基于局部特性的指纹细节点提取算法

提出了一种基于二值指纹局部特性提取细节点的算法.该算法与快速并行细化算法相比,在提取细节点准确性相当的情况下,速度大为提升.使用FVC2002指纹数据库测试表明,该算法可靠、高效.     

OFDM系统中基于压缩传感理论的信道估计算法

信道估计是OFDM系统中的一项关键技术,信道估计质量的好坏对整个系统的性能有重要的影响。传统的最小均方算法对稀疏信道进行估计时存在精确性差的缺陷。本文利用信道冲激响应的稀疏性,提出了一种基于近似l₀范数的信道估计算法。该算法用三种函数逼近l₀范数,应用梯度下降法和梯度投影算法获得代价函数的最优解,从而得到信道的最稀疏解。仿真实验结果表明:在相同条件下,与基于l₁范数的信道估计算法比较,本文算法的收敛速度快,估计值信噪比高,且均方误差小。      

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。

     

基于解析轮廓波变换的图像稀疏表示及其在压缩传感中的应用

 提出了具有平移不变性的低冗余度解析轮廓波变换.在该变换中圆对称滤波器组首先将图像分解为多个不同分辨率的细节子带和一个低频子带,再对细节子带进行希尔伯特变换形成二维解析信号.最后用方向滤波器组对二维解析信号进行分解,实现具有平移不变性多尺度多方向的解析轮廓波变换.解析轮廓波变换基函数的实部和虚部与Gabor小波的实部和虚部类似,符合人眼视觉特性.实验结果表明解析轮廓波变换在图像去噪和压缩传感方面具有明显优势.     

基于曲率尺度空间的指纹特征提取算法

提出了一种基于曲率尺度空间(Curvature Scale Space,CSS)的指纹特征提取方法,它不同于经典的基于细化的算法.首先使用Canny算子得到增强后指纹脊线的轮廓,接着计算轮廓中每点的曲率,找出局部曲率最大点作为候选的细节点,然后使用自适应阈值和支撑域(Region of Support,ROS)删除由噪声产生的虚假点;最后利用指纹的细节点附近的轮廓和灰度信息,确定细节点的方向和类型,并使用得到的方向和类型进一步删除虚假细节点.该算法在FVC2002指纹数据库中进行测试,实验结果表明,该算法计算复杂度低,得到的指纹细节点精确、稳定,因此适合实际应用.     

基于结构稀疏性的单次曝光相位成像算法

相位成像的关键是相位恢复。由于相位信息的丢失,相位恢复通常是不适定的,如何利用合适的先验信息进行相位恢复是一个重要问题。该文在SPICA成像系统下提出了基于结构稀疏性的单次曝光相位成像算法。该算法利用图像全变差的重叠组结构稀疏性,将重叠的结构稀疏正则项以卷积形式表示,使求解过程更简单,并利用最速下降法求解相应的优化问题。实验结果表明,该算法在有噪声的情况下能够有效地实现对复图像的重构。     

基于全变差正则化的相位恢复算法

相位恢复问题是指仅通过信号傅立叶变换（或其它线性变换）的幅值恢复原始信号.由于相位信息的缺失,该问题是一个不适定问题,因此需利用先验知识确保精确重建.本文基于非线性压缩感知框架,提出利用自然图像在梯度算子下的稀疏性进行相位恢复的算法.该算法将全变差正则项融合到基于支撑约束和幅值约束的相位恢复问题中,并利用交替方向乘子法（ADMM）对所对应的非凸优化问题进行求解.实验结果表明,该算法明显优于HIO,RAAR等经典的相位恢复算法,并对噪声具有鲁棒性.     

利用多尺度卷积神经网络的图像超分辨率算法

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其它算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。      

基于双树复数小波和波原子稀疏图像表示的压缩传感图像重构

目前用于压缩传感(CS)图像重构的大部分算法都是基于图像在单一基上的稀疏性来实现.但很多图像在两种或多种基上具有稀疏表示,当用一种基进行稀疏图像表示时,往往不能有效捕捉图像的结构特性,导致图像重构质量不高.为此本文提出了一种基于波原子和双树复数小波混合基的图像稀疏表示方法,利用线性Bregman迭代来进行重构的压缩传感算法.该算法在每一次迭代更新后用梯度下降法进行全变差调整,再分别在两种基上执行软阈值处理来减小图像的l1范数.实验结果表明本文算法有效提高了重构图像的质量.     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。