基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

分布式光纤中的稳健时间延迟估计方法

在分布式光纤传感系统定位中,传统时延估计算法常由于噪声相关性较强而失效。采用一种削弱相关噪声的改进型广义相关法,并针对系统特点,为进一步改善分布式光纤传感定位的准确度与稳定度,提出了一种先对数据按事件信号进行分帧,再采用卡尔曼滤波器对分帧时延估计结果进行跟踪的时延估计方案。系统仿真实验与实际数据测试结果均表明:提出的时延估计方案能够有效抑制强相关性的噪声,提高时延估计的准确度与稳定度。经大量现场测试,本文的方案能够有效地将时延估计误差稳定地控制在0.2个采样间隔以内,能够满足系统实际定位精度要求。     

基于空-时加权全变差正则项的视频复原算法

该文改进空-时全变正则项,提出了基于空-时加权全变差的视频图像重建算法。通过空-时加权全变差正则项的引入,获得新的视频重建模型,并提出了基于分裂 Bregman迭代算法的模型快速求解方法。仿真和数值实验表明,该文算法能够有效地实现高斯白噪声背景下视频序列去模糊问题,而且能够较好地保持复原图像序列的边缘和细节信息,避免传统TV算法产生的过平滑而失去细节信息的缺点,获得更加自然和细节的复原图像。     

对称稳定分布噪声下基于广义相关熵的DOA估计新方法

针对稳定随机变量有限二阶矩不存在的特点,该文定义了一种新的广义相关熵,并从理论上证明了对称稳定分布随机变量广义相关熵的有界性。此外,提出了一种稳定分布噪声下基于最小广义相关熵准则的DOA估计新方法,给出了一种迭代优化算法并通过仿真实验分析了算法的收敛性。仿真结果表明,与现有基于分数低阶矩的FLOM-MUSIC、基于类相关熵的CRCO-MUSIC以及基于lp范数的ACO-MUSIC算法相比,所提方法可以获得更好的估计结果,尤其是在高脉冲性噪声环境下具有更加明显的优势。     

基于高斯混合和BP神经网络的卵巢癌质谱数据三分类模型

癌症的早期诊断可以显著提高癌症患者的存活率,三分类问题就是将未知样本与已知样本进行匹配度检测,预测样本是健康状态,良性发展状态,还是癌症状态.针对复杂难分的卵巢癌蛋白质质谱数据,提出了一种基于高斯混合模型和BP神经网络的三分类预测模型.首先,去除原数据中的冗余,对其进行方差排序及交集筛选提取特征集合一,再利用高斯混合模型处理求得参数作为特征集合二,最后使用BP神经网络进行样本三分类,准确率达到72.9%.结果表明:模型可以作为卵巢癌质谱数据三分类的可选择工具.