注意力残差密集网络的单幅图像去雾算法

针对现有去雾方法色彩失真、去雾不彻底、细节丢失等问题,提出一种模块化的端到端的单幅图像深度去雾网络.首先,利用多尺度卷积核对输入有雾图像提取充分的关键特征;其次,构建由残差密集块及上、下采样单元形成的行和列的网格网络结构,行列之间通过一种新颖的注意力机制进行特征融合与提取;最后,由残差密集块和卷积层构成的后处理模块进一步减少去雾图像的残余伪影.定量和定性实验结果表明,所提方法去雾性能优越.     

基于残差网络的红外与可见光图像融合方法

图像融合利用了红外与可见光图像在时空上的相关性及信息上的互补性，让图像更有利于人眼的识别和机器的自动探测。现有的方法许多都存在伪影或目标信息模糊的情况，针对这些问题本文提出了一种带有残差块的编码器融合框架以提取红外与可见光图像中的深层特征；为了更好地融合红外光图像的目标信息和可见光图像所包含的细节信息，在特征融合阶段加入注意力机制得到注意力图对深层特征进行融合；最后通过跳跃连接将第一二层得到的特征图，即浅层特征传递到相应的反卷积层进行处理，得到融合图像。实验结果表明，本文方法的融合结果在主观感觉上更清楚，且在平均梯度、空间频率、结构相似性和峰值信噪比等客观指标上取得了比现有方法更好的结果。     

基于自编码器的红外与可见光图像融合算法

基于深度学习的红外与可见光图像融合是图像处理领域的研究热点之一,为丰富融合图像的细节信息、突出红外目标,基于自编码器网络提出一种可进行端到端训练的融合算法。首先,将编码器设计成双分支结构,并针对红外与可见光图像的特性设置不同的特征提取方式;其次,为有效地融合红外与可见光的互补信息,设计了一种可学习的融合策略,并使整个框架能够进行端到端的学习;最后,解码器对通过融合策略所获得的特征进行重构,进而得到融合图像。基于TNO数据集进行实验验证,定性和定量的结果表明,算法能够生成红外目标突出、细节信息丰富的融合图像,相较于其他算法,融合性能更加优越。     

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.     

基于目标提取和小波变换IHS图像融合算法

针对传统的IHS(Intensity-Hue-Saturation,强度-色调-饱和度)融合算法会使部分光谱信息丢失,提出一种基于目标提取和双正交小波变换的IHS图像融合算法,主要应用于红外图像与可见光图像的融合.算法首先采用基于区域能量的算法在红外图像进行目标提取,将目标图像与可见光图像进行IHS融合.对融合后的图像进行小波变换,变换得到的高频分量与低频分量分别提出适合的改进融合规则.通过实验数据分析,该算法得到的图像包含的信息更多,图像的清晰度更高.     

一种边缘优化的红外与可见光图像模块化融合方法

针对红外与可见光图像融合中出现的对比度较低和图像模糊的问题,提出了一种边缘优化的模块化融合方法.首先,对红外图像进行局部对比度自适应增强,突出红外图像中的目标;然后分别对红外图像和可见光图像进行HSV色空间变换,在亮度分量中,对其进行边缘细节增强的模块化融合,进一步突出红外图像中的目标轮廓;最后,结合可见光图像的色调和饱和度分量,经过RGB色空间的转换,获取融合后的图像.结果表明,与简单加权平均算法和小波融合算法的融合结果相比较,该融合算法能够较好的保持原图像的细节和目标信息,图像的对比度和清晰度也有较大的提高.     

基于密集残差网络的图像隐藏方案

针对基于编-解码器网络的图像隐写方案生成的含密图像和消息图像质量不高的问题,提出了一种新的基于密集残差连接的编码器-解码器隐写方案,与现有的端到端图像隐写网络不同,本文采用密集残差连接,将浅层网络的特征输送到深层网络结构的每一层,有效的保留了特征图的细节信息,并使用通道和空间注意力模块对特征进行筛选,提高了编-解码器对图像复杂纹理区域的关注度。在LFW、PASCAL-VOC12和ImageNet数据集的实验结果表明,在保证算法安全性的前提下,所提方法能够有效提高图像质量,含密图像和载体图像的峰值信噪比(PSNR)和结构相似性(SSIM)的平均值最高达到了36.2dB和0.98。     

一种基于RCRF+BCH算法的NAND FLASH纠错方案的FPGA设计与实现

针对可见光图像和红外图像的融合目标检测问题,提出了一种基于决策级融合的目标检测算法。通过建立带标注的数据集对YOLOv3网络进行重新训练,并在融合之前,利用训练好的YOLOv3网络对可见光图像和红外图像分别进行检测。在融合过程中,提出了一种新颖的检测融合算法,首先,保留只在可见光图像或只在红外图像中检测到的目标的准确结果;然后,对在可见光图像和红外图像中同时检测到的同一目标的准确结果进行加权融合;最后,将所得的检测结果进行合并,作为融合图像中所有对应目标的检测结果,进而实现基于决策级融合的快速目标检测。实验结果表明：各项指标在建立的数据集上均有较好的表现。所提算法的检测精度达到了84.07%,与单独检测可见光图像和红外图像的算法相比,检测精度分别提升了2.44%和21.89%,可以检测到更多的目标并且减少了误检目标的情况;与3种基于特征级图像融合的检测算法相比,算法的检测精度分别提升了4.5%,1.74%和3.42%。     

基于AdaBoost置信图的红外与可见光目标跟踪

针对于复杂场景下,跟踪的目标容易产生漂移甚至跟踪失败的情况,本文提出了一种基于AdaBoost置信图的红外与可见光目标跟踪算法。首先,以颜色和纹理特征为描述子对红外与可见光图像的目标样本与背景样本进行表征和AdaBoost分类,并基于分类度计算得到红外与可见光图像的置信图;然后,在置信图中分别计算它们的目标候选者与其模板置信图之间的相似度,并将两相似度进行加权融合,构建联合目标函数;最后,对目标函数进行泰勒展开和求导等操作,推导出联合位移公式,并运用均值漂移算法完成目标搜索。对多组红外与可见光图像序列对测试结果表明,本文提出的算法在处理光照变化、目标交汇、目标遮挡等方面都表现良好。     

基于深度特征融合的红外弱小目标检测方法

红外弱小目标具有信噪比低、目标尺寸小、特征不明显等特点,加之场景复杂度不断提升,杂波干扰严重,导致现有的红外弱小目标检测方法在面对复杂场景时性能衰减。综合手工方法提取目标单一的显著特征及深度学习方法提取图像综合特征的优势,设计了基于深度学习的红外弱小目标深度特征融合检测网络模型。首先,模型利用多尺度自适应特征提取网络来提取红外图像中弱小目标的原始特征与平滑度图像中弱小目标的平滑度特征;其次,为提高目标显著度,提出了一种多层级联特征融合策略,实现特征提取网络中小目标原始特征与平滑度特征的融合;最后,利用多层级联特征融合映射网络对红外弱小目标进行特征映射与背景抑制,获得背景杂波被极大抑制的红外弱小目标特征映射图像。实验结果表明,同现有的基于深度学习与基于手工特征的检测方法相比,所提出的检测方法在各种复杂的场景中都拥有较高的准确率及较低的虚警率,同时拥有较快的检测速度。     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

卷积特征图融合与显著性检测的图像检索

针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显著性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域.最后,通过计算图像显著性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.     

区域选取与差异图融合的目标变化检测方法

针对现有目标变化检测方法用于高分辨率可见光图像时,未能有效利用图像的局部特征,目标误检率高。提出了一种区域选取的目标变化检测方法。首先利用整体变分算法获取两幅源图像的结构图,并将两幅源图像与两幅结构图进行分块;然后通过计算得到两幅结构图相同位置块的熵值差和两幅源图像相同位置块的结构相似度,并将两者分别与各自阈值比较以确定出存在变化目标的图像块;最后将存在变化目标的图像块的对数比差异图与均值比差异图进行融合,并对融合后的图像进行形态学处理,得到最终的目标变化检测结果。结果显示,与阴影补偿方法相比,算法的目标目标漏检率降低了36%,伪目标率降低36%,数据表明该方法能够准确的检测出真实变化的目标,较好地排除了伪目标。     

基于照明感知和密集网络的红外与可见光图像融合

针对现有方法忽略照明不平衡、存在对比度低、纹理细节丢失等问题,本研究提出一种基于照明感知和密集网络的红外与可见光图像融合方法。首先,从可见光图像中获取照明概率并计算照明感知权重以指导训练网络,通过特征提取与信息度量模块来计算源图像的自适应信息保留度,用于保持融合结果与源图像间的自适应相似性。同时,照明感知损失与相似性约束损失函数使模型在结构、对比度、亮度上能够全天候地生成包含显著目标和丰富纹理细节信息的融合图像。本研究在TNO与MSRS 2个公共数据集上进行主、客观评估。实验结果表明,本研究弥补了照明不平衡的缺陷,在保留更多红外目标的同时,也有效地保留了更多可见光图像的纹理细节信息。     

基于分数阶微分的多尺度多聚焦图像融合

针对多聚焦图像融合问题,借鉴多尺度融合方法对各个尺度的互补信息进行针对性融合.首先,运用L_○0梯度最小化的平滑方法将源图像分解为背景层和细节层,然后在背景层的融合中运用分数阶边缘检测掩模保持边缘信息,在细节层中引入分数阶梯度能量算子进行权值分配.实验结果表明,与整数阶梯度能量清晰度算子相比,本文所提出的分数阶梯度能量算子符合人眼视觉感知且更加敏锐.上述融合方法有效避免了融合图像中的伪影和块状效应,更加充分地保留了源图像信息.     

基于目标提取的红外与可见光图像融合新算法

针对灰色系统理论在空间域对红外与可见光图像融合的不足,以及非下采样Contourlet变换（ NSCT）在图像融合领域的优势,提出了一种基于目标提取的红外与可见光图像融合新算法。首先,对红外和可见光图像分别进行NSCT变换;其次,对红外低频分量应用灰色系统理论进行目标提取,并利用所提融合规则对低频分量进行融合,同时对高频分量采用常用融合规则进行融合;最后,对融合后高、低频分量进行NSCT逆变换,得到融合图像。通过与4种常用方法进行实验对比,结果表明,文中算法得到的融合图像视觉效果较好,某些客观评价指标提升明显。     

改进区域分割的多聚焦图像融合方法

针对传统多尺度几何分析方法在图像融合时易损失清晰度以及融合规则选取复杂的缺点,提出一种改进基于区域分割的多聚焦图像融合方法;首先,根据提升静态小波变换快速获得初始融合图像,并对初始融合后的图像进行Normalized Cut算法处理以获得不同的分割区域,然后分别对原始图像进行NSCT变换并计算每个分割区域内高频分量系数的绝对值之和,最后选取绝对值最大的区域为融合后区域,并通过遍历每个分割区域获得融合后的多聚焦图像;数值试验证明,本算法不但融合规则选取较传统多尺度分析融合算法简单,还能够有效克服清晰度损失的缺点,具有有效性。     

基于改进RCF和无人机影像的电力线检测研究

在电力线无人机自动巡检中,电力线边缘检测对提高输电线路检测精度有重要作用。目前,常用的RCF（Richer Convolutional Features for edge detection）算法在复杂背景下检测电力线时存在边缘模糊、在较低阶段产生的特征图包含太多噪声并在融合特征图时丢失多尺度信息等问题。对此,本文对RCF算法进行改进：1）使用具有平移不变性的下采样技术增强模型的鲁棒性;2）在RCF主干网络中引入CBAM（Convolutional Block Attention Module）机制,提高模型对电力线特征的表达能力;3）在RCF的侧输出网络中加入级联网络,借助基于通道注意力机制的多尺度特征融合模块对特征图进行融合,从而获得更优异的细节保持效果。实验结果表明：改进模型的最优数据集规模（Optimal Dataset Scale）、最佳图像比例（Optimal Image Scale）和平均精度（Average Precision）分别提高了0.7%、1.3%和1.7%,改进模型的检测结果噪声数量少、电力线更加清晰准确。     

一种新的图像融合算法

提出一种各分解层上的不同频率分量采用不同的融合算子的双正交小波函数图像融合的新方法。首先将参加融合的两幅图像进行双正交小波多尺度分解,再根据纹理信息函数和边缘亮度函数的相关系数,对分解后的高频部分和低频部分采用不同融合算子进行加权融合。仿真结果表明,该算法与传统的图像融合算法相比较,能得到清晰度更高,偏差指数更小的融合图像。