基于稀疏表示的遥感图像超分辨重建

为了获取高质量的超分辨遥感图像,提出了一种改进特征提取算子的稀疏表示遥感图像超分辨率重建方法。该算法通过设置模板,对一阶和二阶梯度滤波算子进行改进,在有效提取低分辨率图像边缘特征的同时,减少噪声干扰。利用遥感图像库训练得到高、低分辨率图像块字典,再应用低分辨率图像块及其字典求出稀疏表示系数。高、低分辨率图像块具有相同的稀疏表示系数,可根据已求的稀疏表示系数得出超分辨重建图像。实验结果表明,改进算法的超分辨重建效果的客观评价指标,比以往稀疏表示超分辨方法有很大提高,峰值信噪比提高近0.24 dB,均方根误差降低近0.15。     

基于深度卷积网络的红外遥感图像超分辨率重建

针对红外遥感图像的超分辨率重建问题,提出了一种深度卷积残差学习网络。通过加深网络来扩大感受野,使在重建过程中能够利用到更多的邻域信息,提高了重建图像质量。使用残差网络,使模型能够更好的学习到先前信息,在提高数据稀疏性的同时,提高了算法效率,在亚像素卷积层提高红外遥感图像的尺度。实验结果表明,与常用深度学习网络相比,该网络得到的重建图像具有更好的重建效果。     

基于级联残差对抗生成网络的超分辨重建

图像超分辨率技术在遥感领域的应用越来越多,卷积神经网络(Convolutional neural network, CNN)在图像超分辨率任务方面取得了比传统方法更显著的改进。为了解决超分辨重建算法重建图像细节不清晰的问题,对基于对抗生成网络的超分辨重建算法进行了研究,以恢复接近人眼感知质量的超分辨重建图像。对抗生成网络分为生成器子模块和判别器子模块,生成器模块提取的低频图像特征在进入残差块前进行分组卷积,达到了降低参数量的目的。每3个残差块构成一个级联块,级联块通过级联的方式聚合不同级联块之间图像的特征,以实现信息流传递到更加深层的网络中,经过上采样完成生成器中的图像重建过程。判别器网络用于判别是否为生成器重建图像和真实的高分辨率图像,在真实高分辨率图像的判别过程中提高模型能力。同时,研究了加入感知损失对超分辨重建图像的影响,使重建图片纹理细节更加丰富。实验结果表明,重建图像的峰值信噪比较原来算法提高了0.48 dB,结构相似度提高了0.023,该模型在主观视觉评价和客观量化评估上有所提升。     

一种基于双重网络模型的单幅图像超分辨率方法

本文对深度学习领域中的高效亚像素卷积神经网络（efficient sub-pixel convolutional neural network,ESPCN）算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明：该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。     

基于三维卷积和CLSTM神经网络的水产养殖溶解氧预测

提出了一种基于三维卷积和卷积长短期记忆（convolutional long short-term memory,CLSTM）神经网络的水产养殖溶解氧预测模型。首先,将输入向量及其转置相乘形成一个单通道矩阵,把一定时间段内的单通道矩阵堆叠成一个立方体作为输入数据;然后,将输入数据进行连续两次三维卷积来细化溶解氧相关因素的特征,并删除池化层以简化计算;最后,将三维卷积抽取的特征结果输入CLSTM模型以提取时间维度的信息,在全连接层根据梯度下降算法将数据反向更新。采集湖北省襄阳市某家特种水产养殖有限公司的实际数据进行实验。结果表明：相比于传统BP神经网络模型、Conv3D、Conv2D,所提出的模型具有更快的训练收敛速度、更高的预测精度和更好的预测稳定性,可以满足实际生产的需要。     

基于多组耦合字典及交替学习的图像超分辨率重建

本文提出多组耦合字典及其交替学习算法,实现图像超分辨率重建. 在字典学习阶段将训练图像视为高分辨率图像,将它先缩小再放大得到低分辨率图像. 两图像之差为残差图像. 从残差图像块和低分辨率图像块特征的联合数据中学习耦合字典,得到残差图像和低分辨率图像间的映射关系. 针对图像块具有不同纹理和结构以及
字典学习效率的问题,提出多组耦合字典和字典交替学习算法. 在重建阶段先将输入图像插值放大,视为低分辨率图像. 求出低分辨率图像块对于每组耦合字典中低分辨率部分的稀疏表示误差,取表示误差最小的耦合字典中残差部分重建残差图像,与低分辨率图像融合得到高分辨率图像. 实验结果表明该方法具有良好的重建效果.     

超分辨率图像重建技术

超分辨率重建技术就是由一些低分辨率变形图像(或视频序列)来估计一幅较高分辨率的非变形图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊.超分辨率重建可以应用在遥感图像、医学成像、高清晰度电视标准和合成视频变焦等领域.     

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.     

基于卡尔曼滤波的序列图像超分辨率重建算法

针对给定一序列低分辨率图像重建出一序列高分辨率图像的问题,应用卡尔曼滤波理论,将时间轴加入重建算法,把利用多幅低分辨率图像生成高分辨率图像的模型转化为利用当前低分辨率图像和上一幅高分辨率图像来构建当前高分辨率图像.通过引入信息对的概念对算法运算复杂度进行改进.实验证明与已有算法相比该方法有较好的时效性和实用性.     

稀疏表示遥感图像超分辨重建

为获取地物信息更丰富、空间分辨率更高的遥感图像,提出了一种改进的稀疏表示遥感图像超分辨重建算法。对遥感图像预处理,得到所需训练样本图像;利用字典学习算法进行学习,得到遥感图像结构相似的高低分辨率字典对;对图像特征块进行稀疏表示时,采用改进的自适应滤波方法进行特征提取,同时引入均值滤波法改进超分辨重建迭代计算。实验结果表明,改进后的稀疏表示超分辨方法,有效地避免了重建图像边缘信息的丢失,获取了较好的超分辨重建效果。与当前最先进的稀疏表示超分辨算法相比,主观视觉上纹理细节信息更丰富,客观评价指标峰值信噪比提高约1 d B,结构相似性提高约0.02。     

基于学习的光学区域图像超分辨率重建算法的改进

针对基于学习的图像超分辨率重建存在着结果边缘模糊和速度比较低的问题,提出了通过将马尔科夫随机场运用到图像超分辨率重建,进行字典训练,随机选取训练图像块,并采用双三次插值方法放大图像颜色信息和图像的结构部分,将学习重建的图像和双三次插值得到的图像合并,得到最终结果。实验结果表明,运用峰值信噪比(Peak signal-to-noise ratio,PSNR)和结构相似性(Stractural similarity,SSIM)来客观评价图像重建效果,本文的算法重建图像效果较好,重建时间也有了一定的提高。     

利用卷积神经网络的体育视频运动员检测

针对体育视频中多尺度运动员的检测问题,提出一种基于卷积神经网络的自动检测方法.首先,从视频帧中获得运动员图像,并结合非运动员图像构建训练集,利用Bootstrapping算法来训练卷积神经网络分类器.然后,对于输入的图像帧,通过二次采样构建不同尺度的图像金字塔,并通过卷积神经网络检测出多个候选运动员位置.最后,计算这些候选运动员的重心,获得一个具有代表性的候选运动员,再通过一个局部搜索过程来确定最终的运动员位置.实验结果表明,该方案具有较高的检测率和较低的误报率.     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

基于多维损失函数优化FSRNet的气象观测图像超分辨率重构算法

【目的】传统FSRNet生成的超分辨率图像存在伪影、模糊等情况，作为志愿气象观测的试点省份，河南省气象局招募了大批志愿观测站，以期解决部分气象观测图像存在较低的分辨率的问题。【方法】首先引入热图损失、目标注意力损失和对抗性损失构成多维损失函数，对FSRNet进行模块优化，使用转置卷积放大低分辨率的图像。其次对模型进行分步训练，先对低分辨率观测图像进行粗略SR网络训练，再使剩余网络融入训练。【结果】多维损失训练的引入，降低了算法复杂度，提升了粗略SR网络的性能，解决了SR网络训练时调参困难等相关问题，提高了超分辨率气象观测图像的质量。【结论】试验结果证明，本方法在气象领域观测图像的优化相比于其他算法效果更佳，可以生成质量更高、细节更加清晰的目标观测图像。     

基于孪生网络的无人机遥感图像拼接

无人机(Unmanned aerial vehicle, UAV)遥感图像拼接是指将两幅或多幅具有相似场景内容的高分辨率无人机遥感图像拼接为一幅包含更多信息的大视野图像，在军事和地理测绘等领域得到了广泛应用。传统算法通常依赖于手工特征，无法有效地提取弱纹理图像的特征。若图像之间视差较大时，会导致拼接无法进行。为了解决上述问题，基于计算机视觉组(Visual Geometry Group-16, VGG-16)网络结合孪生网络框架提出了一种用于无人机遥感图像拼接的有监督模型。基于VGG-16网络设计了权值共享的孪生特征提取网络，解决特征提取不充分的问题。设计了能够回归图像之间空间变换关系的回归网络，并使用分组卷积代替普通卷积以提升网络速度。同时，为了解决将图像之间真实变换关系作为标签的图像拼接数据集难以获取的问题，基于一定程度的仿射变换，构建了自己的数据集。实验结果表明，本方法在无人机遥感图像拼接的主观视觉效果以及客观评价指标上均有较好的结果，与ORB算法(Oriented FAST and rotated BRIEF, ORB)和CAU-DHE算法(Content-aware unsu...     

基于卷积神经网络的面部图像修饰检测

为避免人为因素对人脸面部图像皮肤纹理特征提取产生的影响,用卷积神经网络算法对人脸图像修饰进行检测.传统的图像分类方法需要进行复杂的人工特征提取,而卷积神经网络可以自动学习并直接从图像中获取特征,解决了传统模式识别方法特征提取难的问题,具有更高的识别率和更广泛的实用性.在传统卷积神经网络模型中,调整卷积核大小、减少参数、改变卷积层滤波器数量、调整卷积层和池化层的交替方式、使用dropout来提高模型泛化能力以形成适用于人脸修饰检测的新的网络模型.实验结果表明,在引入的数据集上,新的网络模型对人脸图像的修饰检测有较强的鲁棒性,达到了较高的识别率.     

改进的卷积神经网络用于对比度增强取证

提出一种改进的卷积神经网络(modified convolutional neural network,MCNN)用于图像的对比度增强取证.其中MCNN第1层是预处理层,这一层将输入图像转化为二值灰度共生矩阵(binary gray-level co-occurrence matrix,BGLCM),其余各层与传统的卷积神经网络相同,这些层可从BGLCM上学习特征并以此进行分类.该方法的特征提取和分类可同时进行优化,使提取到的特征更适合对比度增强检测.实验表明,所提方法不仅可检测传统的对比度增强技术和两种反取证技术产生的对比度增强图像,还可区分对比度增强时所采用的参数.     

基于改进Harris算法的全自动无缝图像拼接

基于传统的Harris算法,提出了一种改进的Harris算法用来进行角点检测。此算法通过改变原来的梯度算子,提高了算子的检测敏感度。采用一个新的角点响应函数,避免了人为设定参数。在图像拼接过程中,通过卷积神经网络(Convolution neural network,NCC)对图像进行配准,利用稳健的RANSAC算法剔除误匹配,最终图像融合。实验结果表明,该算法提高了图像拼接的准确性,减少了图像拼接所耗费的时间,提升了图像拼接效率,具有良好的实用性。     

基于分布式卷积神经网络的车型识别算法研究

本文利用Spark分布式计算框架,提出了一种基于分布式卷积神经网络的车型识别算法。该算法通过改进卷积核参数和丢弃相似特征图来优化网络,通过改进分布式梯度下降来减少master和slave同步通信量,从而提高了收敛速度和性能。试验结果表明,该算法可有效提高车型分类的速度和精度。     

小波域内循环平移操作的图像高分辨率重建算法

为解决传统的图像插值算法因具有全局性而不能较好地处理图像边缘细节信息,且易在细节区域产生锯齿线的问题,提出了一种图像分辨率和对比度增强算法。该算法先用小波零填充算法得到高分辨率图像,并通过纠正残差过程来弥补丢失的边缘和纹理特征,然后对其进行定向循环平移操作。考虑到图像小波分解后水平、垂直、对角方向的高频分量能够反映图像这3个方向的边缘变化情况,从而利用图像不同方向的高频分量来刻画图像像素点不同方向的突变程度。根据这个突变程度来实现循环平移操作的自适应融合过程,这样可以避免过度抑制边缘细节信息。最后对重建的高分辨率图像小波分解后的高频分量使用非线性增强函数,提高图像对比度,突出边缘和轮廓信息。实验结果表明,该算法在增强图像空间分辨率和对比度的同时,保留了原图像包含的边缘和轮廓信息,不仅有较好的视觉效果,还有一定的抗噪能力。