排序方式: 共有89条查询结果,搜索用时 15 毫秒
31.
Contourlet变换应用于图像复原时容易引人伪吉布斯现象.非下采样Contourlet变换(NSCT)具有平移不变性,能够克服伪古布斯现象,但足由于基于学习的超分辨率复原需要建立不同分辨率的关系,而NSCT变换的结果是每一层图像大小都一样,不能像拉普拉斯金字塔那样建立高低分辨率图像的对应关系及运算量较大.针对这些问题,提出了基于改进的非下采样Contourlet变换(INSCT)的超分辨率复原算法.为了表示人脸特征,算法首先建立了INSCT金字塔.然后针对人脸的特殊性,在匹配过程中,采用对应点进行匹配的方法.实验表明该算法具有较好的性能,复原出的超分辨率人脸图像无论在主观视觉效果上还是在客观评价指标上都取得较好的结果,复原的图像具有更好的视觉效果,更逼真,更接近于原始高分辨率图像. 相似文献
32.
基于小波变换和残差处理的人脸图像超分辨率技术研究 总被引:2,自引:2,他引:0
超分辨率图像复原技术常见的有插值法,POCS等,它们有细节模糊,运算复杂度大的弱点,针对以上问题,在基于学习的超分辨率图像复原中,提出了一种全新的小波系数特征向量匹配方法.算法分为两步:(1)采用基于补偿残差向量和多样本平均的低分辨率人脸图像的小波特征向量匹配及人脸图像复原.(2)用边缘提取和特定区域平滑的方法去除Gibbs效应等噪声.经实验和传统的插值法以及常规匹配方法比较,在细节复原和运算复杂度方面都有一定的提高. 相似文献
33.
34.
基于流形学习的人脸图像超分辨率技术研究 总被引:1,自引:0,他引:1
超分辨率技术是由低分辨率图像复原出高分辨率图像的技术。针对人脸图像进行基于学习的超分辨率技术研究,将流形学习算法融入到超分辨率算法中,并且将其用于人脸图像的超分辨率复原。对流形学习应用于基于学习的超分辨率原理进行了介绍。为了使得人脸图像取得更好的复原效果,对特征提取模板进行改进,使得新的特征提取模板考虑更多的像素之间的相关性,并更好地抑制噪声的影响,保留了更多的特征信息。加入了新的特征(即拉普拉斯特征)。该特征突出的边缘细节,保持了人脸图像鲜明的轮廓和清晰的边缘信息。实验结果表明,算法复原出的人脸图像更接近于真实图像,具有更高的峰值信噪比。 相似文献
35.
36.
在惯性约束聚变(ICF)电子束快点火物理方案中,需要超强拍瓦激光脉冲驱动MeV能量的强流电子束,并沉积数十kJ能量到压缩氘氚芯区。强流电子束的束流品质是影响点火成功的关键因素之一,为深入了解强流电子束产生物理过程,研制成了三维高性能、适应上万CPU核规模的并行粒子模拟程序,并开展了大规模数值模拟研究,探索了强流电子束的产生机制和输运规律。回顾了近几年来快点火研究团队围绕强流电子束产生和控制开展的研究,介绍了导致束流品质差的两大物理原因:预等离子体效应和束流不稳定性磁场的随机散射。针对这两个物理原因,提出了四种提高强流电子束品质的方法:(1)双层金锥靶减弱预等离子体的负面效应;(2)输运丝产生环向磁场准直强流电子束;(3)外加磁场导引强流电子束提高耦合效率;(4)抑制束流不稳定性以降低随机磁场对电子束流的散射。 相似文献
37.
在长为32.4 m、内径为0.199 m的大型长直水平管道中,对环氧丙烷-空气两相流云雾及环氧丙烷-铝粉-空气三相流云雾的爆燃转爆轰(DDT)过程进行了实验研究。对弱点火条件下多相混和物DDT过程的不同阶段特征进行了分析,对比研究了不同浓度时混和物的燃爆情况。结果表明:浓度为513 g/m3的环氧丙烷-空气混和物及浓度为237和643 g/m3的环氧丙烷-铝粉-空气混和物均能在管道中完成爆燃向爆轰的转变,进入自持爆轰阶段,其胞格尺寸分别为0.28和0.50 m。 相似文献
38.
39.
南湖是武汉市四水共治行动计划中需要优先实施水环境提升的水体,其水环境功能区划目标为地表水Ⅳ类,但其现状水质一直处于Ⅴ类或劣Ⅴ类,常年达不到水功能要求,亟需治理.通过对南湖污染源进行解析,核算污染负荷,确定了排口是南湖最大的污染源,其对COD、NH3-N、TP的贡献量分别为550. 2 t/a、60. 3 t/a和7. 8 t/a,负荷比分别为67. 4%、71. 4%和70. 3%.其次为城市径流污染,其对COD、NH3-N、TP的贡献量分别为153. 01 t/a、15. 30 t/a和3. 06 t/a,负荷比分别为18. 8%、18. 1%和27. 6%.再次为降尘污染,其对COD、NH3-N、TP的贡献量分别为112. 4 t/a、8. 7 t/a和0. 2 t/a,负荷比分别为13. 8%、10. 3%和1. 8%.最后为农田种植污染,其对COD、NH3-N、TP的贡献量分别为0. 6 t/a、0. 1 t/a和0. 03 t/a,负荷比分别为0. 1%、0. 2%和0. 3%. 相似文献
40.
本文针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习重建的手写体数字识别方法。该方法与传统的流行学习识别方法不同,传统的方法是先对待识别模式进行降维,然后再对降维后的特征进行分类识别;本文提出基于重建的LLE算法(简称RLLE)。该算法首先分别对每一类字符训练样本进行LLE降维,得到每一类字符降维后的向量。然后将待识别字符分别在每一类字符中进行降维,并依据该降维后的矢量在每一类中对字符进行重建。最后选取重建误差最小的为待识别的所属的类。通过对MINST字库的一系列实验表明该算法具有较高的识别率,同时该方法为手写体数字识别的研究提供了一条有效的新途径。 相似文献