别能力有了显著的提升,但是至今还没有文献对它们进行综合的介绍和比较。本文阐述了目前一些流行的基于L1范式的人脸识别方法以及这些方法的优缺点;展望了基于L1范式的人脸识别方法的研究趋势。

基于L_1和L_2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L1和L2混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 d B^5.2 d B。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。

L_1和L_2混合范式超分辨率重建的车牌识别

针对视频中低分辨率图像的车牌识别准确率低的问题,提出一种结合L_1和L_2混合范式的序列图像超分辨率重建的车牌识别技术。首先对序列低分辨率图像进行L_1和L_2混合范式超分辨率重建,其次对重建后得到的一帧高分辨率图像进行基于HSV颜色模型车牌定位,然后对分割出的字符采用方向梯度直方图和支持向量机相结合的方法进行车牌识别。实验结果显示提出的算法对车牌中的字符识别效率高达96%,对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明,通过L_1和L_2混合范式的超分辨率重建处理,将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。

基于混合范式的评标记录影像重建方法

为实现评标过程有据可查的目标,解决评标记录影像图片模糊、不清晰、分辨率低的问题,提出了一种基于L1与L2混合范式的超分辨率重建算法,该算法采用一种通用的代价函数来平衡L1范式与L2范式之间的拟合度,解决图像超分辨率重建过程中L1(一阶)范数法模型估计误差大和L2(二阶)范数法估计算子对图像灰度值异常点敏感、算法抗噪声能力差的缺陷,并结合图像的平均梯度来自适应确定影响函数的阈值。实验测试结果表明:此方法与采用单一的L1或L2范式估计算子相比,图像平均梯度分别平均提高了1.5倍和1.3倍,信息熵和对比度也得到了提高,图像视觉效果明显改善,有效解决阳光采购评标留档影像质量问题。

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法。在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合。当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过L1范式最小化求解。每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重。目标跟踪的结果为权重最大的候选。实验结果表明本文提出的算法比文献中现有的基于L1范式最小化的跟踪方法性能更稳定、计算效率更高。

基于扩散的自适应超分辨率重建

从各向异性角度分析了P-M模型、L1范式(TV模型)、L2范式(调和模型)的不足,通过扩散模型建立超分辨率重建的偏微分方程,提出一种非线性各向异性和超分辨率重建组合的模型。该模型在图像平坦区域具有线性各向同性扩散,能够有效消除噪声,在图像边缘区域具有非线性各向异性扩散保留边缘,有效减少了滤波产生的阶梯效应和P-M模型过渡平滑忽略细节的现象。仿真结果表明,该模型能够有效地提高图像重建质量,能在消除噪声的同时保留边缘,具有很好的鲁棒性。

鲁棒的半监督多标签特征选择方法

针对现有的半监督多标签特征选择方法利用l2-范数建立谱图易受到噪声影响的问题,文中提出一种鲁棒的半监督多标签特征选择方法,利用全局线性回归函数建立多标签特征选择模型,结合l1图获取局部描述信息提高模型准确度,引入l2,1约束提升特征之间可区分度和回归分析的稳定性,避免噪声干扰。在4种开源数据集上借助多种性能评价标准验证所提出方法,结果表明:本文方法能有效提高分类模型的准确性和对外界噪声的抗干扰性。

新颖的判别性特征选择方法

作为数据预处理的一种常用的手段,特征选择不仅能够提高分类器的分类性能,而且能增加对分类结果的解释性。针对基于稀疏学习的特征选择方法有时会忽略一些有用的判别信息而影响分类性能的问题,提出了一种新的判别性特征选择方法——D-LASSO,用于选择出更具有判别力的特征。首先D-LASSO模型包含一个L1-范式正则化项,用于产生一个稀疏解;其次,为了诱导出更具有判别力的特征,模型中增加了一个新的判别性正则化项,用于保留同类样本以及不同类样本之间几何分布信息,用于诱导出更具有判别力的特征。在一系列Benchmark数据集上的实验结果表明,与已有方法相比较,D-LASSO不仅能进一步提高分类器的分类精度,而且对参数也较为鲁棒。