一种基于注意力嵌入对抗网络的全色锐化方法

全色锐化旨在将低空间分辨率的多光谱图像和高空间分辨率的全色图像进行融合，生成一幅高空间分辨率的多光谱图像．伴随卷积神经网络的发展，涌现出很多基于CNN的全色锐化方法．这些用于全色锐化的CNN模型大都未考虑不同通道特征和不同空间位置特征对最终锐化结果的影响．并且仅使用基于像素的1-范数或2-范数作为损失函数对锐化结果与参考图像进行评估，易导致锐化结果过于平滑，空间细节缺失．为了解决上述问题，本文提出一种嵌入注意力机制，并辅以空间结构信息对抗损失的生成对抗网络模型．该网络模型由2个部分组成：一个生成器网络模型和一个判别器网络模型．嵌入通道注意力机制和空间注意力机制的生成器将低分辨多光谱图像和全色图像融合为高质量的高分辨多光谱图像．判别器以patch-wise判别的方式对锐化结果与参考图像的梯度进行一致性检验，以确保锐化结果的空间细节信息．最后，在3种典型数据集上的对比实验验证了所提出方法的有效性．     

基于传感器光谱特性与分类的遥感图像融合

为了提高多光谱图像和全色图像的融合质量,提出了一种基于广义亮度色度饱合度(IHS)变换与分类思想相结合的遥感图像融合算法.在充分考虑各波段传感器的相对光谱响应的基础上,在强度分量的构造和空间细节信息的注入方面进行了改进.改进后的方法首先对图像进行分类,然后采用高斯概率密度函数对分类构造后的影像进行加权融合,有效地改善了...     

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.     

融合全局和局部特征的光场图像空间超分辨率算法

光场相机传感器有限的空间分辨率阻碍了光场图像处理相关研究的进展.提出一种融合全局和局部特征的光场图像空间超分辨率算法,提高了对光场子视点全局关系建模的能力.由于光场相机捕捉的图像亮度较低,严重影响了超分辨率图像的质量,提出一个改进的4D零参考深度曲线估计网络（4D Zero-DCE-Net）,充分利用光场全部子视点信息来提高光场图像的亮度.为了解决光场图像空间分辨率低的问题,提出一个基于生成对抗网络的光场图像空间超分辨率网络模型.生成器包含三个部分：第一部分是Transformer和4D卷积以并行方式结合的网络结构,能以较浅的网络层捕捉图像的全局和局部细节信息;第二部分是一个交互融合注意力模块IFAM(Interactive Fusion Attention Module),能有效地融合上述两个分支得到的全局自注意力和局部细节信息;第三部分是一个重建模块PS-PA(Pixel Shuffle-Pixel Attention),能提高整个光场的空间分辨率.最后,利用相对判别器来指导生成器的训练.实验结果表明,提出的算法和其他算法相比,峰值信号比（PSNR）至少提升了1 dB.     

基于形态学的图像融合算法

提出一种基于边缘连接强度的图像融合算法。利用形态学梯度算子得到图像的边缘信息。以图像灰度的边缘连接强度加权为判据,进行图像融合。实验结果表明,该图像融合方法在保留TM多光谱图像光谱分辨率的同时,通过融合SPOT全色图像提高了空间分辨率,丰富了图像细节信息。     

基于模糊数学的对抗网络图像配准建模

为了解决传统方法特征提取结果受外界环境影响大,且没有考虑对抗网络图像中高频信息的特殊作用,影响配准精度的问题,通过模糊数学方法分析对抗网络图像配准建模问题。分析了对抗网络,在生成模型与判别模型中添加条件变量,通过对抗网络,利用表征向量对图像进行重构,生成图像数据。通过变换对图像对比度进行扩展,通过反变换获取原空间域中的边缘增强图像,通过抑制干扰能力强的Susan算子提取对抗网络图像边缘特征。在边缘特征提取的基础上,引入模糊数学中的模糊隶属度,对图像中不同点属于梯度的模糊隶属度进行定义,构造图像的模糊梯度场,通过模糊数学中的贴进度构造模糊梯度相似性测度,将模糊梯度相似性高的图像作为配准图像,实现对抗网络图像配准。结果表明:研究方法配准效果好;针对存在平移、灰度变化、细节变化、区域变化和尺度差异情况下的图像,可保持很高的性能。研究结果应用性强,配准准确性好。     

改进条件生成对抗网络的文本生成图像方法

该文提出了一种改进条件生成对抗网络的文本生成图像模型(TxtGAN),使用一对生成器和判别器的单阶段生成方式生成高分辨率图像,避免因训练多个GAN消耗大量计算资源.生成器网络由一系列生成模块(RUPBlock)组成,每个模块中应用条件批量归一化方法,在实现图像生成的同时充分融合了文本信息与图像特征,较好地保留了文本信息...     

基于级联注意力与密集特征融合的图像修复算法

针对图像修复算法存在的语义不连贯、纹理不清晰等问题，提出一种基于生成对抗网络的新型级联密集生成网络CDGAN(Cascade Densely Generative Adversarial Network),采用encoder-decoder作为生成器主干，利用下采样提取图像特征；为使网络关注修复图像的高频纹理和颜色保真度等有效信息，引入级联的注意力模块，并加入密集特征融合模块扩大网络的整体感受野，充分学习图像特征，提高编码器提取特征的利用率，最后将处理后的图像特征进行上采样重建。在Celeb A和Places2数据集的测试结果表明，CDGAN在语义连贯性、纹理清晰度等方面都有所提升。     

CBERS-02B卫星图像的融合试验研究

遥感影像数据融合是目前遥感界研究的新热点,作为在各个领域应用日益广泛的CBERS-02B卫星影像,其全色波段空间分辨率达到2．36m,多光谱波段信息丰富,为了既保留丰富的光谱信息又能提高空间分辨率,本文在对主成分变换、Brovey变换、Mutiplicative变换融合3种传统像素级融合方法分析、归纳与算法实现研究的基础上,对CBERS-02B卫星多光谱波段与全色波段进行了图像融合试验研究,从光谱特征与空间纹理特征两个方面对融合效果进行定性与定量评价．分析结果表明,Brovey变换融合法光谱退化最小,同时也最大程度地保持了高几何分辨率全色波段的空间信息．     

改进的阈值加权平均HSV与小波变换图像融合

为提高图像的空间分辨率、增加图像的细节信息,改善HSV融合和小波融合中存在的光谱失真、原SAR与ETM图像的纹理特征保持不良等现象.提出一种改进加权平均法的HSV与小波变换融合方法.将ETM图像转换到HSV彩色空间,得到亮度分量V.将高分辨率的SAR图像与该分量进行小波分解,得到高低频信息,将低频信息按照提出的改进的加权平均法进行融合,高频信息按照绝对值最大法进行融合,得到新的亮度分量,再通过HSV逆变换得到新的融合图像.实验采用3 m分辨率的Cosmo-Sky Med图像和30 m分辨率的Landsat8图像进行实验.研究结果表明:该融合方法能够提高图像空间分辨率,在地物细节和光谱特征方面保持良好.     

基于生成对抗网络的轻量级图像盲超分辨率网络

针对图像盲超分辨率网络计算参数多、模型庞大的问题,对快速且节省内存的轻量级图像非盲超分辨率网络（fast and memory-efficient image super resulotion network, FMEN）进行改进,提出了一种轻量级的快速且节省内存的图像盲超分辨率网络（fast and memory-efficient image blind super resulotion network, FMEBN)。首先,通过图像退化模块模拟部分真实世界退化空间,使用退化预测模块预测低分辨率(low resolution, LR)图像的退化参数;然后,为能有效利用退化先验信息指导并约束网络进行重建,使用动态卷积对原网络特征提取、重建模块、高频注意力块（high frequency attention block, HFAB）结构进行改进;最后,使用生成对抗网络（generative adversarial network, GAN)对FMEN训练策略与损失函数进行优化,减小真实数据与生成数据的差异,生成更加真实、清晰的纹理、轮廓。实验结果表明,在合成图像数据集和真实图像数据集R...     

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。     

基于方向引导的残差去雨网络

基于深度学习的单幅图像去雨已经取得了较大进展，但现有的图像去雨方法大多没有考虑真实场景中雨纹方向的多样性，导致各方向雨纹去除不均匀，复原图像仍存在雨纹残留及颜色失真问题．基于此，以雨纹方向信息为导向，提出了一种基于雨纹方向引导的残差去雨网络．该网络由带有残差校正模块的编解码主干网络、基于方向引导的特征提取子网络以及颜色修正模块组成．在主干网络中，融入残差校正模块可学习低质量特征表示到最优特征表示的映射，校正后的网络可恢复更多高频细节；特征提取子网络包含方向引导模块和自适应循环递归模块，通过动态卷积核自适应选择与注意力机制引导，可实现不同方向、不同感受野的雨纹特征提取和融合；进一步，为了改善去雨后图像的视觉质量，设计了颜色修正模块，可以对复原图像的色彩信息进行补偿．在合成和真实数据集上的实验表明，所提方法可在彻底去除雨纹的同时保持细节丰富、颜色自然．     

改进生成对抗网络的图像超分辨率重建算法

超分辨率生成对抗网络(SRGAN)的高分辨率图像质量较传统方法有明显提升,然而其存在训练过程不稳定、图像浅层特征未充分使用等问题,很大程度上影响生成图像的质量.为此,提出一种特征增强改进的SRGAN模型,使用信息蒸馏块.通过对长短途特征在图像通道上的拼接增强特征纹理信息,利用压缩单元消除图像特征中的冗余信息.此外,使用相对平均鉴别器替代原始SRGAN中的二分类鉴别器,保证生成对抗网络训练的稳定性.本研究基于4倍放大因子进行超分辨重建任务,并在BSD100和SET14数据集上进行实验结果的质化和量化评价.实验表明,该方法较之SRGAN在训练过程中具有更好的稳定性,生成的图像具有更清晰的细节纹理,取得了更佳的图像超分辨率重建效果.     

基于3D注意力的MobileNet图像分类算法改进

针对MobileNetV2网络在图像分类任务中特征表达不足的问题，提出一种结合注意力机制对MobileNet网络的改进策略。利用一种新颖的高效且无参的注意力模块，同时结合I-block模块来替换MobileNet网络中的倒残差模块，采用RReLU激活函数替代原ReLU激活函数保留更多特征，结合inception结构进行多尺度特征提取与融合，使其可以提供更强的多尺度特征表达并服务于图像分类任务，使用数据扩增技术，生成更多样本。与6种方法进行对比，实验结果表明，采用3D注意力机制的网络在数据集CIFAR-10、CIFAR-100上以最少的网络参数分别取得94.09%和75.35%的最高精度，表明该改进方法可以有效地进行快速图像分类。     

基于色调一致性改进的图像融合最速下降法

为了获取IKONOS高分辨率多光谱图像,更有效地对IKONOS卫星图像进行利用,分析了使用最速下降法对IKONOS卫星的高空间分辨率全色图像PAN(panchromatic images)和低空间分辨率多光谱图像MS(multispectral images)进行融合的技术.提出以MS图像(波段:R,G,B)中每个像素点的R、G、B三色分量值所占比例大小为基础设立矩阵参数,代替原算法能量方程中R、G和B波段图像前的常值参数,使融合图像与MS图像的色调保持完全一致,同时适度取小NIR波段图像前的参数值,提高了融合图像的清晰度.在进行的5种算法融合对比仿真实验中,通过主客观两方面对融合图像质量进行了评价,证明了改进后算法的有效性和优越性.     

基于改进IHS变换的遥感图像融合新算法

为改善IHS变换对图像细节信息的丢失,提出了一种基于改进IHS变换的遥感图像融合新算法.针对IHS变换方法对多光谱图像和全色图像进行融合会丢失较多的光谱信息,利用基于变异量子行为的粒子群优化算法（MQPSO）改进IHS变换过程,通过MQPSO算法来求解IHS变换中光谱强度分量,将图像融合问题归结为最优化问题.仿真实验结...     

局部特征映射与融合网络的人脸识别优化算法

针对传统特征提取算法的局限性,提出基于深度神经网络DeepLab v2的人脸识别改进算法。首先,对图像中人脸进行定位,采用DeepLab v2改进网络提取人脸的面部特征,通过加入压缩激励(SE)模块细化多角度纹理特征。其次,采用局部二值模式(LBP)特征映射对目标图像进行补充特征提取,细化纹理结构并减少光照噪声的干扰,提升识别的鲁棒性。最后,进行特征信息融合,采用分类模块对融合特征识别并分类处理。结果表明：对比经典目标检测算法YOLOv1和传统DeepLab算法,改进算法识别出多角度的人脸局部特征,且在正常光照下改进算法的识别精确度分别提高了3.1%和5.9%,在强光照下改进算法的识别精确度分别提高了9.5%和13.6%。     

一种基于非降采样Contourlet变换的遥感图像融合方法

给出了一种非降采样Contourlet变换和HIS变换相结合的遥感图像融合算法.非降采样Contourlet变换是一种平移不变的小波变换方法,且具有良好的方向选择性,其对图像做多分辨率分析得到的高频子带,有效地表达了图像中的细节特征信息.结合HIS变换,非降采样Contourlet变换将细节注入到多光谱图像得到的融合图像,不但具有较高的空间分辨率,而且有效保持了多光谱图像的光谱特征.实际的SPOT全色图像和TM多光谱波段融合结果表明,所提议方法的性能优于目前广泛使用的小波域方法如离散小波变换和A Trous小波变换以及Contourlet变换等融合方法.     

基于小波支持向量回归的遥感多光谱图像分辨率增强算法

利用小波支持向量回归,实现了遥感多光谱图像分辨率的增强。首先采用非下采样Contourlet变换对低分辨率的多光谱图像和高分辨率的全色图像进行多分辨率分解,再利用小波支持向量回归对分解系数进行学习和预测,获得分辨率初步提高的多光谱图像,最后再与传统的插值方法得到的结果进行融合来实现多光谱图像分辨率增强。实验结果表明:此方法借遥感全色图像的辅助获得丰富的高频细节信息,使得分辨率增强结果无论是最小均方误差还是峰值信噪比都要优于仅依靠原图像本身放大的传统方法以及其他的分辨率增强方法。