核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习

本文提出了一种利用核典型关联性分析提取源域目标域最大相关特征,使用核逻辑斯蒂回归模型进行域自适应学习的算法,该算法称为KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning).该算法基于特征集关联性分析,有效的减小源域和目标域的概率分布差异性,利用提取的最大相关特征通过核逻辑斯蒂回归模型实现源域到目标域的跨域学习.实验比较源域数据上核逻辑斯蒂学习模型、目标域上核逻辑斯蒂学习模型、源域和目标域上核逻辑斯蒂学习模型和KCCA-DAML模型,结果显示KCCA-DAML在真实数据集上成功的实现了跨域学习.

非参数估计方法

为了解决函数估计问题,首先讨论了传统的参数回归方法.由于传统方法需要先验知识来决定参数模型,因此不稳健,且对模型敏感.因此,引入了基于数据驱动的非参数方法,无需任何先验知识即可对未知函数进行估计.本文主要介绍最新的8种非参数回归方法:核方法、局部多项式回归、正则化方法、正态均值模型、小波方法、超完备字典、前向神经网络、径向基函数网络.比较了不同的算法,给出算法之间的相关性与继承性.最后,将算法推广到高维情况,指出面临计算的维数诅咒与样本的维数诅咒两个问题.通过研究指出前者可以通过智能优化算法求解,而后者是问题固有的.

基于几何字典学习和耦合约束的超分辨率重建

传统的基于稀疏表示的超分辨率重建算法对所有图像块,应用单一冗余字典表示而不能反映不同几何结构类型图像块间的区别。针对这一问题,本文探索图像局部几何结构特性,提出一种基于结构特性聚类的几何字典学习和耦合约束的超分辨率重建方法。该方法首先对训练样本图像块进行几何特性聚类,然后应用K-SVD算法为每个聚类块联合训练得到高低分辨率字典。此外,在重建过程中引入局部可控核回归和非局部相似性耦合约束,以提高重建图像质量。实验结果表明,与单一字典超分辨率算法相比,本文方法重建图像边缘和细节部分明显改善,评价参数较大提高。

双边全变分的自适应核回归超分辨率重建

正则化方法是目前解决超分辨率重建中病态问题的一种被广泛使用的方法。在分析了现有基于多种正则化超分辨率重建方法的基础上,构造了一种基于双边全变分(BTV)的自适应核回归滤波核,并将它作为正则化超分辨率重构的代价函数,该方法根据图像特征自适应生成正则项的滤波核函数。实验结果表明,与传统的正则化重建方法相比较,该算法既能有效地去除噪声,也能很好地保留图像细节部分,同时还具有一定的鲁棒性。通过客观和主观评价表明,图像重建质量有显著的提高。

基于核回归的正则化超分辨率重建算法

在正则化超分辨率重建框架下,基于M-估计理论和核回归思想,提出一种稳健的超分辨图像重建算法。该算法融合了M-估计理论的稳健处理机制和自适应核回归算法的选择性加权特性,提高了算法的稳健特性和边缘保持特性。通过选取Tukey范数和自适应核回归正则项,有效避免了L2范数和L1范数只能针对特定噪声模型的不足。经实验证明,该算法无论是视觉效果还是峰值信噪比(PSNR)都有显著地提高。

自然场景中基于单样例的文本检测算法

在自然场景图像中由于图像背景的复杂性,给文本检测带来了不小的挑战.为了减少复杂背景对文本检测的影响,提出一种基于单样例的文本检测算法.单样例是一幅仅包含文本区域的图像.通过计算目标图像与单样例图像之间的特征相似度,对自然场景图像中文本区域进行初步定位,大大减少了MSER算法所提文本候选区域中的非文本区域.对于得到的文本候选区域,使用几何约束以及笔画宽度特征,进一步移除非文本区域.最后合并特征相似的文字区块,提取出图像中的文本区域.实验结果表明,与其他算法相比,该算法能够准确检测出图像中的文本区域,达到理想的定位效果.

基于双字典正则化的单帧图像超分辨率重建方法

为提高单帧图像的分辨率,提出一种基于内部字典和外部字典正则化的超分辨(super-resolution,SR)重建方法。首先,将输入的低分辨率(low-resolution, LR)图像划分为若干个结构相似的子区域,对每个子区域采用主成分分析(principal components analysis, PCA)字典学习方法构造每个子区域对应的内部字典;其次,将外部高分辨率(high-resolution, HR)图像的高频细节分为结构相似组,采用PCA字典学习方法构造外部字典;再次,使用非局部回归模型设计2个具有互补性的正则化项用于解决SR不确定性问题;最后,采用梯度下降迭代优化算法实现SR重构。实验结果表明,相比于对比方法,算法的峰值信噪比(peak signal to noise ratio, PSNR)平均提升0.2 dB,结构相似度(structural similarity, SSIM)平均提升0.01,并且能够获得更好的主观视觉效果。

基于局部边沿方向的非局部均值图像去噪算法（英文）

经典的非局部均值(Classic non-local means, CNLM)算法利用图像中自有的自相似性对噪声进行去除。去噪像素值通过其非局部邻域中所有像素的加权平均而得到。在CNLM算法中,计算权重系数的过程中同时考虑了像素值和该像素点距离中心像素点的距离之间的差异。然而,由于各向同性,高斯核不能反应边沿和结构信息,并且高斯核在平坦区域表现欠佳。本文提出了一种改进的基于局部边沿方向的非局部均值图像去噪算法。在边沿和结构区域使用旋转核回归系数(Steering kernel regression, SKR)计算权重系数,在平坦区域使用平均核计算权重系数。实验结果表明,与CNLM算法相比,提出的算法可以在有效地保护边沿和结构的同时更好地去除噪声。

基于非局部方向性核先验的PET图像Bayesian重建

为了在抑制噪声的同时更好地保持PET重建图像中的细节结构,提出了一种基于非局部方向性核先验(NSKP)的Bayesian重建算法.为了充分利用图像中的全局信息,该算法在二阶核回归过程中估计出图像梯度,计算出相应的方向性矩阵,并根据非局部均值权值矩阵和方向性矩阵的卷积,计算先验项的权值.在重建中,该算法在高阶核回归过程中同时更新图像的梯度和先验信息,而不是单独计算图像梯度.另外,高阶核回归方法运用多自由度的参数估计提高了重建的精确度.研究结果表明,该算法通过计算引入局部结构信息的全局先验权重,更好地抑制了噪声和过平滑,保持了重建图像中细节区域的结构性和背景区域的一致性.对体模数据的模拟实验结果从视觉和数值角度验证了该算法在PET图像重建中的有效性.

局部多项式回归的图像重建改进

针对随机取样产生的低分辨率图像的分布特性,在局部多项式回归的数学模型下,利用经典核回归方法重建图像的过程中,引入与取样窗范围内随机取样像素点数目相关的权重项。改进的权重函数同时受取样窗范围的控制,更具适应性,利用可控核回归方法引入局部方向信息提高重建图像的局部结构特征。仿真结果表明,改进后的方法不仅提高了重建图像的分辨率,而且降低了重建图像的均方误差。

基于核回归正则项的图像超分辨率重建

讨论了图像成像的基本模型,并提出了一种基于调整核回归函数作为正则项的序列图像重建算法。该算法是对已经提出的核回归算法的改进,减少其在超分辨率图像重建时的运算量。而且在图像配准过程中针对图像间只存在平移和旋转变换,采用了基于矩形像素值的亚像素配准方法,以提高配准的速度和精度。利用此算法对序列图像进行重建仿真,并通过结论得出其在噪声严重的情况下具有更好的边缘保留特性。

基于聚类稀疏表示与图像块自适应聚合的单幅图像超分辨研究(英文)

A Single Image Super-Resolution (SISR) reconstruction method that uses clustered sparse representation and adaptive patch aggregation is proposed. First, we randomly extract image patch pairs from the training images, and divide these patch pairs into different groups by K-means clustering. Then, we learn an over-complete sub-dictionary pair offline from corresponding group patch pairs. For a given low-resolution patch, we adaptively select one sub-dictionary to reconstruct the high resolution patch online. In addition, non-local self-similarity and steering kernel regression constraints are integrated into patch aggregation to improve the quality of the recovered images. Experiments show that the proposed method is able to realize state-of-the-art performance in terms of both objective evaluation and visual perception.

基于正则化局部自适应核回归的单点高密度地震资料随机噪声压制方法

单点高密度地震资料的波场信息丰富,但同时存在信噪比较低、有效信号严重混杂在噪声中的问题。经典核回归法可以在地震数据中同相轴连续的区域获得近似最佳的滤波效果,但在同相轴突变区域容易造成边缘模糊。为了更有效地处理地震数据,研究了正则化局部自适应核回归(RLASKR)方法进行随机噪声压制。传统核回归法将空间距离作为唯一的回归函数影响因素,而正则化局部自适应核回归方法综合考虑了空间距离和灰度距离,核函数的形状随着不同区域数据样本的特征而变化,因此地震记录中的同相轴边缘信息能够有效地保存下来。模型记录和实际地震数据测试都显示出该方法的灵活性和有效性,验证了该方法在振幅保真和噪声压制方面比传统核回归法有着更好的效果。

基于Lorentzian范数的图像超分辨率重建

本文在MAP随机正则化技术估计框架下,提出了一种基于Lorentzian范数估计和自适应核回归正则项的最小化代价函数。此算法对不同假设类型的噪声模型不敏感,鲁棒性较好。实验结果证明了本文方法不仅能有效提高图像清晰度,且与其它方法相比,去噪能力更强,边缘保持较好。