期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于全变分的全向图像稀疏重构算法 被引量：7
1
作者 娄静涛 李永乐 +2 位作者 谭树人 王炜 张茂军 《电子学报》 EI CAS CSCD 北大核心 2014年第2期243-249,共7页
折反射全向成像由于曲面镜的反射作用,导致全向图像存在严重变形,传统的梯度计算方法在全向图像中不能很好地符合折反射成像的特点.为了从压缩采样数据快速有效地重构全向图像,提出了一种结合全向图像特征的全变分模型——全向全变分,... 折反射全向成像由于曲面镜的反射作用,导致全向图像存在严重变形,传统的梯度计算方法在全向图像中不能很好地符合折反射成像的特点.为了从压缩采样数据快速有效地重构全向图像,提出了一种结合全向图像特征的全变分模型——全向全变分,并在基于TV范数进行全向图像重构时,采用全向全变分作为目标函数,进行模型的求解.实验结果验证了本文算法的有效性和可行性,其重构结果的主客观效果明显优于传统TV模型. 展开更多
关键词 折反射全向成像 压缩感知 图像重构 tv范数
下载PDF
加强的低秩表示图像去噪算法 被引量：5
2
作者 刘成士 赵志刚 +3 位作者 李强 吕慧显 董晓晨 李金霞 《计算机工程与应用》 CSCD 北大核心 2020年第2期216-225,共10页
由于低秩表示(Low-Rank Representation,LRR)模型中核范数对非零奇异值的估计不足,所以利用参数化的非凸惩罚函数来估计非零奇异值,同时结合全变差(Total Variation,TV)范数保持图像边缘信息和加强区域平滑性的能力,通过对LRR模型中的... 由于低秩表示(Low-Rank Representation,LRR)模型中核范数对非零奇异值的估计不足,所以利用参数化的非凸惩罚函数来估计非零奇异值,同时结合全变差(Total Variation,TV)范数保持图像边缘信息和加强区域平滑性的能力,通过对LRR模型中的系数矩阵施加TV范数约束,提出了一个新的图像去噪算法,并且采取交替最小化方法求解对应模型。利用图像的内在非局部自相似性先验,所提算法能够在有效发现和移除噪声的同时,增强恢复图像的结构和区域平滑性,提高图像的恢复质量。实验结果表明,与其他去噪算法相比,无论是客观评价还是视觉效果,所提算法都实现了具有竞争力的去噪表现,特别是在噪声强度较大时。 展开更多
关键词 图像去噪 低秩表示(LRR) tv范数 非凸惩罚函数 非局部自相似性
下载PDF
基于加权L1/2范数和TV正则化的图像去噪方法
3
作者 吴万红 吴自凯 《应用数学进展》 2023年第1期6-14,共9页
面对被严重稀疏噪声损坏的观测数据,采用L1范数来度量稀疏性的低秩恢复算法已不能很好的从退化的观测矩阵中恢复低秩结构。本文提出了一个新的加权低秩矩阵恢复算法用于图像去噪。利用L1/2范数来度量稀疏性,引入权重分配给每个组成元素... 面对被严重稀疏噪声损坏的观测数据,采用L1范数来度量稀疏性的低秩恢复算法已不能很好的从退化的观测矩阵中恢复低秩结构。本文提出了一个新的加权低秩矩阵恢复算法用于图像去噪。利用L1/2范数来度量稀疏性,引入权重分配给每个组成元素,并结合Lp范数特定情况下(p = 1/2)的封闭阈值算子,提出加权的L1/2正则化,相比常用的L1范数更加有效。同时将TV正则化整合到我们的方法中,有效的保证了图像的边缘特征。所提的方法与现有的低秩恢复算法相比,在增强图像结构平滑性和去除大的稀疏噪声方面表现更好,图像重建的质量有了明显提高。 展开更多
关键词 低秩矩阵恢复 结构平滑性 tv范数
下载PDF
结合图像结构特征和近似l_0范数的压缩采样恢复算法 被引量：1
4
作者 尚斐 杜慧茜 贾云得 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2010年第11期1874-1879,共6页
为了从压缩采样数据快速有效地恢复自然图像,提出了一种结合近似l0范数和近似总体变分(TV)的压缩采样图像恢复算法模型——TVSl0,并在恢复算法中引入模拟退火方法来实现快速恢复.该模型以最小化近似l0范数为基础,融入了反映图像结构特... 为了从压缩采样数据快速有效地恢复自然图像,提出了一种结合近似l0范数和近似总体变分(TV)的压缩采样图像恢复算法模型——TVSl0,并在恢复算法中引入模拟退火方法来实现快速恢复.该模型以最小化近似l0范数为基础,融入了反映图像结构特点的近似TV范数,体现出该模型对图像空域变化有限这一特点的适应性;并使用连续近似函数解决了l0范数的不连续问题.针对典型自然图像恢复的实验结果验证了文中算法的有效性和可行性,其恢复质量和基本TV模型的方法相当,但迭代次数少、计算复杂度低. 展开更多
关键词 压缩采样 图像恢复 l0范数 tv范数 模拟退火
下载PDF
基于TV范数对低秩表示去噪模型的改进
5
作者 刘成士 赵志刚 +3 位作者 吕慧显 董晓晨 李金霞 李明生 《青岛大学学报（自然科学版）》 CAS 2019年第1期74-80,共7页
全变差(TV)范数具有保持图像边缘信息及加强区域平滑性的能力,为增强低秩表示(LRR)模型恢复图像的结构光滑性,将TV范数引入到LRR模型中,通过对LRR模型中的系数矩阵增加TV范数约束,提出了一个新的图像去噪模型——全变差低秩表示(TVLRR)... 全变差(TV)范数具有保持图像边缘信息及加强区域平滑性的能力,为增强低秩表示(LRR)模型恢复图像的结构光滑性,将TV范数引入到LRR模型中,通过对LRR模型中的系数矩阵增加TV范数约束,提出了一个新的图像去噪模型——全变差低秩表示(TVLRR)模型,并采用交替最小化方法有效地求解该模型。利用图像内在的非局部自相似性先验,所提算法可以有效地发现和去除噪声,同时增强恢复图像的结构光滑性,使去噪后的图像质量显著提高。实验结果表明,与顶尖的去噪算法相比,所提出的算法在主观和客观上都实现了具有竞争力的去噪表现,特别是当噪声强度很大时。 展开更多
关键词 图像去噪 低秩表示 tv范数 非局部自相似性
下载PDF
具有约束的稀疏正则图像重建模型及其在CT成像中的应用
6
作者 唐玉超 陈宝 朱传喜 《南昌大学学报（工科版）》 CAS 2017年第3期294-306,共13页
提出更具有一般性的约束稀疏正则图像重建模型,它不仅包含了各向异性和各向同性TV范数重建模型,而且可以推广到其他CT重建模型。基于Chambolle和Pock的原始对偶方法思想,借助指示函数,将原模型转化为无约束的凸优化模型,建立求解所得到... 提出更具有一般性的约束稀疏正则图像重建模型,它不仅包含了各向异性和各向同性TV范数重建模型,而且可以推广到其他CT重建模型。基于Chambolle和Pock的原始对偶方法思想,借助指示函数,将原模型转化为无约束的凸优化模型,建立求解所得到优化模型的迭代算法,该算法的特点是无需内迭代以及计算矩阵逆且迭代每一步都具有显示解。进而,提出了一种自适应的原始对偶算法,将算法中固定迭代参数推广到可变参数情形。最后,将所提模型和算法应用于不完备投影CT重建问题,并与ART-POCS方法进行比较,得出我们的方法在图像重建质量等方面优于ART-POCS方法。 展开更多
关键词 tv范数 图像重建 ART-POCS算法 不完备投影
下载PDF
基于修正TV范数光流法的Himawari-8云导风算法研究 被引量：3
7
作者 贾静荣 孙逢林 +2 位作者 邱启荣 闵敏 胡开喜 《大气与环境光学学报》 CAS CSCD 2018年第6期453-461,共9页
修正TV范数光流法是基于新一代静止轨道气象卫星Himwari-8探测的云图数据提出的反演云导风的方法.该方法首先通过ROF去噪模型提取云图细节部分,提出应用TV-L1范数局部惩罚项的光流法实现了高分辨率云导风反演,依靠质量标识对所求导风进... 修正TV范数光流法是基于新一代静止轨道气象卫星Himwari-8探测的云图数据提出的反演云导风的方法.该方法首先通过ROF去噪模型提取云图细节部分,提出应用TV-L1范数局部惩罚项的光流法实现了高分辨率云导风反演,依靠质量标识对所求导风进行质量控制,去掉不合理风矢。实验结果表明,该方法适用于400 hPa高度以下的中低云云导风计算。 展开更多
关键词 云导风 Himawari-8 ROF去噪模型 修正tv范数光流法 质量控制
下载PDF
基于最大后验概率的la范数去噪方法 被引量：1
8
作者 宁娣 岳晨曦 《中南民族大学学报（自然科学版）》 CAS 北大核心 2017年第1期128-131,共4页
从观测模型和先验模型入手,深入分析了在图像去噪过程中如何在边缘保护和去除噪声之间寻找平衡,针对TV先验模型在边缘保护和纹理保护中的不足,提出了新的基于最大后验概率的la范数去噪方法,该方法更好地保护了图像的边缘,同时使得在平... 从观测模型和先验模型入手,深入分析了在图像去噪过程中如何在边缘保护和去除噪声之间寻找平衡,针对TV先验模型在边缘保护和纹理保护中的不足,提出了新的基于最大后验概率的la范数去噪方法,该方法更好地保护了图像的边缘,同时使得在平滑区域产生的阶梯效应减少.数值实验进一步验证了该方法的正确性和有效性. 展开更多
关键词 图像去噪 la范数模型 tv范数模型 小波去噪 最大后验概率
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部