与传统的超分辨算法相比,基于卷积神经网络的超分辨算法具有较大优势,但仍存在训练时间较长、重建图像纹理不够清晰等问题。基于此,在原有的卷积神经网络超分辨重建算法基础上进行了以下优化:放弃原有的修正线性单元函数,改用新的激活函数;改变网络结构,图像重建由最后的反卷积上采样来实现;采用自适应矩估计优化算法替换原本的随机梯度下降优化算法。分别在Set5和Set14测试集上进行对比实验,实验结果表明,改进算法在较少的训练时间下,峰值信噪比最大提高了2.33 dB,纹理更加清晰,边缘更加完整,重建效果更好。
图像处理 深度学习 卷积神经网络 超分辨率 反卷积 激光与光电子学进展
2018, 55(12): 121001
大连理工大学 电子信息与电气工程学部， 辽宁 大连 116024
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。
时间延迟估计 分布式光纤 相关噪声 卡尔曼滤波器 定位系统 time delay estimation distributed optical fiber correlated noise Kalman filter positioning system
