图像超分辨BP神经网络的改进

为了进一步提高超分辨图像重建效果,针对前期研究的超分辨误差反向传播神经网络（back propagation neural network, BPNN）重建结果中存在的块痕迹问题加以改进和优化。对影响BPNN超分辨效果的两个关键问题进行改进：(1) 网络训练样本问题,将8×8→16×16的映射方式改进为2×2→4×4的映射方式,同时,采用相邻仅间隔一个像素的方式优化构造训练样本;(2) 加速网络训练收敛问题,将网络训练规则由BP算法改进为改进的比例〖JP2〗共轭梯度算法。网络训练实验和泛化实验表明,改进方法增加了网络训练样本数量,改善了超分辨BPNN的输出图像质量,有效解决了超分辨结果中的块痕迹问题,使超分辨结果图像的峰值信噪比提高约8 dB。     

基于感知融合机制的渐进式去雾网络

智能辅助驾驶应用场景对图像去雾的准确性和实时性要求较高。提出了一种新颖的基于感知融合机制的渐进式去雾网络(progressive dehaze network, PD-Net),将降质图像恢复的任务分解为多阶段的子任务，通过轻量级的子网分块学习特征图的不同区域语义信息，以提升去雾效率。在此基础上，基于注意力机制和导向滤波设计跨阶段感知融合模块(perception fusion module, PFM),自适应感知各阶段提取的多尺度特征并进行融合，而不损失图像细节信息及边缘结构信息。实验结果表明，与现有主流的端对端去雾模型相比，所提出的算法在处理户外图像时具有更高的准确度和实时性，在公开的合成对象测试集(synthetic object testing set, SOTS)上的峰值信噪比(peak signal to noise ratio, PSNR)与现有最好结果相比提升了0.93 dB,处理单幅图像仅需72 ms,提出的网络模型有望应用于智能交通等现实领域。     

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

基于并行映射卷积网络的超分辨率重建算法

针对基于卷积网络的超分辨率重建算法对不同场景下的图像存在复原质量不佳、细节信息丢失的问题,对卷积网络结构详细分析,结合重建模块和损失函数约束条件存在的问题,提出了基于并行映射卷积网络的超分辨率重建模型。该模型基于端到端的思想,构建并行映射网络及正则化约束条件,能对图像特征进行层次化自主提取,在高分辨率图像重建时极大地丰富图像特征的维数;并且将全变分正则化引入到重建模块,有效地克服了超分辨率的病态问题,从而获得鲁棒、丰富的图像信息,提升了重建图像的质量。实验结果表明,所提出的网络模型具有更优异的性能,其超分辨率算法在视觉评价和量化指标上取得了更好的重建效果。     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

基于联合聚焦/超分辨贝叶斯模型的雷达目标超分辨重建

针对合成孔径雷达(synthetic aperture radar, SAR)、逆合成孔径雷达(inverse SAR, ISAR)等雷达目标图像,提出了一种基于联合聚焦/超分辨贝叶斯模型的超分辨重建方法。该方法基于联合聚焦/超分辨和点扩散函数参数模型,采用Metropolis-Hastings迭代更新算法,产生一系列描述目标散射截面和散焦参数概率分布特征的样本,从而估计出最佳目标散射截面元和散焦参数,实现低分辨率图像的超分辨重建。以合成与实测图像数据为例,对该超分辨方法进行了演示并给出了重建结果。实验表明,本文提出的方法对雷达目标图像重建效果良好,可用于SAR、ISAR及实波束成像等雷达图像目标信息的开发。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

基于损失提取反馈注意网络的图像超分辨率重建研究

自SRCNN(super-resolution convolutional neural network)将卷积神经网络用于超分辨率图像重建领域以来，人们通过大量的研究证明了使用深度学习的方法能够提高重建图像的效果。针对图像超分辨率网络中参数过多以及图像特征利用不充分导致可用的高频信息较少等问题，提出了一种基于损失提取策略的反馈注意网络(loss extraction feedback attention network,LEFAN)，以循环的方式对参数进行复用，同时增加对低分辨率图像特征的重用，以捕获更多的高频信息，对重建过程中造成的损失进行提取并融合到最终的超分辨率图像中。实验结果表明：算法在实现多次利用低分辨率图像的基础上，对潜在的损失进行提取并融合到最终的超分辨率图像中，可以获得较好的图像重建效果。     

基于多视角特征融合的移动信息服务模式挖掘

大量移动手机应用(Apps)存在重叠性功能特征,大量用户评论和多个标签,给市场机会发现、开发应用集成和应用选择带来困扰.本文提出基于文本挖掘和相似度网络融合的移动信息服务模式挖掘框架:基于功能描述文本、用户评论、分类标签分别构建个体相似度网络;将从不同信息视角得到的相似度网络进行非线性融合;用聚类验证融合网络有效性,将其用于发现不同移动信息服务模式.最后实验抓取2451个Apps,多视角特征融合方法克服数据水平差异和噪音,集成互补信息.融合结果用于聚类,在归一化互信息和准确率指标上都有显著提升,准确发现地图导航、火车汽车票、打车专车、公交查询等主流移动信息模式.研究成果为发掘市场机会和竞争者提供事实证据.     

稳定增强生成对抗网络在壁画的超分辨率重建

针对古代壁画分辨率低、纹理细节模糊不清导致壁画观赏性不足和研究价值不高的问题，提出了一种稳定增强生成对抗网络的超分辨率重建算法（stable enhanced super-resolution generative adversarial networks, SESRGAN）。以生成对抗网络为基础框架，生成网络采用密集残差块提取壁画特征，使用VGG（visual geometry group）网络作为判别网络的基本框架判断输入壁画的真假，引入感知损失、内容损失和惩罚损失三个损失共同优化模型。实验结果表明，与其他相关的超分辨率算法进行比较，峰值信噪比平均提高了0.4~2.62 dB，结构相似性提高了0.013~0.027，主观感知评估也有提高。     

基于相似度网络融合的极化SAR图像地物分类

从极化合成孔径雷达(synthetic aperture radar, SAR)图像中提取多种特征向量堆叠成一个高维特征向量用于地物分类,将导致部分特征向量的分类能力减弱或丧失。针对此问题,将每种特征向量看作为不同视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先,将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。仿真和实测极化SAR图像地物分类结果表明,该方法性能优于其他5种经典方法。     

一种新的红外与可见光图像融合评价方法

在对源图像进行区域划分与关联的基础上,结合红外与可见光图像的成像特点和图像融合任务需求,定义了两个图像区域特征,基于该特征和融合图像与源图像的信息熵及互信息（mutual information, MI）,构造了融合图像区域相似度评价指标,提出了一种新的无参红外与可见光融合图像质量评价方法。实验表明,本文所建立的融合图像质量评价指标,比目前常用的几种评价指标更接近人的视觉观感。     

基于深浅层特征融合的舰船要害关键点检测算法

导引头对舰船要害部位的精确检测能力是精确制导武器的核心技术之一。针对导引头对舰船要害部位检测精度低、模型参数冗余、相对运动导致舰船图像尺度、角度变化剧烈等问题, 提出了基于深浅层特征融合的舰船要害关键点检测算法。首先，采用多尺度特征融合模块融合不同感受野的有效信息; 其次，利用SoftPool池化改善下采样导致的信息损失, 利于区分相似关键点; 然后，引入深度可分离卷积降低参数冗余, 结合轻量化注意力机制增强有效特征表达; 最后，利用在线难例挖掘改善样本不均衡, 提升收敛效果。改进后的舰船要害关键点检测算法准确率提升4.4%, 算法兼具检测精度与速度优势, 鲁棒性较好。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

一种用于图像融合的无监督深度神经网络

为解决相机动态范围较小,单次曝光的图像往往无法表达高动态场景的不同区域的问题,构建了一种无监督的深度神经网络,把多次曝光的图像融合成一幅高动态图像。以VGG-Net(visual geometry group-Net)为基础网络,设计编码子网络和解码子网络;以融合前后图像的结构相似度为目标导向,通过引入基于图像局部信息的权重因子,定制适用于图像融合的损失函数,融合图像可兼顾不同输入图像的有效信息。在基准数据集上与多种方法相比,融合图像在主观视觉体验和客观量化指标上均取得了明显提升。     

基于多尺度特征融合的红外图像小目标检测

针对复杂背景红外图像弱目标检测问题,提出了一种基于多尺度特征融合的红外小目标检测方法。该方法在对红外图像进行离散小波框架变换的基础上,提取目标在各子带图像上的多个特征;然后对各子带图像上的多个特征分别进行融合,获得相应的目标检测判决置信度图;接着采用自适应加权方法对各个目标检测判决置信度图进行融合,得到目标检测判决总置信度图,并对其进行目标区域分割,获得最终的目标检测结果。实验结果显示,该方法对高杂波条件下红外弱目标检测具有良好效果。     

基于稀疏表示和多成分字典学习的超分辨率重建

针对目前基于稀疏表示模型的图像超分辨率重建方法对于边缘、纹理等细节信息保持能力有限、易产生视觉伪影的问题,提出了基于稀疏表示和多成分字典学习的超分辨率重建算法。在字典训练阶段,所提算法在利用图像形态分量分析方法构造纹理和结构字典的基础上,为了有效地提取低分辨率图像特征细节信息,对图像结构分量采用一阶二阶导数进行特征提取,对纹理分量采用Gabor变换进行特征提取,并使用L_1/2范数构造训练字典模型;而在重建阶段,为了消除重建图像块效应及模糊伪影,进一步提高重建图像的质量,采用全局约束和非局部相似性约束相结合的方法对重建高分辨率图像进行优化。实验结果表明,该算法在重建图像主观和客观评价指标方面均有较好的表现。     

基于HPal信息熵融合的三维模型检索方法

为了弥补单种特征提取算法描述模型特征的不足,提出基于HPal信息熵的三维模型多特征动态融合检索算法。针对给定的查询模型,利用各特征集上的检索结果列表动态计算各特征相对应的HPal信息熵,基于HPal信息熵确定融合权值,然后通过距离加权计算模型之间的相似度。与融合中最好单特征集相比,该方法的检索准确率明显提高,并且实验结果也表明该方法比其他3种流行的算法更为有效地提高了检索效果。     

像素级多分辨图像融合技术概述

多分辨率图像融合算法是目前常用的图像融合方法,可分为多分辨金字塔融合算法和基于小波变换的融合算法。详细介绍了各类金字塔的演变过程、构成方法和融合规则,并分析了各自的优缺点;还论述了基于小波变换的多分辨率图像融合方法,包括离散小波变换图像融合方法、小波树图像融合方法和小波标架图像融合方法。最后,对这两类融合算法作了比较,证明了该算法比其它方法具有更好的性质。