基于梯度域L_(2)正则化重建模型的边缘感知图像处理方法

边缘感知图像处理是计算机图形学领域的一个重要课题,在图像细节增强和色调映射中应用颇多,然而现有处理方法常常受到光晕及梯度反转伪影的影响。为此,提出一种新颖的映射函数,其可在保持边缘的同时对图像细节进行灵活处理,从而适用于多种应用。同时提出一种基于梯度域L2正则化的重构模型,用于边缘感知图像处理。该模型从映射的梯度中重建处理后的图像,可以显著减轻光晕以及梯度反转伪影的影响;且该模型可基于傅立叶变换快速有效求解,在Intel i7-6700 CPU上处理一幅100万像素图像耗时0.46 s。定性定量实验结果表明,该图像处理方法在图像增强和色调映射中取得了较好结果,细节增强指标SSEQ为11.39,ILNIQE为27.52;色调映射指标SSEQ为14.88,ILNIQE为22.78。

基于GL_(2)-DNN的面向语句覆盖的程序缺陷定位方法

针对现有的基于深度神经网络的缺陷定位方法中参数设定不便,结合遗传算法的全局随机搜索能力、L_(2)正则化防止模型过拟合与深度神经网络学习复杂非线性能力,提出一种基于GL_(2)-DNN模型的程序静态缺陷定位算法。通过遗传算法寻找深度神经网络最优超参数;将所得语句覆盖信息与状态值输入深度神经网络计算每条可执行语句的可疑度值;根据可疑度值由高往低排序进行缺陷定位。选用Siemens Suite数据集作为实验样本,将GL_(2)-DNN与五种缺陷定位算法进行实验对比,结果表明,该算法能更精确地定位缺陷,计算效率也有所提升。

基于IHT算法的EMT金属探伤稀疏成像方法

为提高电磁层析成像(electromagnetic tomography,EMT)技术在金属结构缺陷检测时图像重建的效果,研究了基于迭代硬阈值(iterative hard thresholding,IHT)算法的稀疏成像方法。该文对传统图像重建算法的出发点、计算过程进行分析,再根据金属结构上缺陷分布的稀疏特性,选择稀疏成像方法;结合l_(2)、l_(1)、l_(0)范数约束下解的特点,选择l_(0)范数进行正则化约束解的范围,采用迭代硬阈值算法进行图像重建,并与Landweber迭代算法、Tikhonov正则化算法的图像重建效果进行对比。软件仿真和硬件实验均表明:l_(0)范数约束下的迭代硬阈值稀疏成像算法能够提高金属缺陷的图像重建质量;得到的图像相对误差比Landweber迭代算法、Tikhonov正则化算法降低10%;重建图像所用的时间减少一半。