针对现有中继转发式室内可见光通信系统中信道估计算法存在的导频数量过大、估计效率和精度低的问题,提出基于张量模式噪声补偿的信道估计方法。首先,充分利用可见光通信系统发射数据的特点设计了一种适合在接收数据中进行噪声补偿的导频结构。然后,在PARATUCK2张量分解框架下,构造了这种导频模式的含噪通信系统模型。最后,结合张量分解方法,设计了一种以导频所得噪声补偿对实际噪声进行估计的方法,完成所有信道参数的计算。仿真实验结果表明,将基于张量模式噪声补偿的估计算法应用在中继转发式室内可见光通信系统中,可以在加快寻优迭代速度的同时提高估计精确度,充分验证该算法的有效性和可行性。

基于张量理论在高维图像处理中的应用, 提出一种张量模式的稀疏表示方法, 以便有效地去除肺部CT序列图像的噪声, 增强图像的有用信息。首先, 设计了张量模式的正交匹配追踪法(TOMP)来表达稀疏系数; 构建了高维K-奇异值分解法(HOK-SVD)用于字典更新。然后, 对张量乘法的参数进行优化, 即通过构造三维灰度共生矩阵, 建立三维纹理特征与张量乘法模式之间的数学模型。最后, 将这种方法应用于LIDC数据库的150组CT序列图像的预处理, 对各算法的稀疏表示效果进行评价。与当前应用的其他方法相比, 本文提出的高维K-SVD算法的的峰值信噪比提高了1.5%, 平均误差降低了1.2%; 在此预处理基础上进行的图像分割结果表明: 图像的边缘偏移误差下降了3.0%, 体积重叠率提高了1.2%。上述结果显示基于张量的方法可以更精确地完成对三维CT图像序列的稀疏表示。

为解决基于二维图像处理的计算机辅助诊疗系统(CAD)仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系，以及数据处理过程中的海量计算问题，提出一种新的基于快速三维主成分分析(3D PCA)的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解(HOSVD)设计3D PCA; 然后以提取出的三维空间特征点为种子点，进行区域增长以获取完整的疑似病灶区域; 最后，根据医学图像具体特征，设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验，并将实验结果与当前同类算法做了比较。结果表明，检测精确度提高了约10%~21%; 另外，快速算法与原算法比较，计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息，更精准提取病灶特征，在一定程度上提高了检测率。

针对由曝光不均、噪声等因素引起的病灶区CT数据漏检、边界模糊等问题，设计了一种多方向神经网络(NN)插值算法。通过融合各断层层内和层间信息，对病灶区进行精确超分辨率重建。首先，将预测网络拓展为多方向三维空间；然后，根据肿瘤特殊灰度分布特征，设计最优初始权值；最后，预测漏检数据，提高病灶区分辨率。将本文算法与当前具有代表性的3种超分辨率重建算法PCGLS法、180°线性插值、单方向神经网络方法进行比较，结果表明：本文方法实时性更好，迭代次数平均减少25.9%，重建图像病灶区定位更精确，空间分辨率更高，质心偏离度平均降低27.1%，中心偏离度平均降低23.0%，病灶面积平均减少21.5%，平均PSNR提高了1.59 dB。本算法不但适用于肺部CT图像，也可以根据具体图像特征推广到其他生物信号和遥感图像等领域中。