公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

压缩感知ISAR成像的全变差优化最小算法被引量：2: 2013年; 对于逆合成孔径雷达(ISAR)目标成像,从少量压缩测量回波数据重建高分辨率运动目标是不适定问题,且观测噪声也会影响重建结果。在频率步进连续波ISAR系统回波观测模型基础上,结合压缩感知原理,给出了一种基于全变差正则化的ISAR压缩感知成像模型,通过将该优化模型转化为一系列简单代理函数进行求解,提出了一种快速优化最小算法。最后在不同回波信噪比条件下进行仿真验证。实验结果表明,当回波信噪比大于10 dB时,本文方法明显优于距离–多普勒算法和基于L1范数的压缩感知成像方法。; 冯灿肖亮韦志辉; 关键词：逆合成孔径雷达成像压缩感知

彩色图像去马赛克的非局部稀疏表示方法被引量：4: 2014年; 目前,大部分彩色去马赛克(Color DeMosaicking,CDM)算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l1范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.; 黄丽丽肖亮韦志辉; 关键词：正则化

改进的核回归图像恢复被引量：3: 2011年; Steering核回归是一种自适应的、有效的图像恢复方法,在图像去噪、放大和去模糊中都得到了广泛应用。但此模型以高斯函数为核函数,故得到的恢复图像边缘,尤其是细小边缘常常会因过分平滑而模糊。提出基于鲁棒统计的各向异性核回归图像恢复模型,该模型在Steering核回归模型基础上,结合各向异性距离,以鲁棒统计权函数代替高斯核函数。大量图像恢复实验结果显示,与Steering核回归方法相比较,所提出方法得到的恢复图像质量显著提高,尤其是在细小边缘保持方面更具有明显优势。; 刘红毅韦志辉张峥嵘; 关键词：图像恢复核回归

基于骨架树的荧光共焦图像神经树突棘自动分割与检测方法被引量：1: 2012年; 提出一个荧光共焦图像中神经树突棘自动分割与检测方法。该方法采用新的自适应区域生长法对神经树突棘目标进行预分割,基于种子点的路径规划算法,以计算给定点到目标点的最短路径来获取初始主骨架;通过建立最小生成树描述模型对骨架进行修剪,利用种子点间的矢量角度变化及顶点距离值对突棘进行检测提取。实验结果表明,该方法能很好地提取树突骨架,并取得了较好的突棘检测效果。; 张建明任鑫博张梵彪张小丽; 关键词：树突棘种子点

自适应非局部patch正则化图像恢复被引量：7: 2012年; 非局部均值利用图像自相似性,有效保持了图像的几何结构信息.提出了非局部patch正则和TV正则结合的图像恢复模型,利用改进的结构张量矩阵构造自适应非局部权函数,根据像素的局部结构计算图像中patch的相似性,提高了图像结构信息的保持性能.在数值解法上,采用分裂Bregman算法迭代求解模型,得到简单快速的迭代形式.数值实验证明所提出方法在提高恢复图像质量和算法效率上都有显著改进.; 刘红毅韦志辉张峥嵘; 关键词：图像恢复非局部正则化

优化加权TV的复合正则化压缩感知图像重建被引量：12: 2014年; 目的压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,提出一种基于优化加权全变差(TV)的复合正则化压缩感知图像重建模型。方法提出的重建模型是以TV正则化模型为基础。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果针对自然图像的不同特性,使用复合正则化先验进行建模,实验结果表明上述重建问题通过本文方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论与其他基于TV正则化的重建模型相比,本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。; 费选韦志辉肖亮李星秀; 关键词：压缩感知

全选清除导出

共1页<1>

江苏省自然科学基金(BK2010488)