Application of improved BPNN in image restoration-learning coefficient

A new method of artificial intelligence based on a new improved back propagation neural network (BPNN) algorithm is partially applied in the problem of image restoration. In order to overcome the inherited issues in conventional back propagation algorithm i.e. slow convergence rate, longer training time, hard to achieve global minima etc., different methods have been used including the introduction of dynamic learning rate and dynamic momentum coefficient etc. With the passage of time different techniques has been used to improve the dynamicity of these coefficients. The method applied in this paper improves the effect of learning coefficient η by using a new way to modify the value dynamically during learning process. The experimental results show that this helps in improving the efficiency overall both in visual effect and quality analysis.     

基于小波域ADMM深度网络的图像复原算法

近年来,基于深度学习的方法在图像复原领域展现出了优秀的性能。然而现有大多数深度网络均是通过经验进行网络结构设计,较少在网络设计中考虑结合一些传统方法以提升网络可解释性。针对这一不足,本文对结合图像退化模型的深度学习方法展开研究,提出了一种基于小波域ADMM深度网络的图像复原算法。具体而言,本文首先提出了一种基于小波域ADMM的图像复原方法,该方法在小波域下使用ADMM算法将复原问题分解为一系列子问题。接着,分别对子问题求解,并根据其解的形式帮助进行网络的设计,构建了一个可解释的深度卷积神经网络用于图像复原。实验结果表明,本文提出算法取得了较好的复原结果,不论在视觉效果还是客观评价指标上都优于对比方法。     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Underspled Image

To achieve restoration of high frequency information for an underspled and degraded low-resolution image, a nonlinear and real-time processing method-the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an underspled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an underspled and degraded low-resolution image, and requires a shorter training time when compared with the multiplayer perception (MLP) network.     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Undersampled Image

To achieve restoration of high frequency information for an undersampled and degraded low-resolution image, a nonlinear and real-time processing method the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an undersampled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an undersampled and degraded low-resolution image, and requires a shorter training time when compared with the mulfiplayer perception (MLP) network.     

基于透射率估计模型和引导滤波的雾气图像去雾算法

针对雾气条件下成像设备采集图像退化严重的问题,提出一种雾气图像的去雾算法。通过对雾气天气成像物理模型的简化,找到图像复原函数中的透射率和大气光值2个关键未知量;分析影响透射率的因素,通过对大量雾气图像进行灰度分布概率统计,提出一种透射率快速估计算法;通过引导滤波估计大气光值,利用简化的修复函数完成对雾气图像的去雾处理。与HE算法(HE Kaiming, SUN Jian, TANG Xiaoou. Single image haze removal using dark channel prior. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2011, 33:2341)相比较,经本算法去雾复原后的图像信息熵值最少可提高0.060 4比特/像素、平均梯度值最少可提高0.009 55。实验结果表明,经本算法复原的有雾图像清晰度较高,细节复原较好,去雾效果明显。     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

基于FitzHugh-Naguno神经元随机共振机制的图像复原

应用随机共振机制,借助噪声能量实现图像复原,改善低信噪比图像的输出质量.通过分析FitzHugh-Nagumo(FHN)神经元的阈上随机共振机理,以及在相平面上的阈值工作特性,对FHN神经元模型进行约简,以峰值信噪比(PSNR)为图像复原的评价函数,提出基于随机共振的自适应最优图像复原算法.以含噪mountain彩色图像和LED芯片图像为实验对象,与均值滤波、维纳滤波等图像复原算法进行仿真对比研究.结果表明:随机共振方法较好地抑制了噪声、恢复了图像细节和色彩信息,且随着噪声的增强,随机共振方法复原图像的峰值信噪比变化较小,该方法具有较好的鲁棒性.     

An ICPSO-RBFNN nonlinear inversion for electrical resistivity imaging

To improve the global search ability and imaging quality of electrical resistivity imaging(ERI) inversion, a two-stage learning ICPSO algorithm of radial basis function neural network(RBFNN) based on information criterion(IC) and particle swarm optimization(PSO) is presented. In the proposed method, IC is applied to obtain the hidden layer structure by calculating the optimal IC value automatically and PSO algorithm is used to optimize the centers and widths of the radial basis functions in the hidden layer. Meanwhile, impacts of different information criteria to the inversion results are compared, and an implementation of the proposed ICPSO algorithm is given. The optimized neural network has one hidden layer with 261 nodes selected by AKAIKE's information criterion(AIC) and it is trained on 32 data sets and tested on another 8 synthetic data sets. Two complex synthetic examples are used to verify the feasibility and effectiveness of the proposed method with two learning stages. The results show that the proposed method has better performance and higher imaging quality than three-layer and four-layer back propagation neural networks(BPNNs) and traditional least square(LS) inversion.     

Improved Multi-channel Blind Image Restoration Algorithm for UWB Radar

The imaging problem of low signal to noise ratio (SNR) echo is very important for ultra-wide band (UWB) through-wall radar.An improved multi-channel blind image restoration algorithm based on sub-space and constrained least square (CLS) is presented and applied to UWB radar system to deal with this issue.The high resolution of radar image is equivalent to multi-channel blind image restoration based on the improved model of the through-wall radar echo.And a new cost function is proposed to the multi-channel blind image restoration by considering the concept of sub-space as the limitation of blur identification.The proposed algorithm has all advantages of CLS and sub-space,and converts the image estimation to alternating-minimizing the two cost functions.Experimental results prove that the proposed algorithm is effective at improving the resolution of radar image even at low SNR.     

基于纹理合成的图像艺术风格学习

以马可夫随机场模型的纹理合成算法为原形 ,在结合图像艺术风格的学习和约束的样图纹理合成算法的基础上 ,提出了面向对象的图像艺术风格学习的算法 ,并将其应用在敦煌壁画虚拟的复原临摹工作中 ,取得了较好的效果     

基于EMD-CkNN多示例学习算法的图像分类

针对自然图像场景分类问题,根据Citation-kNN算法思想,提出一种新的基于多示例学习(MIL)的图像分类方法。将整个图像当作多示例包,图像分割的区域当作包中的示例,在度量图像包间的相似距离时,利用改进的推土机距离(EMD)代替Citation-KNN算法中的最小Hausdorff距离(minHD),用于图像分类。在Corel图像库上的对比实验结果表明,分类准确率更高。     

融合边界条件的电阻抗图像重建仿真研究

结合成像目标的边界结构信息,提出一种新的改善电阻抗图像重建质量的方法．在生物医学电阻抗断层成像中,将传统采用圆形场域的重建模型改进为与人体胸腔边界近似的八边形场域,建立正问题数学模型,求解得到灵敏度系数矩阵,经等位线滤波反投影算法获得感兴趣区域的仿真分布图像．针对成像目标在场域中的不同分布情况,采用面积占空比对两种重建模型下的成像效果进行评价．图像及数据分析结果表明,改进方法重建图像伪影明显减少,面积占空比也更接近真实分布,提高了图像空间分辨率,达到了改善电阻抗重建图像质量的目的．     

基于遗传算法和神经网络的矮小儿童智能诊断研究

针对儿童矮小问题,利用计算机辅助诊断方式建立基于神经网络的智能诊断系统。构造了矮小儿童评测的指标体系,利用遗传算法优化反向传播网络的结构参数,建立了一种基于反向传播网络的智能诊断模型。最后进行实例计算,结果表明该方法有效克服了纯反向传播网络算法局部收敛、泛化能力弱等问题,具有收敛速度快、精度高的优点,能有效适用于儿童矮小问题的智能诊断。     

基于单点像的光学稀疏孔径图像复原

为了定量评价光学稀疏孔径系统的图像复原效果,提出了一种以稀疏孔径系统单点像作为退化图像进行图像复原的方法.对稀疏孔径系统的单点像进行适当的复原处理,可获得类似爱里斑(即该稀疏孔径等效圆口径系统的单点像)的复原图像.通过比较该复原图像和爱里斑相似程度,即可对该复原算法(或者参数)进行评价.以法国SOLARNET光学稀疏孔径系统为例演示了上述图像复原过程.仿真结果表明,基于单点像的图像复原方法是可行的.     

一种自适应暗通道先验去雾算法

基于暗通道先验的图像去雾算法是一种简单有效的图像去雾算法,但该算法在处理较高分辨率的图像时,时间复杂度较高,复原后的图像亮度偏低,且在处理具有大面积白色明亮区域图像时存在色彩失真的问题。针对这些问题,本文提出了改进的自适应暗通道先验去雾算法,新算法引入自适应的指导滤波法代替原算法中的软抠图法,提高算法的计算效率的同时获得最优滤波窗口半径。同时,新算法还通过改进透射率图估计方法,弱化对明亮区域的去雾处理,避免过增强,并调整图像亮度,优化去雾结果。通过合成雾图和真实场景雾图实验验证了新算法的有效性。合成雾图实验中采用全参考评价方式,在清晰的无雾场景上模拟雾的形成,计算加雾前与使用不同算法去雾后图像的绝对差值进行比较。真实场景雾图实验中,采用基于人类视觉感知的CNC(Contrast-naturalness-colorfulness)综合评价体系,计算同一雾图在不同算法去雾后图像的CNC指数。实验结果表明,在相同图像分辨率条件下,本文提出的自适应算法不仅去雾后图像视觉效果更加理想,而且处理时间大为减少。     

基于WLS的Retinex单幅夜间彩色图像增强方法

为了提高夜间可视效果,针对单幅夜间彩色图像,作者提出一种基于加权最小二乘(WLS)的Retinex增强算法.首先构造优化的颜色恢复函数,然后在HSV(hue,saturation,value)颜色空间下,根据夜间图像的亮度与梯度特性构建WLS框架对图像照度分量进行估计,获得仅包含物体本身特性的反射分量图像,通过颜色恢复函数与Gamma校正等操作进行颜色恢复与补偿,实现夜间彩色图像增强.实验结果表明:该算法增强效果显著,与其他算法相比,具有消除"光晕伪影"现象、抑制噪声、颜色保真和较好保留边缘细节信息等能力.     

基于空间稀疏编码的MIL算法及刑侦图像分类

针对刑侦图像分类问题，提出一种基于空间稀疏编码（SSC）的多示例学习（MIL）算法。首先，利用稠密尺度不变特征转换（SIFT）原理设计一种带有示例位置信息的多示例建模方案，将刑侦图像分类问题转化为MIL问题；然后，基于多样性密度（DD）函数及稀疏编码（SC）理论，设计了一种针对MIL的字典构造方法及空间稀疏编码方案，用于计算多示例包的元数据（metadata）；最后，结合大尺度线性支持向量机方法，提出了一种SSC-MIL的MIL新算法。14类真实刑侦图像的对比实验表明，该算法是有效的，且分类精度高于其他方法。     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

结合编码曝光和运动先验信息的局部模糊图像复原

针对局部运动模糊图像复原的病态性和背景被破坏的问题,提出基于编码曝光和运动先验信息的局部模糊图像复原方法. 分析编码曝光成像理论模型,建立最优码字选取的适应度函数准则. 通过物像关系,获得运动目标的点扩散函数（PSF）像移尺度初步估计参数,作为运动先验信息. 采用背景差分法进行目标提取,综合编码曝光运动模糊图像的叠加特性,实现对运动模糊目标区域的精确提取. 结合先验信息,引入基于贝叶斯最大后验概率框架的student-t复原算法进行PSF精确估计和复原重建,快速迭代得到复原结果. 搭建实验仿真系统,并开展针对实际运动目标的复原实验. 实验结果表明,该方法能有效改善传统曝光中运动模糊复原的病态性问题,抑制复原过程中目标图像边缘振铃及背景噪声的放大效应,所复原图像具有更好的主客观评价结果.