基于分层树回归模型的快速图像超分辨率重建算法

设计了一种改进的分层树模型来实现图像实时超分辨率重建.其核心思想是在压缩的图像空间中训练分层树,来获得最优树节点参数和叶子节点回归矩阵,从而达到实时目的.与原始的分层树模型相比,有如下改进·在图像预处理部分,提出通过幅值、相位、频率变换极大压缩图像空间,从而加快训练速度和提高重建质量.在模型设计部分,去掉将低分辨率图像线性插值这一步骤,提出将低分辨率图像和高分辨率图像直接进行回归训练,从而减少模型参数数量·在理论部分,从泰勒展式的角度和离散余弦变换(DCT)的角度分别解释了模型设计和图像空间压缩的合理性.实验结果表明,在传统实时超分辨率重建方法中,所提出的新方法在重建效果上有较明显优势.同时与其他超分辨率模型相比,新方法所需参数较少,可极大节省硬件成本.模型可应用于以CPU为主的移动设备进行图像或视频的快速超分辨率重建.     

多目标应急物流中心选址的鲁棒优化模型

针对重大突发事件的应急物资救援,研究了应急物流中心的选址及应急物资的调运问题。利用离散的情景集合描述受灾点应急物资需求的不确定性以及应急物资运输成本和运输时间的不确定性,同时考虑应急救援成本和应急救援时间两个目标,建立了多目标应急物流中心选址的确定型模型和鲁棒优化模型。为将多目标问题转化为单目标问题,利用成本单目标和时间单目标的最优结果将多目标转化为相对值再加权处理,该方法既可消除多个目标之间的单位及数量级差异,还可以根据问题的数据变化进行动态调整。以提供应急物资救援服务的设施作为编码,设计了一种通用的混合蛙跳算法。为检验模型和算法的有效性,设计了一个多情景的算例,结果表明两个模型和算法具备良好的可行性和有效性,且鲁棒优化模型能较好地保持对各种不确定性的抗干扰能力;最后,讨论分析了成本偏好权重和鲁棒约束系数的影响,结果表明可根据成本偏好权重的取值范围来区分各种应急救援阶段,体现不同救援阶段的救援要求及特征,并给出了成本偏好权重和鲁棒约束系数的取值建议。