网格化并行磁共振成像非线性重建

迭代重建法能够解决径向采样数据欠采样后网格化重建存在伪影的问题。非线性反演法能够提高并行磁共振成像图像重建的质量,它能够利用少量k-空间中心的数据来同时估计图像的信息和线圈的灵敏度。利用TV正则化的高斯牛顿迭代方法对欠采样因子较大的径向轨迹并行磁共振数据进行重建,得到无伪影的高质量图像。     

基于再采样的图像重采样伪作检测

重采样是图像篡改中的一种典型操作,针对现有重采样伪作检测算法对于JPEG压缩格式的图像检测效果不理想,也无法准确估计其中的缩放因子的问题,提出了基于再采样的图像重采样检测算法。该算法先将待检验的JPEG图像以缩放因子小于1进行再次重采样,以削弱JPEG压缩对算法的影响,再利用重采样信号二阶导数具有的周期性来进行重采样操作检测。实验结果表明,该算法具有很强的抗JPEG压缩能力,同时能够准确估计真实的缩放因子。另外,该算法对于经过不同缩放因子而得到的图像进行合成时的重采样操作,也有明显的检测效果。     

基于再采样的图像重采样伪作检测

重采样是图像篡改中的一种典型操作,针对现有重采样伪作检测算法对于JPEG压缩格式的图像检测效果不理想,也无法准确估计其中的缩放因子的问题,提出了基于再采样的图像重采样检测算法。该算法先将待检验的JPEG图像以缩放因子小于1进行再次重采样,以削弱JPEG压缩对算法的影响,再利用重采样信号二阶导数具有的周期性来进行重采样操作检测。实验结果表明,该算法具有很强的抗JPEG压缩能力,同时能够准确估计真实的缩放因子。另外,该算法对于经过不同缩放因子而得到的图像进行合成时的重采样操作,也有明显的检测效果。     

基于最优插值的单帧图像分辨率的改善

在实际的成像系统中，每一个传感器系统有唯一的系统响应，对应的是获取设备的点扩展函数(PSF)，可以被看作是预知的采样核，但这样的采样过程并不满足Whittaker-Shannon采样定理的要求，在这种情况下，靠准确的插值重建来改善图像分辨率是不可能的。与利用多帧图像的互补信息进行插值不同，该文在最小平方误差意义下提出了对应于成像物理意义下的最优化的单帧图像插值方法，通过对图像进行新的重采样，改善了图像的分辨率。实验结果表明该方法获得了较好的改善效果。     

结合图像结构特征和近似l_0范数的压缩采样恢复算法

为了从压缩采样数据快速有效地恢复自然图像,提出了一种结合近似l0范数和近似总体变分(TV)的压缩采样图像恢复算法模型——TVSl0,并在恢复算法中引入模拟退火方法来实现快速恢复.该模型以最小化近似l0范数为基础,融入了反映图像结构特点的近似TV范数,体现出该模型对图像空域变化有限这一特点的适应性;并使用连续近似函数解决了l0范数的不连续问题.针对典型自然图像恢复的实验结果验证了文中算法的有效性和可行性,其恢复质量和基本TV模型的方法相当,但迭代次数少、计算复杂度低.     

一种鲁棒性的遥感图像地域分类新方法

目前遥感图像分类算法面临的主要问题是分类精度与算法复杂度的矛盾及算法缺乏鲁棒性。为此,提出了一种基于特征空间重采样的非参数化核密度估计聚类与边缘检测相融合的多模型鲁棒性遥感图像分类方法。首先对遥感图像进行边缘检测以获取图像中每个像素的边缘梯度和方向信息;然后利用重采样策略,在联合域中对新的样本集合进行加权均值平移滤波,找到图像各区域的核密度函数局部最大值,通过迭代移动附近的数据点到此局部最大值;最后对各个分割区域进行合并,得到最终的分类图。实验结果表明,算法可获得高精度的遥感图像分类结果,且具有很强的鲁棒性。     

一种鲁棒性的遥感图像地域分类新方法

目前遥感图像分类算法面临的主要问题是分类精度与算法复杂度的矛盾及算法缺乏鲁棒性。为此,提出了一种基于特征空间重采样的非参数化核密度估计聚类与边缘检测相融合的多模型鲁棒性遥感图像分类方法。首先对遥感图像进行边缘检测以获取图像中每个像素的边缘梯度和方向信息;然后利用重采样策略,在联合域中对新的样本集合进行加权均值平移滤波,找到图像各区域的核密度函数局部最大值,通过迭代移动附近的数据点到此局部最大值;最后对各个分割区域进行合并,得到最终的分类图。实验结果表明,算法可获得高精度的遥感图像分类结果,且具有很强的鲁棒性。     

面向不平衡数据集的煤矿监测系统异常数据识别方法

异常数据识别对于煤矿安全监测系统具有重要作用,但安全监测系统中异常数据一般只占数据总量的1%左右,不平衡性是此类数据的固有特点。目前多数机器学习算法在不平衡数据集上的分类预测准确率和灵敏度都相对较差。为了能准确识别异常数据,以煤矿分布式光纤竖井变形监测系统采集的数据为研究对象,提出了一种面向不平衡数据集、基于去重复下采样(RDU)、合成少数类过采样技术(SMOTE)和随机森林(RF)分类算法的煤矿监测系统异常数据识别方法。该方法利用RDU算法对多数类数据进行下采样,去除重复样本;利用SMOTE算法对少数类异常数据进行过采样,通过合成新的异常数据来改善数据集的不平衡性;并利用优化后的数据集训练RF分类算法,得到异常数据识别模型。在6个真实数据集上的对比实验结果表明,该方法的异常数据识别准确率平均值达到99.3%,具有较好的泛化性和较强的鲁棒性。     

医学图像三维重建中的关键算法

该文主要讨论了基于序列图像的三维重建中的两个关键算法:特征数据点列的重采样算法与三角化算法。把Douglas-Peucker线性简化算法应用在特征边界的重采样上,数据的压缩比得到了明显的改善,也显著地提高了可视化速度。并使用一种简单的三角化算法,对重采样后的数据点列进行三角化,实现目标的三维重建。     

OFDM水声通信多普勒频移采样率转换算法

对于OFDM水声通信系统,传统的基于数据辅助多普勒频移因子估计算法会降低系统的信息传输速率,对接收信号进行采样率转换通常采用重采样的方法,计算量较大。针对上述问题,提出基于过采样技术的多普勒频移因子估计算法及采样率转换算法,通过采用对系统发射信号与接收信号采样点数进行比较的方法,得到多普勒频移因子的估值。在此基础上,利用上述过采样数据和线性插值算法对接收信号进行采样率的转换。理论分析和仿真结果表明,改进算法在保证系统性能的同时,可以大幅减小接收机的计算量,适用于高速实时水声通信系统。