注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 稀疏分解图像重建程序，把图像分解成多个小块图像，然后再各个子块重建后边缘处理后合并成整个图像.rar

  2. 稀疏分解图像重建程序，把图像分解成多个小块图像，然后再各个子块重建后边缘处理后合并成整个图像.rar

  3. 所属分类：其它

    • 发布日期：2009-05-24
    • 文件大小：78kb
    • 提供者：yueyihun

  1. 图像分块（BCS）稀疏表示与重建

  2. 该程序的功能是实现图像的稀疏分解并重建图像，采用压缩感知理论，利用小波分析，在小波域分块观测，可以用很少的观测值就能重建原图像。程序包中已经整合了小波包和测试图像，没有多余文件，程序经过亲测并修改，能在MATLAB中直接运行得到很好的结果，直接运行main_msbcsspl，速度非常快！

  3. 所属分类：机器学习

    • 发布日期：2019-02-17
    • 文件大小：2mb
    • 提供者：huang_yh221

  1. 基于压缩感知的声纳图像超分辨率重建算法

  2. 超分辨率重建通用方法中，图像分解后对应小波基只能有效稀疏表示单一成分，往往只侧重边缘成分而忽略了光滑成分等。针对这个问题，本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型，运用一种基于K-均值聚类算法的结构化字典训练法，并采用Newton-Raphson法进行迭代算法处理，实现声纳图像压缩感知的超分辨率重建。

  3. 所属分类：其它

    • 发布日期：2020-07-20
    • 文件大小：109kb
    • 提供者：weixin_38688403

  1. 基于压缩感知的声纳图像超分辨率重建算法

  2. 超分辨率重建通用方法中，图像分解后对应小波基只能有效稀疏表示单一成分，往往只侧重边缘成分而忽略了光滑成分等。针对这个问题，本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型，运用一种基于K-均值聚类算法的结构化字典训练法，并采用Newton-Raphson法进行迭代算法处理，实现声纳图像压缩感知的超分辨率重建。最后通过仿真实验，验证了此种算法的可行性和有效性。实验结果表明，该算法获得的超分辨率图像能够很好地重建并保持原图像的特征，能高效地改善并提高重建质

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：306kb
    • 提供者：weixin_38744153

  1. 基于双组分分解的混合正则化方法用于部分纹理CS-MR图像重建

  2. 对于压缩感测磁共振（CS-MR）图像重建，至关重要的是保留边缘和纹理，同时消除混叠伪影。总变化（TV）规范化可以很好地保留边缘，但是会导致阶梯效应，并且不能保留纹理。高阶正则化可以消除阶梯效应，但会导致边缘模糊。非本地电视（NLTV）规范化可以很好地保留纹理，但是会导致多余的伪像，并且很可能保留由于错误地混淆伪像而导致的类似纹理的人工结构。在本文中，我们假设图像由卡通成分和各向异性成分组成。对于卡通组件，我们利用分数阶电视正则化来消除阶梯效应并避免边缘模糊，更重要的是，由于卡通组件中没有纹理，因

  3. 所属分类：其它

  1. 通过基于细节的字典学习增强摄影外观

  2. 许多边缘感知滤镜可以通过细节分解和增强来有效地增强图像的外观。 然而，由于一些可见的伪像，特别是噪声，光晕和不自然的对比度，它们通常无法产生照相增强的外观。 根本原因是在增强过程中对高质量外观的指导和约束不足。 因此，我们的想法是从许多高质量的补丁中训练出一个详细字典，以约束和控制整个外观的增强。 在本文中，我们提出了一种基于学习的图像外观增强方法，该方法包括两个主要阶段：字典训练和稀疏重建。 在训练阶段，我们构造了从一些高质量照片中提取的细节补丁训练集，然后通过迭代最小化l1范数能量函数来训练

  3. 所属分类：其它

  1. 通过非局部张量表示进行颜色去马赛克

  2. 单个传感器摄像机可以通过滤色镜阵列捕获场景。 每个像素仅采样三种原色中的一种。 彩色去马赛克（CDM）是根据此传感器数据重建全彩色图像的过程。 在本文中，我们提出了一种基于非局部张量表示的同时稀疏编码的新型CDM方案。 首先，将相似的2D面片分组以形成三阶张量，即3D阵列。 然后，通过使用Tucker分解，共同学习三个子字典，这些子字典描述出现在分组张量每个维度上的相干结构。 结果系数张量由分组块稀疏约束施加，该约束迫使相似的补丁在其稀疏分解中共享字典的相同原子。 实验结果证明了平均CPSNR和

  3. 所属分类：其它

  1. 用于光谱CT重建的空间光谱立方体匹配框架

  2. 光谱计算机断层扫描（CT）从多个窄能量窗口的投影中重建相同的扫描对象，可用于材料识别和分解。 但是，多能量投影数据集的信噪比（SNR）较低，导致重建的图像质量较差。 为了解决这个棘手的问题，我们开发了一种光谱CT重建方法，即空间光谱立方体匹配框架（SSCMF）。 该方法受到以下三个事实的启发：（i）人体通常由两种或三种基本材料组成，这意味着重构的光谱图像具有很强的稀疏性； （ii）单通道图像中相同的基本物质成分在局部区域具有相似的强度和结构。 同一能量通道内的不同材料成分共享相似的结构信息； （

  3. 所属分类：其它

  1. 一种基于特征值分解的测量矩阵优化方法

  2. 测量矩阵是压缩感知中一个很重要的部分,为了减小测量矩阵与稀疏变换矩阵的互相干性,从而改善重建质量,本文首先通过测量矩阵和稀疏变换矩阵的乘积构造得到一个Gram矩阵,然后定义了一种基于Gram矩阵非对角线元素的整体互相干系数,推导出整体互相干系数与Gram矩阵特征值之间的关系。在此基础上,我们提出了一个最优化模型,在不改变Gram矩阵特征值和的前提下,让每个大于零的特征值的大小都为它们和的平均值,使得测量矩阵和稀疏变换矩阵的整体互相干系数达到最小,从而优化了测量矩阵的性能。将该方法用在一些已知的测

  3. 所属分类：其它

  1. 稀疏张量约束的低剂量CT图像重建

  2. 提出了一种稀疏张量约束重建算法,该方法利用非局部相似的先验信息,将CT图像分割成一系列图像块组;采用张量的多维低秩分解方法, 将这一先验信息引入低剂量CT重建中,构造目标函数;通过重建图像更新和图像块组张量稀疏编码两个步骤,交替迭代求解目标函数。基于仿真数据和临床数据的实验结果验证了该算法的有效性,实验结果表明:与经典重建算法相比,所提算法在抑制噪声的同时,能更好地保持重建图像的细节,获得更高质量的图像。

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：16mb
    • 提供者：weixin_38670065

  1. 一种基于分析稀疏表示的图像重建算法

  2. TV-Wavelet-L1(TVWL1)模型因包含全变分(Total-variation,TV)和小波正则化约束,具有较强的图像重建能力。而传统求解TVWL1模型的算法往往忽略了综合/分析稀疏表示方法的方式。本文提出了一个新的求解TVWL1模型的图像重建算法,该算法把图像重建问题分解为几个子问题并交替求解,利用分析稀疏表示特性构建子问题的求解算法。实验结果表明,与已有算法相比,本文提出的算法可以提高重建图像主客观质量。

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：711kb
    • 提供者：weixin_38656662

  1. 空间光谱联合稀疏表示的高光谱图像超分辨率方法

  2. 针对获取的高光谱图像空间分辨率较低的问题，设计了一种空间光谱联合稀疏表示的超分辨率方法：提取图像中不同的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典；利用高光谱图像信号的稀疏性、非负性以及空间结构相似性，通过同步正交匹配追踪算法，从相同场景的高空间分辨率的低光谱图像求解得到稀疏编码矩阵；联合光谱字典和稀疏编码矩阵得到目标图像。由于联合使用高光谱图像的空间与光谱信息，仿真实验数据和真实实验数据结果表明，相比于传统方法和矩阵分解方法本文方法，能够有效重建图像细节信息与纹理结构，

  3. 所属分类：其它

  1. 使用图像梯度l（0）-范数和张量字典的低剂量光谱CT重建

  2. 光谱计算机断层扫描（CT）在病变检测，组织表征和材料分解方面具有极大的优势。 为了进一步扩展其潜在的临床应用，在这项工作中，我们提出了一种改进的张量字典学习方法，用于具有图像梯度l（0）-norm约束的低剂量光谱CT重建，被称为l（0）TDL。 l（0）TDL方法通过利用频谱CT图像的相似性继承了张量词典学习（TDL）的优点。 另一方面，通过在梯度图像域中引入l（0）-范数约束，该方法强调了空间稀疏性，克服了TDL在保留边缘信息方面的弱点。 采用分裂布勒曼法对提出的方法进行求解。 数值模拟和实际

  3. 所属分类：其它

  1. 基于投影替换的可压缩信号压缩感知重建

  2. 压缩感测可以以欠采样率重建可压缩或稀疏信号。 然而，具有大量但能量低的可压缩信号的小系数难以重构，同时也影响了大系数的精度。 因此，对于诸如正交匹配追踪（OMP）和树结构小波压缩感知（TSW-CS）之类的压缩感知算法，测量模型中存在假定误差，这使得重建结果不符合原始测量模型。 。 针对这个问题，我们提出了投影替换算法，即通过用奇异值分解建立测量空间及其正交补余空间，并用伪逆算法代替重建结果在测量空间中的投影。 提出的PR算法消除了OMP和TSW-CS重建模型中的假设测量误差，从理论上保证了PR结

  3. 所属分类：其它