检索结果-内蒙古大学图书馆

计算机辅助设计与图形学学报 2018年第10期30卷 1935-1942页

作者：张雯雯韩裕生黄勤超徐国明中国人民解放军陆军炮兵防空兵学院信息工程系合肥230031 偏振光成像探测技术安徽省重点实验室合肥230031 安徽新华学院信息工程学院合肥230088

针对红外图像在提高分辨率的同时容易存在振铃效应及细节丢失的问题,提出一种多尺度卷积稀疏编码的快速超分辨率方法.首先将输入图像多尺度分解得到平滑分量和细节纹理分量,对最终的平滑分量进行双三次插值放大作为输出图像的平滑分量;... 详细信息

针对红外图像在提高分辨率的同时容易存在振铃效应及细节丢失的问题,提出一种多尺度卷积稀疏编码的快速超分辨率方法.首先将输入图像多尺度分解得到平滑分量和细节纹理分量,对最终的平滑分量进行双三次插值放大作为输出图像的平滑分量;然后通过叠加每个尺度的高分辨率滤波器及其对应尺度的高分辨率特征映射卷积后求和,得到输出图像的高频纹理结构,其中,每个尺度的高分辨率特征映射是由对应尺度的低分辨率特征映射通过放大和保稀疏的映射函数变换得到,而滤波器利用较少的可分离滤波器线性表示且卷积迭代求解过程优化.对通用性及实验室采集的红外图像的实验结果表明,同改进前的算法相比,文中方法提高了图像的峰值信噪比,不仅在保持良好的一致性基础上实现高分辨率图像的复原,而且有效地抑制了振铃效应;图像边缘纹理明显,也有效地提高了处理速度.

关键词：卷积稀疏编码红外图像快速超分辨率

来源：评论

学校读者我要写书评

暂无评论

联合卷积稀疏编码与梯度L_(0)范数的低剂量CT三维重建

引用

光学学报 2021年第9期41卷 96-107页

作者：亢艳芹刘进王勇强俊顾云波陈阳安徽工程大学计算机与信息学院安徽芜湖241000 东南大学计算机网络和信息集成教育部重点实验室江苏南京210096 东南大学影像科学与技术实验室江苏南京210096

CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L_(0)范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的... 详细信息

CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L_(0)范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的多尺度在线卷积稀疏编码约束,对低频成分进行梯度L_(0)范数约束,从而实现低剂量CT图像中噪声伪影的抑制与组织细节的保持。此外,卷积稀疏编码中使用三种不同尺度的三维滤波器,可有效适应不同尺度下的特征信息,提高编码能力。腹部CT仿真数据和真实扫描数据的实验结果表明,所提算法在25%常规剂量的重建过程中可以获得噪声伪影少、结构细节对比度高和质量更好的成像效果。

关键词：成像系统低剂量CT 图像重建多尺度卷积稀疏编码梯度L_(0)范数

来源：评论

学校读者我要写书评

暂无评论

小波域卷积稀疏编码的低剂量CT图像重建

引用

计算机辅助设计与图形学学报 2020年第11期32卷 1784-1794页

作者：刘进亢艳芹胡殿麟陈阳康季槐安徽工程大学计算机与信息学院芜湖241000 东南大学计算机科学与工程学院南京210096 计算机网络和信息集成教育部重点实验室(东南大学) 南京210096 南部战区海军第一医院湛江524005

随着CT成像技术的发展,其射线剂量明显降低,然而实现优质成像依然是低剂量CT研究领域中的重点问题.为实现低剂量CT的优质成像,减缓重建图像中伪影及噪声干扰,提出了一种小波域的卷积稀疏编码CT重建算法.该算法是利用预先构建的滤波器集... 详细信息

随着CT成像技术的发展,其射线剂量明显降低,然而实现优质成像依然是低剂量CT研究领域中的重点问题.为实现低剂量CT的优质成像,减缓重建图像中伪影及噪声干扰,提出了一种小波域的卷积稀疏编码CT重建算法.该算法是利用预先构建的滤波器集,对重建图像中的小波域高频子带进行卷积稀疏表示,并引入到低剂量CT重建中以构造目标函数.通过重建图像更新和小波域卷积稀疏编码两个步骤的交替优化,实现重建目标函数的求解.在Shepp-Logan模拟数据、AAPM模拟数据与UIH真实数据上进行实验,并与全变差、字典学习、梯度正则化的卷积稀疏编码等进行对照分析,实验结果表明,所提算法可获得噪声伪影少、结构细节对比度高的重建图.最后,参数分析实验表明所提算法易实施且具有良好的参数稳健性.

关键词：计算机断层成像低剂量图像重建小波变换卷积稀疏编码

来源：评论

学校读者我要写书评

暂无评论

多尺度半耦合卷积稀疏编码的遥感影像超分辨率重建

引用

计算机辅助设计与图形学学报 2022年第3期34卷 382-391页

作者：陈楠张标长安大学地质工程与测绘学院西安710064 中科星图空间技术有限公司西安710100

传统的卷积稀疏编码超分辨率方法在特征空间转换时仅引入线性投影关系,且在特征图的学习中未能考虑局部细节信息,使重建结果在边缘和细节方面不尽如人意.为此,将卷积稀疏编码理论引入遥感影像的超分辨重建框架中,提出一种多尺度半耦合... 详细信息

传统的卷积稀疏编码超分辨率方法在特征空间转换时仅引入线性投影关系,且在特征图的学习中未能考虑局部细节信息,使重建结果在边缘和细节方面不尽如人意.为此,将卷积稀疏编码理论引入遥感影像的超分辨重建框架中,提出一种多尺度半耦合卷积稀疏编码的超分辨率重建方法.首先对输入影像进行多尺度分解,提取出平滑分量和多个尺度的纹理分量,并对最终的平滑分量进行双三次插值重建;然后将每个尺度的纹理分量进行半耦合卷积稀疏编码重建,利用非线性卷积算子作为每个尺度下纹理分量的高分辨率特征图与低分辨率特征图之间的投影函数,并在特征图的学习中引入非局部自相似性结构进行约束优化,从而更好地重建出每个尺度下的纹理分量;最后将重建后的平滑分量和每个尺度下的纹理分量进行叠加,获得最终的重建影像.以4种不同传感器的遥感影像作为实验影像,与几种先进的超分辨率重建方法对比的实验结果表明,所提方法获得的重建影像在定量分析指数PSNR和FSIM方面均优于其他方法,表现出更为清晰的边界和细节信息,且具有一定的抗噪性能.

关键词：卷积稀疏编码多尺度策略半耦合字典非局部自相似超分辨率重建

来源：评论

学校读者我要写书评

暂无评论

基于全变分和梯度域卷积稀疏编码的稀疏角度CT重建算法

引用

激光与光电子学进展 2021年第12期58卷 323-332页

作者：李雨史娜孔慧华雷肖雪中北大学理学院山西太原030051 中北大学信息探测与处理山西省重点实验室山西太原030051

对于不完全的扫描数据,传统算法无法保证医学电子计算机断层扫描(CT)重建图像满足诊断要求。根据压缩感知理论,可以从不完全的扫描数据中重建出具有稀疏表示的医学CT图像,这可为诊断提供可靠的信息。从重建的角度出发,提出了一种基于全... 详细信息

对于不完全的扫描数据,传统算法无法保证医学电子计算机断层扫描(CT)重建图像满足诊断要求。根据压缩感知理论,可以从不完全的扫描数据中重建出具有稀疏表示的医学CT图像,这可为诊断提供可靠的信息。从重建的角度出发,提出了一种基于全变分和梯度域卷积稀疏编码的图像重建算法。梯度域卷积稀疏编码是对特征图施加梯度约束,采用梯度正则化约束来抑制离群点,从而解决了因滤波器不准确而造成的结构丢失或新伪影的问题。所提算法直接对整个图像进行操作,以获取局部邻域之间的相关性,并利用梯度图像的全局相关性来产生更好的边缘和清晰的梯度图像特征,它能有效地捕捉到图像的局部特征。此外,通过引进全变分作为正则项,可进一步恢复图像的微小结构和细节并有效地抑制噪声。实验的定性和定量结果表明,与其他算法相比,所提算法在去除伪影的同时保留了更多的细节,具有更高的重建质量,这验证了该方法的有效性。

关键词：图像处理计算机断层成像稀疏角度全变分卷积稀疏编码梯度图像

来源：评论

学校读者我要写书评

暂无评论

基于低秩分解和卷积稀疏编码的多源图像融合

引用

激光与光电子学进展 2021年第22期58卷 173-181页

作者：王加新陈升谢明鸿昆明理工大学信息工程与自动化学院云南昆明650500 珠海格力电器股份有限公司广东珠海519000

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法。为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理。首先,通过低秩分解将图像分解成低秩和稀疏两部分;... 详细信息

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法。为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理。首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然后,对低秩和稀疏成分分别设计不同的融合规则,得到融合低秩成分和融合稀疏成分,最终得到融合图像。最后,为了验证所提方法的融合效果,将所提方法与其他方法进行对比实验。实验结果表明,所提方法在视觉效果和客观评价指标方面均取得良好的效果。

关键词：图像处理图像融合低秩分解稀疏表示卷积稀疏编码

来源：评论

学校读者我要写书评

暂无评论

卷积稀疏编码理论及图像重建

卷积稀疏编码理论及图像重建

引用

作者：于辉燕山大学

学位级别：硕士

卷积稀疏编码已广泛应用于信号和图像处理、图像重建和去噪等任务中,传统的卷积稀疏编码都是基于傅里叶域在图像块上进行局部操作,忽略了图像的局部特征。为了弥补基于图像块的卷积稀疏编码的局限性,基于切片的卷积稀疏编码被提出。本... 详细信息

卷积稀疏编码已广泛应用于信号和图像处理、图像重建和去噪等任务中,传统的卷积稀疏编码都是基于傅里叶域在图像块上进行局部操作,忽略了图像的局部特征。为了弥补基于图像块的卷积稀疏编码的局限性,基于切片的卷积稀疏编码被提出。本文将基于切片的局部处理思想与基于深度学习思想结合起来,对卷积稀疏编码模型进行了更深入的研究。首先,受基于切片局部处理思想和多层卷积稀疏编码的启发,本文研究了一种新的多层卷积稀疏编码模型:基于切片的多层卷积稀疏编码。在此基础上,研究了一种新的多层基追踪算法:基于切片的多层快速迭代收缩阈值算法。其次,局部块坐标下降算法是解决基于切片的卷积稀疏编码的基追踪问题的有效方法,但目前还没有对局部块坐标下降算法的收敛性进行证明,本文给出了局部块坐标下降算法的收敛定理,并对其进行了理论性证明。在基于切片多层卷积稀疏编码和局部块坐标下降算法的基础上,研究了另外一种新的多层基追踪算法:基于切片的多层局部块坐标下降算法(ML-LoBCoD)。并给出ML-LoBCoD算法的收敛性定理及证明。再次,在卷积稀疏编码网络(CSCNet)去噪模型的基础上,研究了两种新的基于学习快速迭代收缩阈值算法的卷积稀疏编码网络(CSCNet-LFISTA)。通过梯度映射的最坏情况界,采用边界优化近端梯度方法的阶跃系数来导出新的LFISTA算法。新的CSCNet方法不但保持了原始CSCNet方法的计算简单性,并且具有全局收敛速度,本文在理论和实践上分别证明了新的CSCNet方法优于原始CSCNet方法。最后,本文将残差结构与卷积稀疏编码网络相结合,研究了一种用于压缩感知磁共振成像的新型深度学习模型,称为近似残差卷积稀疏编码网络(ARCSC-net)。本文研究的ARCSC网络在伪径向采样模式下进行了测试。分别用不同的方法在脑数据和膝盖数据上实现磁共振图像重建,实验表明所提出的ARCSC网络在视觉和定量上均优于其他最新技术。

关键词：卷积稀疏编码多层卷积稀疏编码收敛定理块坐标下降算法迭代收缩阈值算法图像去噪磁共振图像重建

来源：评论

学校读者我要写书评

暂无评论

卷积稀疏编码图像去噪算法的研究与改进

卷积稀疏编码图像去噪算法的研究与改进

引用

作者：张膑大连海事大学

学位级别：硕士

具有移位不变性的卷积稀疏编码(Convolutional Sparse Coding,CSC)因其字典的特殊结构这几年来被学者广泛应用到信号、图像处理各领域中。卷积稀疏编码算法通过交替迭代训练,利用所训练的滤波器以及滤波器对应的特征响应以卷积求和的方... 详细信息

具有移位不变性的卷积稀疏编码(Convolutional Sparse Coding,CSC)因其字典的特殊结构这几年来被学者广泛应用到信号、图像处理各领域中。卷积稀疏编码算法通过交替迭代训练,利用所训练的滤波器以及滤波器对应的特征响应以卷积求和的方式完成对原始输入的线性逼近过程,其中Vardan所提出的卷积字典学习算法(Slice Based Dictionary Learning,S-BCSC)是最为经典的卷积稀疏编码算法。该算法不再借助傅里叶域进行优化求解,而是结合传统稀疏表示算法进行优化求解。S-BCSC算法虽然有效,但是该算法在应用中只训练一个固定大小的字典,没有考虑到字典大小是否会因为受测图像不同而改变的问题。为进一步提升卷积稀疏编码模型去噪效果,Dror提出卷积稀疏编码网络模型(Convolutional Sparse Coding Network,CSCNet),该模型采用MMSE算法完成近似逼近并在卷积稀疏编码模型中加入了卷积步长。CSCNet模型虽然能有效解决图像去噪问题,但是没有考虑到在迭代求解近似编码向量过程中卷积层、反卷积的叠加会改变原始数据分布方式的问题,从而影响最终去噪效果。本文在卷积稀疏编码模型基础上,结合稀疏表示以及深度学习中常用的算法,以提升模型图像去噪效果为目的提出了三种新算法。 (1)S-BCSC算法不再依赖傅里叶域进行优化求解,相比同类卷积稀疏编码算法收敛速度较快,但是该算法在应用中训练字典时没有考虑到受测图像本身是否会影响卷积字典的问题。传统稀疏表示算法在应用过程中将图像整体分为若干过冗余图像块,然后再相互独立地处理每一个图像块,但这样一来该模型最终仅得到局部最优解而非全局最优。卷积稀疏编码是从图像整体角度求解全局模型,S-BCSC算法是从局部角度来求解全局模型,导致对于图像局部信息的处理反而没有传统稀疏表示算法好。本文第一部分内容,以S-BCSC算法作为基础并结合稀疏表示算法以及受测图像大小,提出改进后的S-BCSC算法(MS-BCSC)。MS-BCSC算法能够根据测试图像大小找到适合图像自身的卷积字典大小,相比S-BCSC算法去噪效果有所提升。 (2)与传统稀疏表示算法类似,S-BCSC算法也是只训练一个固定原子大小的字典,然而只训练一个固定原子大小的字典有时并不能有效描述图像中某些局部细节。为进一步提升稀疏表示算法去噪效果,Jia提出具有自适应原子大小的字典学习算法(Grouped Dictionaries with Adaptive Atom Sizes,GDw AAS)。GDw AAS算法可以按照图像平滑、纹理、边缘特征分别训练不同原子大小的字典,从而能够弥补原始算法对图像局部信息描述不充分的不足。文中第二部分以S-BCSC算法为基础,借鉴GDw AAS算法并结合MS-BCSC算法,提出分组训练卷积字典的图像去噪算法(Group Slice-Based Dictionary Learning,GS-BCSC)。GS-BCSC可以根据图像大小、噪声程度、图像平滑、纹理、边缘特征训练不同卷积字典,该算法与原始S-BCSC算法相比最终所得图像质量、清晰度都有所提升。 (3)为有效解决CSC算法图像去噪问题,Dror提出CSCNet模型。CSCNet模型是以近似卷积稀疏编码模型为基础,使用MMSE算法代替传统近似逼近方法,并在CSC模型中加入了卷积步长。CSCNet模型虽然非常有效,但是该模型没有考虑到在迭代求解近似编码向量过程中卷积层与反卷积层叠加会改变原始数据的分布方式。文中以提高模型去噪效果为目的,尝试在卷积稀疏编码网络模型中加入Batch Normalization、Relu函数、基础残差块结构。在不大幅度增加CSCNet模型计算负担的前提下,改进后的模型相比原模型去噪效果略有提升。

关键词：卷积稀疏编码稀疏编码字典学习去噪卷积字典学习

来源：评论

学校读者我要写书评

暂无评论

联合卷积稀疏编码与梯度L;范数的低剂量CT三维重建

引用

光学学报 2021年

作者：亢艳芹刘进王勇强俊顾云波陈阳安徽工程大学计算机与信息学院东南大学计算机网络和信息集成教育部重点实验室东南大学影像科学与技术实验室

CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L0范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的多... 详细信息

CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L0范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的多尺度在线卷积稀疏编码约束,对低频成分进行梯度L0范数约束,从而实现低剂量CT图像中噪声伪影的抑制与组织细节的保持。此外,卷积稀疏编码中使用三种不同尺度的三维滤波器,可有效适应不同尺度下的特征信息,提高编码能力。腹部CT仿真数据和真实扫描数据的实验结果表明,所提算法在25%常规剂量的重建过程中可以获得噪声伪影少、结构细节对比度高和质量更好的成像效果。

关键词：成像系统低剂量CT 图像重建多尺度卷积稀疏编码梯度L 范数

来源：评论

学校读者我要写书评

暂无评论

基于卷积稀疏编码的电容层析成像图像重建

引用

计量学报 2023年第7期44卷 1075-1079页

作者：张立峰卢栋臣华北电力大学自动化系河北保定071003

针对电容层析成像(ECT)病态性逆问题,提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法,通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解,从而完成ECT图像重建。对提出的方法进行了仿真及实验... 详细信息

针对电容层析成像(ECT)病态性逆问题,提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法,通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解,从而完成ECT图像重建。对提出的方法进行了仿真及实验测试,并与LBP、Tikhonov正则化及Landweber迭代算法进行比较。结果表明,提出的方法其重建图像平均相对误差和相关系数分别为0.4389及0.8968,均优于其他3种方法,中心物体及多物体分布的重建质量得到显著提升。

关键词：计量学电容层析成像图像重建卷积稀疏编码交替方向乘子算法多相流检测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：