基于MAP与POCS混合算法的微内腔尺寸测量方法

光纤微力接触式测量方法是测量内腔体尺寸的一种新方法,但其采集的图像受光学系统景深等各种因素的影响而使其质量下降,从而导致测量精度的下降.为此提出了一种基于最大后验概率算法与凸集投影算法的混合处理方法,以提高测量精度.该处理方法结合MAP整体收敛性好和POCS细节保持能力强的特点,首先利用MAP算法使图像达到全局最优,再为图像的局部增加凸集,使局部同时达到最优.该方法能够降低图像中噪声对高频恢复的影响,保证最优图像的唯一性,同时保持图像的边缘与细节,可以显著提高测量精度.实验结果表明,应用此处理方法对微内腔体尺寸进行测量时可以实现对内腔体尺寸的精密测量,其定位不确定度可提高3倍,测量不确定度可达0.7μm.

混合MAP-POCS算法在压缩视频中的应用

压缩视频的超分辨率算法受到视频压缩算法的影响,比一般序列图像的超分辨率算法复杂。本文在POCS的约束条件中采用了去除块效应的约束集,将去除块效应的操作融入混合MAP-POCS算法的框架中,将其应用于实际压缩视频的超分辨率重建。通过仿真实验结果证实,本文采用的算法在较低码率的压缩条件下具有更好的重构效果。

基于最大后验估计的无监督聚类算法

传统的基于EM算法的聚类方法,当模型的某个高斯分量的协方差矩阵变为奇异矩阵时,会导致聚类失败。提出在聚类过程中用最大后验估计(MAP)来代替极大似然估计(MLE);将一种改进的贝叶斯信息准则(BIC)与模型参数估计同时处理,扩大了模型选择的搜索范围。该算法有效地避免了协方差矩阵在迭代中陷入奇异,并将参数估计和模型选择同时进行。通过R软件进行仿真分析,结过表明改进的算法在减少计算量同时,提高了聚类的准确度,并具有鲁棒性。

概率图模型推理方法的研究进展

近年来概率图模型已成为不确定性推理的研究热点,在人工智能、机器学习与计算机视觉等领域有广阔的应用前景。根据网络结构与查询问题类型的不同,系统地综述了概率图模型的推理算法。首先讨论了贝叶斯网络与马尔可夫网络中解决概率查询问题的精确推理算法与近似推理算法,其中主要介绍精确推理中的VE算法、递归约束算法和团树算法,以及近似推理中的变分近似推理和抽样近似推理算法,并给出了解决MAP查询问题的常用推理算法;然后分别针对混合网络的连续与混合情况阐述其推理算法,并分析了暂态网络的精确推理、近似推理以及混合情况下的推理;最后指出了概率图模型推理方法未来的研究方向。

FGMM-MRF层次模型在图像分割中的应用

为了更好地反映图像的区域结构,在高层次标记图像中,区域内部用各向同性的MRF建模,区域的边界用各向异性的MRF来建模;在低层次灰度图像中,用FGMM来描述待分割图像的概率分布.采用Bayes方法,根据标记图像的后验分布所对应的FGMMMRF模型的条件概率,用ICM局部优化算法获得MAP准则下的分割图像.用模拟图像和MR图像进行实验,区域的边界和整体属性具有较好的视觉效果.

基于稀疏表征的话者识别

近年来,随着信号的稀疏性理论越来越受到人们的关注,稀疏表征分类器也作为一种新型的分类算法被应用到话者识别系统中。该模型的基本思想是:只要超完备字典足够大,任意待测样本都能够用超完备字典进行线性表示。基于信号的稀疏性理论,未知话者的向量系数,即稀疏解可以通过L1范数最小化获取。超完备字典则可视为语音特征向量在高斯混合模型-通用背景模型(GMM-UBM)上进行MAP自适应而得到的大型数据库。采用稀疏表征模型作为话者辨认的分类方法,基于TIMIT语料库的实验结果表明,所采用的话者辨认方法,能够大大提高说话人识别系统的性能。