排序方式： 共有2条查询结果，搜索用时 7 毫秒
1
1.
期望最大化贝努利高斯(BG)近似信息传递(EM-BG-AMP)算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递(EM-GM-AMP)算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型(BAG),进而推导得到期望最大化贝努利不对称高斯近似信息传递(EM-BAG-AMP)算法。该算法的主要思路是假设输入信号服从BAG模型,然后使用广义近似信息传递(GAMP)重构信号并在算法迭代中同时更新模型参数。实验证明,在处理不同图像数据时,EM-BAG-AMP和EM-BG-AMP相比,时间增加了1.2%,峰值信噪比(PSNR)值提升了0.1~0.5 dB,尤其在处理纹理较少以及色差变化明显的图像时峰值信噪比(PSNR)值提升了0.4~0.5 dB。EM-BAG-AMP是对EM-BG-AMP算法的扩展和延伸,更适合实际信号的处理。 相似文献
2.
稀疏信号的分布模型是影响基于近似信息传递（AMP）的压缩感知(CS)信号重建效果的关键因素。因实际图像的小波近似系数、各级的水平细节系数、垂直细节系数以及对角细节系数的模型参数存在较大差异,现有基于拉普拉斯、贝努力高斯(BG)和高斯混合等模型的AMP方法因未考虑此差异而影响重建效果。为了提高模型估计的准确性,将各级小波系数的BG模型参数分开估计,进而提出了一种改进的图像压缩感知稀疏重建的新方法,即期望最大分段贝努力高斯近似信息传递算法（EM-SSBG-AMP）。仿真结果表明,相同采样率下,新算法的峰值信噪比（PSNR）明显高于5阶期望最大高斯混合近似信息传递算法(EM-GM-AMP),重建时间与5阶EM-GM-AMP相当。 相似文献
1
