融合彩色模型空间的非线性低照度图像增强

低照度图像存在图像整体亮度偏低、亮度不均匀、色彩饱和度过高、图像模糊等问题,针对此类问题,提出了一种融合彩色模型空间的低照度图像增强算法。在该算法中,将图像的亮度增强与图像色彩恢复转换至不同的彩色模型空间分别进行处理:在RGB彩色模型空间中,首先对图像的高灰度级进行预处理,随后进行滤波处理,最后再用三分量增强函数对图像进行亮度恢复;在HSV彩色模型空间中,利用非线性色彩饱和度校正函数与亮度增强函数进行图像的色彩恢复,最后将两个空间中的处理结果进行加权融合。最终的对比实验结果表明,该方法在避免图像出现过度增强、色彩恢复与图像照度增强方面有着良好的效果,所处理的图像符合人眼视觉特性。     

基于残差密集块与注意力机制的图像去雾网络

基于卷积神经网络的单幅图像去雾算法虽然取得了一定进展,但仍然存在去雾不完全和伪影等问题.基于这一现状,提出了一种以编码器-解码器结构为基本框架,融合注意力机制与残差密集块的单幅图像去雾网络.首先,利用网络中的编码器、特征恢复模块和解码器三个部分直接对去雾后的图像进行预测;然后,在网络中引入本文所设计的带有注意力机制的残差密集块,提升网络的特征提取能力;最后,基于注意力机制提出自适应跳跃连接模块,增强网络对去雾图像细节的恢复能力.实验结果表明,与现有去雾方法相比,提出的去雾网络在合成有雾图像数据集和真实有雾图像上均取得了较为理想的去雾效果.     

基于颜色注意机制的弱光图像增强算法

针对当前弱光图像增强算法在恢复过程中存在颜色与细节丢失的问题,提出一种基于颜色注意机制的增强算法.该算法首先将弱光图像从RGB色彩空间转换至CIE LAB色彩空间,将弱光图像分解为亮度和颜色两个分量.其次,利用两个卷积神经网络(CNN)模型对亮度和颜色分量分别独立增强.然后对增强后的颜色分量使用监督注意力机制,在弱光图像中搜索任何有用的颜色关键点,引导和扩展网络注意力对图像的颜色进行增强.最后将增强后的亮度和颜色分量进行融合,并转换回RGB空间,获得清晰艳丽的复原图像.实验结果表明:与其他增强算法相比,本文提出的方法具有明显优势,在保持明暗度顺序的同时有效地增强了弱光图像,完整地恢复了原始图像的颜色.     

基于YOLOv5的遥感图像目标检测

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测.提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测.在公开的10类地理空间物体(NWPU-VHR 10)数据集进行了检测实验,以评估所提出模型的目标检测性能.对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78％,该方法可以提高遥感图像目标检测精度.     

基于多任务多模态学习的谣言检测框架

谣言检测是对社交网络上传播的信息内容进行真实性鉴别的任务.一些研究表明融合多模态信息有助于谣言检测,而现有多模谣言检测方法具有以下问题：（1）只是将处于不同表示空间的单模态特征简单拼接形成多模态表示,没有考虑多模态之间的关系,难以提高模型的预测性能和泛化能力.（2）缺乏对社交网络数据组成结构的细致考虑,只能处理由文本-图像对的社交网络数据,无法处理由多幅图像组成的数据,且当其中一种模态（图像或文本）缺失时模型无法进行预测.针对上述问题,本文提出了一种多任务多模态谣言检测框架（MMRDF）,该框架由3个子网络组成：文本子网络、视觉子网络和融合子网络,通过从单模态数据中提取浅层至深层的单模特征表示,在不同的子空间中产生特征图,丰富模态内特征,并通过复合卷积结构融合生成联合多模态表示,以获得更好的预测性能.同时该框架可以灵活地处理所有类型的推文（纯文本、纯图像、文本-图像对和多图像文本）,并且没有引入造成额外时间延迟的传播结构、响应内容等数据作为输入,可以在推文发布后立即应用于谣言检测,减少辟谣的时间延迟.在两个真实数据集上的实验结果表明,所提框架明显优于目前最先进的方法,准确率上的提升分别...     

基于边缘增强生成对抗网络的人脸超分辨率重建

针对对抗生成神经网络在人脸轮廓细节恢复上不够完善的问题,利用人脸图像的结构先验信息提出了一种边缘增强的生成对抗网络人脸超分辨率的重建算法.首先,利用人脸图像及其边缘图像的一致性关系设计一种并行网络提取面部和边缘细节特征;然后,通过特征融合网络获得高分辨率的生成图像;最后,利用判别网络判别生成图像的真伪.在人脸图像数据库上进行的人脸超分辨率重建实验结果表明:提出的边缘增强生成对抗网络能够提升面部细节重建能力,主观和客观评价指标均优于现有的人脸超分辨率算法.     

Retinex理论下基于融合思想的低照度彩色图像增强算法

针对Retinex算法处理后的图像边缘保持性差,易产生光晕和过增强的缺点,以及双边滤波易造成图像细节丢失的现象,提出了一种Retinex理论下基于融合思想的图像增强算法。该算法首先在YCb Cr颜色空间提取亮度Y分量,对亮度分量进行大、中、小不同尺度的MSR增强,获得细节信息保留较好的亮度图像,同时在RGB颜色空间对图像进行基于双边滤波的单尺度Retinex增强,获得边缘信息较好的增强图像;然后对增强后的两幅图像加权融合;最后对融合的图像进行颜色恢复处理得到最终的增强图像。通过本文算法与经典SSR、MSR和MSRCR算法处理后的图像进行比较,实验结果表明,本文算法处理后的图像在细节、颜色和边缘保持方面都优于其他算法,并且避免了光晕和过增强现象的发生。     

多尺度生成对抗网络的图像超分辨率算法

基于神经网络的图像超分辨率方法往往存在重建图像纹理结构模糊、缺失高频信息的问题。为了解决该问题,在SRGAN的基础上提出一种多尺度并联学习的生成对抗网络结构,其中生成模型由两个不同尺度的残差网络块组成,首先对提取的低分辨率图像通过两个子网络的多尺度特征学习,然后使用融合网络进行残差融合,融合不同尺度高频信息,最终生成高分辨图像。在Set5、Set14、BSD100基准数据集以及SpaceNet卫星图像数据集上的实验结果证明了该算法在恢复低分辨率图像的细节纹理信息具有良好效果。     

并行分布式增强现实场景仿真系统的构建

针对空间舱内机器人遥操作对仿真信息反馈速度以及用户视野方面的要求,提出了一种并行分布式的增强场景构建体系结构.系统基于静态增强现实技术,通过同步控制机制和网络数据传输,采用多组相机协同拍摄场景图像,多个处理节点并行地进行三维注册和虚实图像融合处理,拼接得到的宽视场角融合图像经过220度多投影面大型环幕立体显示系统输出显示.实验结果证明本系统具有实时、宽视场、高沉浸感和扩展灵活的特点.     

基于深度学习的任意形状场景文字识别

场景文字识别的一个具有挑战性的方面是处理具有扭曲或不规则布局的文字.尤其是侧视文字和曲线文字在自然场景中较为常见,且难以识别.本文提出了一个带有灵活矫正功能的注意力增强网络,将其用于任意形状场景文字识别.此网络由基于卷积神经网络的文字矫正网络和基于注意力增强的识别网络两部分组成.矫正网络自适应地将输入图像中的文字进行矫正,降低识别难度,使基于注意力增强的序列识别网络直接根据矫正后的图像预测字符序列.整个模型可以进行端到端的训练,训练只需要图像和相应的文字真实标签.在各种公开数据集上进行了广泛的实验,包括SVT、ICDAR 2003和CUTE80等数据集,验证了此网络具有优异的性能.     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

基于遗传BP神经网络的COSM图像复原算法

提出了一种基于遗传BP人工神经网络的COSM图像复原算法,利用BP神经网络的学习记忆和泛化能力,通过用一组COSM样本图像对网络进行训练,建立含有离焦模糊的模糊三维图像与清晰三维图像之间的非线性映射关系,然后利用训练好的BP神经网络对待复原的COSM图像进行复原处理,从而实现COSM图像复原.复原的三维图像无论在主观视觉还是定量分析上都取得了很好的效果.与传统的图像复原算法不同,该算法免去了解卷积等复杂的运算,不存在病态问题,可广泛应用于模糊图像的复原中并且效果较好.     

基于 Swin Transformer 和 Style-based Generator 的盲人脸修复

盲人脸修复任务是从低质量的图像（例如模糊、噪声和压缩图像）中恢复高质量的图像.由于事先不知道低质量图像的退化类型和退化参数,因此盲人脸修复是一个高度病态的问题,在修复过程中严重依赖各种先验指导.然而,由于面部成分和面部标志等面部先验通常是从低质量图像中提取或估计的,可能存在不准确的情况,这直接影响最终的修复性能,因此难以有效利用这些先验知识.此外,目前的主流方法基本都是依赖ConvNets进行特征提取,没有很好地考虑长距离特征,导致最终结果缺乏连续一致性.本文提出了一种改进的StyleGAN模型,命名为SwinStyleGAN,应用在高级视觉任务上表现出色的Swin Transformer来提取长距离特征,并通过改进后的类StyleGAN合成网络逐步生成图像.本文设计了一个空间注意力转换模块SAT来重新分配每个阶段特征的像素权重,以进一步约束生成器.大量实验表明,本文提出的方法具有更好的盲人脸修复性能.     

基于PCNN的纹理图像增强算法

阐述了应用有生物学依据的脉冲耦合神经网络（PCNN）的脉冲发放特性进行图像增强的原理，并将此原理应用于具有纹理特性的指纹图像，从而产生了针对纹理图像增强的新方法。此方法主要利用纹理图象的灰度变化特性，采用将像素点灰度与所在邻域内灰度的局部均值比较的方法，使原方法更有针对性。实验结果证明，指纹图象增强效果显著。     

基于数字图像处理中的复原技术在教务综合管理系统的应用

利用数字图像处理中的改进的Wiener滤波图像复原原理,来对模糊图像进行复原。此算法避免了一般复原算法中的迭代运算过程,减少运算时间,在教务综合管理信息系统中对学生的模糊相片进行复原取到满意效果。     

一种结合进化策略与神经网络的图象恢复方法

图象恢复在已知退化矩阵的前提下,可近似看成求解最优化问题.本文提出了一种进化　策略与神经网络结合的求解最优算法,并应用于图象恢复.结果表明,综合算法优于仅采用神经网络的算法.     

基于神经网络的降质图像恢复

以基于离散Hopfield神经网络的图像恢复模型为基础,研究基于神经网络解决降质图像恢复问题. 从Toeplitz循环矩阵和模拟退火算法等二个方面对该算法进行改进,使时间复杂度和空间复杂度大大降低,同时提高了图像的恢复效果. 实验表明,改进算法对于降质图像恢复是有效的,比传统的逆滤波、维纳滤波方法具有更好的峰值信噪比.     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

基于潜在特征重构和注意力机制的人脸图像修复

本研究针对现有图像修复方法不能有效地分离结构和纹理信息,修复结果往往会出现边界模糊、结构扭曲等伪影问题,提出了基于潜在特征重构和注意力机制的人脸图像修复方法。人脸图像修复方法分为两阶段,第一阶段,通过结构重建器网络提取样式向量,按照StyleGAN所述的原理分为粗尺度特征、中尺度特征和精细特征三组,插入到预先训练好的StyleGAN生成器中,产生初步的修复结果;第二阶段通过构建纹理生成网络并使用上下文注意力机制,注意力分数由注意力计算模块计算,注意力转移模块根据较高级别特征图和注意力分数来填充较低级别特征图中的对应缺失区域,以细化上一阶段初步的人脸修复结果。在CelebA-HQ数据集上的训练并进行测试,本文的方法在定量和定性分析两个方面均优于现有方法。因此,基于潜在特征重构和注意力机制的人脸图像修复方法能够有效地修复缺损人脸图像,大大减少了边界过度平滑和存在纹理伪影的问题。