一种应用于欠采样图像的自适应稀疏重建方法

针对图像稀疏重建中因使用固定参数的全变分(TV)正则项所带来的图像细节缺失和阶梯效应问题,提出了一种自适应二阶广义全变分(TGV)约束的图像稀疏重建算法.该算法采用二阶广义全变分模型权衡图像的一阶导数和二阶导数,且能够根据每次迭代得到的重构解及对应张量函数自适应地修正权重系数,实现图像的稀疏重建.与全变分正则模型和固定参数广义全变分正则模型相比,该算法能更好地保持图像轮廓和细节信息,提高重建图像的峰值信噪比(PSNR)和结构相似度(SSIM).     

变分框架下的多尺度图像恢复与重建

变分图像分解,通过极小化能量泛函将图像分解为不同的特征分量,可以被应用到图像的恢复和重建.提出了变分框架下的多尺度图像恢复和重建的思想.基于这种思想,首先提出了一个单参数的（BV,G,E）三元变分分解模型,并且理论分析了参数与不同特征分量的尺度的关系.然后将此模型的参数选为一个二进制序列,得到多尺度的（BV,G,E）变分分解.该多尺度变分分解可以将图像分解为一序列图像结构、纹理和噪声.证明了此多尺度分解的收敛性并且基于对偶理论和交替迭代算法给出了其数值求解方法.最后将提出的多尺度的（BV,G,E）变分分解应用到图像恢复和重建,实验结果证实了理论分析的正确性,显示了将此模型进行图像多尺度恢复和重建的有效性,和与一些其他分解模型相比较的优越性.     

混合逆狄利克雷分布的变分学习及应用

混合逆狄利克雷分布是正的非高斯数据分析中一个重要的统计模型.但是利用常用的统计方法比如极大近似然估计、矩估计等往往很难得到模型参数估计的显性解析式.本文提出一个变分贝叶斯学习算法,它能够在估计参数的同时自动确定混合分量数.在合成数据集及实测数据集上的实验结果表明利用变分贝叶斯推理来估计混合逆狄利克雷分布是一种非常有效的方法.     

有限贝塔刘维尔混合模型的变分学习及其应用

由于贝塔刘维尔分布的共轭先验分布中存在积分表达式,贝叶斯估计有限贝塔刘维尔混合模型参数异常困难.本文提出利用变分贝叶斯学习模型参数,采用gamma分布作为近似的先验分布并使用合理的非线性近似技术,得到了后验分布的近似解.与常用的EM算法相比,该方法能够同时估计模型参数和确定分量数,且避免了过拟合的问题.在合成数据集及场景分类问题上进行了大量的实验,实验结果验证了本文所提方法的有效性.     

角闪烁下基于变分贝叶斯-交互式多模型的目标跟踪

开展角闪烁噪声下的目标跟踪研究对提升传感器的探测性能具有重要意义,其中角闪烁噪声具有的分布未知和非平稳特性是长期困扰研究者的难点。针对该问题,该文首先给出角闪烁下基于变分贝叶斯参数学习的跟踪滤波理论框架。其次,提出一种联合估计运动状态和闪烁噪声分布的变分贝叶斯-交互式多模型(VB-IMM)算法,该算法通过设计多个并行的跟踪模型处理角闪烁的跟踪问题,同时利用变分贝叶斯方法实现闪烁噪声分布参数的在线学习,并反馈给跟踪模型,实时调整跟踪模型参数。最后,设计了仿真实验对算法在闪烁噪声分布未知和非平稳条件下的跟踪性能进行了验证,同时对算法的计算复杂度进行了仿真分析。仿真结果表明,在量测噪声分布未知和非平稳条件下,VB-IMM具有较高的跟踪精度,且算法复杂度较小,易于实现。     

基于各向异性MRF建模的多帧图像 变分超分辨率重建

 本文首先研究设计出结构自适应的各向异性数字滤波器,同时导出广义各向异性MRF(Markov Random Field)图像模型.它继承了各向异性数字滤波器的滤波性能,是对双边全变差模型以及经典 MRF模型的有效改进.随后,提出各向异性模型驱动的联合估计亚像素运动和高分辨率图像的变分超分辨率重建算法.实验结果显示,本文算法具有更优的噪声抑制和边缘保持性能.     

精度分类量测数据的变分贝叶斯自适应Kalman滤波算法

针对带有精度分类信息的方差未知量测数据的滤波问题,本文提出了一种扩展的变分贝叶斯自适应Kalman滤波(EVB-AKF)算法。该算法在量测数据精度等级不变或降低时将后验分布参数修正为原VB-AKF算法外推近似值与精度分类信息对应的方差上界的加权和的形式,并在精度等级提高时利用精度分类信息重置后验分布参数,解决了VB-AKF算法后验分布参数一阶常系数模型不能完全适应量测噪声方差动态变化的问题。仿真结果表明,该算法能够快速有效的估计出动态变化的量测噪声方差,并且能够有效的实现数据滤波。      

基于L曲线调参的FOTV-ADMM超分辨率图像重建

基于图像高频细节的重构问题,建立了全变分(Total Variation,TV)约束重建模型,选取交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解分析.TV-ADMM重建算法能够保持图像边缘信息,纹理细节的刻画却不够理想,图像平滑部分的重建出现阶梯效应和过平滑现象.为此,提出使用分数阶约束的模型算法FOTV-ADMM求解.该算法对图像纹理高频细节重建效果较好,能锐化图像边缘区域,同时为降低经验调节参数对图像重建的影响,减少调节参数的时间,引入L曲线调节参数,找出了正则化参数最优解.实验结果表明,基于L曲线调参的FOTV-ADMM算法能够更好地保留图像的纹理和平滑部分的细节特征,在峰值信噪比和结构相似度评价指标上,FOTV对高频细节的重建改善效果更佳.     

最大期望模拟退火的贝叶斯变分推理算法

针对贝叶斯变分推理收敛精度低和搜索过程中易陷入局部最优的问题,该文基于模拟退火理论(SA)和最大期望理论(EM),考虑变分推理过程中初始先验对最终结果的影响和变分自由能的优化效率问题,构建了双重EM模型学习变分参数的初始先验,以降低初始先验的敏感性,同时构建逆温度参数改进变分自由能函数,使变分自由能在优化过程得到有效控制,并提出一种基于最大期望模拟退火的贝叶斯变分推理算法.该文使用收敛性准则理论分析算法的收敛性,利用所提算法对一个混合高斯分布实例进行实验仿真,实验结果表明该算法具有较优的收敛结果.     

自适应加权的总变分正则化图像超分辨率重建

在Farsiu提出的双边总变分正则化方法中,尺度加权系数和正则化参数为定值,在边缘、纹理区域,重建图像效果不理想。针对这个问题,提出了一种自适应加权正则化函数和正则化参数的重建算法,该方法利用图像局部结构信息控制权函数形状、带宽和正则化参数,使这些参数根据图像局部结构信息自适应地调整。对所提出的算法进行了仿真实验,实验结果表明,与传统的总变分重建方法相比较,该算法能更好地重建图像的纹理细节,重建图像的对比度高。     

基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

雷达成像近似二维模型及其超分辨算法

现有的雷达成像超分辨算法是基于目标回波信号的二维正弦信号模型,所以模型误差,特别是距离走动误差,将使算法性能严重下降或失败。为此,本文采用距离走动误差下的一阶近似雷达成像二维信号模型,提出了一种基于非线性最小二乘准则的参数化超分辨算法。在算法中,距离走动误差补偿与目标参量估计联合进行,文中同时给出了算法估计性能的Ｃｒａｍｅｒ－Ｒａｏ界及仿真结果。     

二阶Hopfield型神经网络的稳定性 分析及收敛速度的估计

本文讨论二阶连续Hopfield型神经网络平衡点的全局稳定性问题,利用LMI方法和Lyapunov方法得到了网络平衡点全局渐近稳定和全局指数稳定的几个充分条件,并对其指数收敛速度进行了估计.     

机动目标ISAR超分辨成像的分辨能力研究

机动目标ISAR超分辨成像须考虑三维转动造成多普勒频率的时变性质,同时,成像质量也受到信号模型误差的影响,如包络对齐误差和自聚焦误差.采用误差参数和目标特征参数联合估计可显著提高机动目标成像的分辨率.本文将误差参数和目标参数联合建模,对信号模型解的不唯一性提出一种约束条件,引入分辨能力的概念,综合分析了存在这些因素时成像分辨率所受到的限制.     

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。     

一种基于权值矩阵的序列图像超分辨率盲复原算法

 建立准确的观测模型是提高现有超分辨率复原算法性能的关键.本文提出一种基于权值矩阵的超分辨率盲复原算法:定义了一种新的基于权值矩阵和运动补偿矩阵的观测模型,在最大后验概率框架下,采用交替最小化方法对权值矩阵和高分辨率图像进行联合优化求解.静止和动态图像序列的测试结果表明,该方法能够实现对低分辨率图像降质过程的准确描述,其复原性能明显优于传统基于理想观测模型的算法,部分结果甚至超过了观测模型已知的算法.     

最大期望模拟退火的贝叶斯变分推理算法

针对贝叶斯变分推理收敛精度低和搜索过程中易陷入局部最优的问题，该文基于模拟退火理论(SA)和最大期望理论(EM)，考虑变分推理过程中初始先验对最终结果的影响和变分自由能的优化效率问题，构建了双重EM模型学习变分参数的初始先验，以降低初始先验的敏感性，同时构建逆温度参数改进变分自由能函数，使变分自由能在优化过程得到有效控制，并提出一种基于最大期望模拟退火的贝叶斯变分推理算法。该文使用收敛性准则理论分析算法的收敛性，利用所提算法对一个混合高斯分布实例进行实验仿真，实验结果表明该算法具有较优的收敛结果。     

Variational Bayesian Blind Deconvolution Using a Total Variation Prior

In this paper, we present novel algorithms for total variation (TV) based blind deconvolution and parameter estimation utilizing a variational framework. Using a hierarchical Bayesian model, the unknown image, blur, and hyperparameters for the image, blur, and noise priors are estimated simultaneously. A variational inference approach is utilized so that approximations of the posterior distributions of the unknowns are obtained, thus providing a measure of the uncertainty of the estimates. Experimental results demonstrate that the proposed approaches provide higher restoration performance than non-TV-based methods without any assumptions about the unknown hyperparameters.      

Parameter estimation in TV image restoration using variational distribution approximation.

In this paper, we propose novel algorithms for total variation (TV) based image restoration and parameter estimation utilizing variational distribution approximations. Within the hierarchical Bayesian formulation, the reconstructed image and the unknown hyper parameters for the image prior and the noise are simultaneously estimated. The proposed algorithms provide approximations to the posterior distributions of the latent variables using variational methods. We show that some of the current approaches to TV-based image restoration are special cases of our framework. Experimental results show that the proposed approaches provide competitive performance without any assumptions about unknown hyper parameters and clearly outperform existing methods when additional information is included.