基于二维连续小波变换的SAR图像海洋现象特征检测

 本文对合成孔径雷达(SAR)图像中存在的多种海洋现象,如内波,海洋锋等进行讨论,提出了一种基于二维连续小波变换及能谱思想的新的海洋现象检测方法.针对各种海洋现象在SAR 中反映出来的海浪波形的不同,采用不同的连续小波变换基提取SAR图像中五种典型的海洋现象.通过大量试验,证实了该方法在多种海洋现象的定位检测中的有效性.     

一种压缩采样中的稀疏度自适应子空间追踪算法

 针对压缩采样中未知稀疏度的信号,本文提出一种自适应子空间追踪算法.首先,采用了一种基于匹配测试的估计方法获取稀疏度的估计值,再通过子空间追踪重构信号.若子空间追踪不能成功重构,则通过渐近增加信号稀疏度的方法实施估计,而上述过程可描述为在弱匹配原则下新原子的选取过程.仿真结果表明,本文的算法可以准确有效重构信号,同时运算量也较低.     

基于稀疏流形学习的SAR图像识别

 稀疏性是SAR图像的一个显著特征,而且SAR图像存储模式的维数很高,要对其进行识别存在很多困难.为了解决上述问题,提出一种基于稀疏流形学习的SAR图像识别方法.首先进行图像增强,以保持目标的边缘结构信息;其次利用样本协方差矩阵的谱范数确定能得出数据低维流形的最少数据点数;再利用拉普拉斯特征值映射(LE)的核化方法计算样本外点的低维嵌入;最后采用KNR分类器进行识别.MSTAR仿真实验证明了其可行性,并与其它识别方法进行比较,验证了其优越性.     

城乡有线数字电视在模数转换实践中技术问题分析

数字电视转换已经全面开展起来,主要介绍数模混合信号传输的特点及现阶段数字电视转换网络升级构造后城乡的网络特征,结合转换维护过程中的故障实例对数字电视整体转换在城乡实现中的技术问题做出分析,并对故障作了一定的总结,希望为城乡数字电视整体转换提供一些可参考的资料,以便更好更快更顺利地完成数字电视整体平移与日常维护。     

根据稀疏基底选择抽样模型

在压缩传感技术应用中,根据稀疏基底选择抽样模型对重构结果影响很大。在傅里叶空间中,极坐标星形抽样和随机抽样的重构效果差异巨大,应用傅里叶光学理论对傅里叶空间的频谱分布进行分析,从理论上解释了原因,并且据此提出稀疏基底和抽样模型的匹配情况会影响重构效果。在小波空间中,进行了均匀抽样和随机抽样的对比重构实验,发现后者的重构效果更好,并确定了根据稀疏基底选择合适抽样模型的可行性,为实际应用中降低抽样率,提高重构效果提供了方法依据。     

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。     

疏松载流螺线管轴线上磁场的分布研究

疏松载流螺线管轴线上磁场实验的设计可以测量螺线管轴线不同位置上的轴向磁场和径向磁场,实验结果与数值计算结果吻合。另外,从该实验测量结果发现疏松型螺线管轴线上的轴向磁场与螺距呈近似线性关系。这些工作不仅可作为大学物理实验课的选做内容,还可以为设计基于测量磁场的位移和应力传感器提供依据。     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

The Multi-Focus-Image-Fusion Method Based on Convolutional Neural Network and Sparse Representation

Multi-focus-image-fusion is a crucial embranchment of image processing. Many methods have been developed from different perspectives to solve this problem. Among them, the sparse representation (SR)-based and convolutional neural network (CNN)-based fusion methods have been widely used. Fusing the source image patches, the SR-based model is essentially a local method with a nonlinear fusion rule. On the other hand, the direct mapping between the source images follows the decision map which is learned via CNN. The fusion is a global one with a linear fusion rule. Combining the advantages of the above two methods, a novel fusion method that applies CNN to assist SR is proposed for the purpose of gaining a fused image with more precise and abundant information. In the proposed method, source image patches were fused based on SR and the new weight obtained by CNN. Experimental results demonstrate that the proposed method clearly outperforms existing state-of-the-art methods in addition to SR and CNN in terms of both visual perception and objective evaluation metrics, and the computational complexity is greatly reduced. Experimental results demonstrate that the proposed method not only clearly outperforms the SR and CNN methods in terms of visual perception and objective evaluation indicators, but is also significantly better than other state-of-the-art methods since our computational complexity is greatly reduced.     

An EM-based iterative method for solving large sparse linear systems

ABSTRACT

We propose a novel iterative algorithm for solving a large sparse linear system. The method is based on the EM algorithm. If the system has a unique solution, the algorithm guarantees convergence with a geometric rate. Otherwise, convergence to a minimal Kullback–Leibler divergence point is guaranteed. The algorithm is easy to code and competitive with other iterative algorithms.