压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元...压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang,LOU Yi-fei,HE Qi等提出的l_1-2范数最小化方法的启发,将基于l_1-l_2范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l_1-l_2范数的相关性质,建立了基于l_1-l_2范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm)和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l_1-l_2范数的迭代方法.数值实验表明,基于l_1-l_2范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率.展开更多
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...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。展开更多
针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其...针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。展开更多
文摘压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号.块稀疏信号是一种具有块结构的信号,即信号的非零元是成块出现的.受YIN Peng-hang,LOU Yi-fei,HE Qi等提出的l_1-2范数最小化方法的启发,将基于l_1-l_2范数的稀疏重构算法推广到块稀疏模型,证明了块稀疏模型下l_1-l_2范数的相关性质,建立了基于l_1-l_2范数的块稀疏信号精确重构的充分条件,并通过DCA(difference of convex functions algorithm)和ADMM(alternating direction method of multipliers)给出了求解块稀疏模型下l_1-l_2范数的迭代方法.数值实验表明,基于l_1-l_2范数的块稀疏重构算法比其他块稀疏重构算法具有更高的重构成功率.
文摘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。
文摘针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。