可信JPEG XR图像采集研究与实现

文章在原始图像中加入定位信息和时间信息并编码为JPEG XR图像,采用半脆弱水印技术实现图像的鲁棒性认证和内容认证,构造可信的JPEG XR图像采集系统。由CMOS采集原始图像,借助GPS全球定位系统获取定位信息和时间信息添加在该图像合适位置,被编码为JPEG XR频率模式码流结构,提取码流中的DC系数和LP系数构造基于图像内容的二值特征信息作为水印,置乱后嵌入到JPEG XR解码后的图像对应像素的Y分量的最低有效位中,然后再对含有水印的图像进行JPEG XR编码实现水印嵌入;通过比较基于图像的二值信息和嵌入在图像的二值水印信息进行篡改定位;在S3C2410A上移植定制并优化的JPEGXR编解码算法和半脆弱水印算法并进行测试。     

特征增强U形网络的图像语义分割

复杂场景语义分割任务是对场景图像逐像素进行分类并标记.图像中目标种类多,尺度多样的特点给分割任务增加了难度,提出了特征增强U形卷积神经网络(feature enhanced U shape networks,FEUNet)是一种改进的编码器加解码器的结构,编码阶段引入局部特征增强模块(local feature enhanced,LFE)提取局部感知特征来改善非显著目标的分割效果;考虑到神经网络深层和浅层之间特征表达的差异,在解码阶段利用全局池化方法(global pooling)设计全局特征增强模块(global feature enhanced,GFE),实现选择性地从深层特征图提取上下文信息作为对浅层特征图的指导,改善深层和浅层特征图的融合,保证同类像素预测的一致性.采用CamVid和Cityscapes数据集进行试验,模型mIOU测评值分别达到64.5％和73.2％,对比其他主流语义分割算法,该方法在分割性能和模型体积上具有一定竞争力.     

多尺度编码-解码结构的单幅图像去雨网络

针对图像去雨问题提出多尺度编码-解码结构的单幅图像去雨网络(MSEDNet).首先在编码阶段对雨图像进行二次下采样;然后每个下采样层分别通过特征细化模块提取特征信息;最后将特征图逐步上采样,并且与上一个阶段的特征图聚合得到最终的去雨图像.采用不同分辨率的特征提取网络,能更好地提取雨纹的特征.特征细化网络首先经过多尺度扩...     

基于深度学习的CT影像肺结节检测

为辅助医生检测大量肺部CT( Computed Tomography) 图像中难以发现的肺结节的问题,提出使用深度U-Net网络对肺部结节进行分割。由于U-Net 网络出自于全卷积网络( FCN: Full Convolution Network) ,特点是端到端,像素到像素,网络对每个像素点进行分类,能将深层特征抽象的特征信息和浅层特征具象的位置信息相结合得到CT 图像的分割掩膜。实验结果表明,该方法对肺结节的检测效果良好。     

像素域分布式视频编码双向运动补偿重建算法

为提高分布式视频编码系统解码视频的主客观质量,提出了像素域双向运动补偿重建算法(BMCR).该算法充分考虑了视频中帧内和帧间的相关性,对于边信息落在译码符号对应量化区间内的像素,直接用边信息值进行重建；对于边信息落在译码符号对应量化区间外的像素,利用结合量化区间的双向运动补偿得到合理的重建值.实验结果表明,在Wyner...     

结合迁移学习的真实图像去噪算法

为了能有效地去除真实图像的复杂噪声,提出了一种结合迁移学习的真实图像去噪算法。该算法采用了双编码器结构,迁移学习编码单元利用预先训练好的权值有效提取鲁棒特征,残差编码单元对当前数据处理,进一步补充了信息。解码单元通过特征融合模块对丰富的信息进行融合,随后经过残差注意力模块加强对图像细节信息的关注,从而更好地恢复图像。实验结果表明,该算法在DND、SIDD和RNI15真实噪声数据集上有很好的泛化能力,能够在有效去除噪声的同时更好地保留图像纹理和边缘信息,恢复图像视觉效果更好。     

基于灰度直方图窗口扫描分类的FGS图像编码

针对静止图像网络传输数据量大,网络用户对接收图像质量要求不同的问题,对图像基本层的编码策略加以改进,提出了基于灰度直方图窗口扫描分类的FGS(Fine Granularity Scalable)图像编码方法\.该方法根据像素点出现概率的大小对灰度区间进行分类,像素值根据所属的类别进行不同程度的编码,并通过与用户之间的交互式操作满足用户不同的需求\.研究结果表明,该方法可使编码图像的每位数据信息在解码时得到充分利用,同时兼顾了网络传输性质与用户对内容的关注方式,更加便于网络传输与浏览。     

基于深度学习的岩石铸体薄片图像孔隙自动提取

岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割,精度较低,需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法,该算法基于U-net搭建网络基本框架。首先,网络在编码阶段加入残差块来提升网络的深度。其次,针对残差块进行优化并引入空洞卷积,提取更全局、语义层次更深的特征。最后,在解码阶段加入网络模块间的短连接,提出新的融合特征方法,更好地将浅层特征与深层语义特征相结合,得到更加精细的孔隙区域。实验结果表明,该方法优于传统的孔隙提取方法,具有更高的分割精度且无需人工操作,与主流卷积神经网络相比也具有更高的精度和平均交并比。     

基于基因编码算法的图像边缘提取研究

为了提高图像边缘检测的质量,采用基因编码算法.首先确定基因头部和尾部的组成,给出了基因表达式树形式,对图像像素进行基因编码,接着图像背景与图像目标之间的灰度差异作为基因表达式树不同的分支,与分支具有同样灰度的像素合并为一类,最后给出了基因编码适应度函数,其选择基于标准误差方法.实验仿真表明,算法提取的灰度图像边缘没有断点,没有伪边缘信息,数据分析较好.     

基于多特征融合的图像区域几何标记

提出一种基于多特征融合的图像区域几何标记方法.首先,提出了一种新型卷积网络结构——多尺度核卷积网络用于提取像素点的多尺度特征信息,推断像素点的几何类别,并结合图像超像素分割获得图像超像素区域的几何标记;其次,将提取的多尺度特征与超像素区域传统特征相结合,建立超像素区域的特征表达.最后,建立超像素图像的条件随机场(conditional random field,CRF)模型,对超像素区域的几何类别进行推断.在公开数据集Geometric Context(GC)上的实验结果表明,同已有算法相比,所提方法提高了图像区域几何标记的准确率.     

基于生成对抗网络的单图像超分辨率重建

针对当前卷积神经网络未能充分利用浅层特征信息, 并难以捕获各特征通道间的依赖关系、 丢失高频信息的问题, 提出一种新的生成对抗网络用于图像超分辨率重建. 首先, 在生成器中引入WDSR-B残差块充分提取浅层特征信息; 其次, 将GCNet模块和像素注意力机制相结合加入到生成器和鉴别器中, 学习各特征通道的重要程度和高频信息; 最后, 采用谱归一化代替不利于图像超分辨率的批规范化, 减少计算开销, 稳定训练. 实验结果表明, 该算法与其他经典算法相比能有效提高浅层特征信息的利用率, 较好地重建出图像的细节信息和几何特征, 提高超分辨率图像的质量.     

基于像素及梯度域双层深度卷积神经网络的页岩图像超分辨率重建

实际采集的页岩图像存在分辨率低等不足,有时难以满足实际应用的需求。针对此问题,构建了一种基于双层深度卷积神经网络的页岩图像超分辨率重建算法。算法以深度卷积神经网络为基础,引入残差训练及批规范化层来加速网络的收敛,并且在此神经网络的基础上提出图像像素域及梯度域结合的页岩图像超分辨率重建算法。算法大致过程为首先利用像素域的卷积神经网络对输入的低分辨率页岩图像进行上采样;然后对上采样图像提取梯度信息并利用梯度域的卷积神经网络对其进行转换;最后利用转换后的梯度信息作为正则项来约束高分辨率图像的重建,从而得到重建的高分辨率页岩图像。实验表明,与主流的超分辨率重建算法相比,重建得到的页岩图像具有更好的主观视觉效果与更高的客观评价参数,更利于后续的处理及分析。     

基于变换域注意力机制的压缩伪影去除的方法

图像有损压缩过程往往会导致图像质量退化,使图像出现压缩伪影。针对现有基于深度学习的方法缺乏对联合图像专家组(Joint Photographic Experts Group,JPEG)压缩算法先验信息的利用,提出一种基于变换域注意力机制的去伪影方法。该方法利用卷积神经网络在像素域和离散余弦变换(discrete cosine transform,DCT)域分别提取特征,再将双域学习的特征信息进行融合。利用量化表设计了DCT注意力机制,该模块根据DCT系数的损失程度给予各频率系数不同的权值,使网络自适应补偿量化引起的误差。于此基础上,在像素域引入通道注意力机制,从而更好地利用量化表的先验信息。在主要数据集上,提出的去伪影方法以固定的模型参数对多种质量因子的压缩图像进行伪影去除实验。实验结果表明,所提出的方法在各评价指标和主观视觉上取得较好的效果。     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

一种基于小波分解的图象分层分类矢量量化方法

作者提出了一种基于小波分解及采用自组织特征映射神经网络进行分层分类矢量量化的静态图像压缩编码方法。首先对图象进行了小波分解。利用不同分辩率级间小波子图的相似性,将最低分辩率层子图的矢量编码信息作为整幅图象的解码数据,并将其矢量分类和解码索引地址信息用于高分辩率层子图的码书训练。实验表明,和其他文献提出的方法相比,作者提出的方法在获得较好重构图象质量的前提下,提高了压缩比和编解码速度。     

基于多元线性逆滤波器的视顶盖神经元集群亮度信息解码研究

通过解码鸽子视顶盖(the optic tectum,OT)神经元集群亮度信息的方法,研究了OT区神经元集群编码亮度信息的神经机制。首先设计了具有瞬态闪变特性的亮度视觉刺激模式,采用微电极阵列记录了多通道的锋电位(spike)发放序列;然后提取了神经元集群的spike发放率特征,构造多元线性逆滤波器解码视觉刺激亮度;最后采用互相关和信息论的方法对解码结果进行了分析。结果表明:采用的多元线性逆滤波器有效解码了OT区神经元集群编码的亮度信息。通过对解码参数变化与解码精度的分析可知神经元集群数目13个、bin的宽度5 ms、刺激后15 ms、刺激后持续时间35 ms具有最高的解码精度。通过神经元集群中逆滤波器形态的分析发现,单神经元在亮度信息的编码过程中受周围神经元的动态调制。通过对解码精度与刺激闪变频率关系的分析,发现在刺激闪变频率19 Hz到53 Hz的范围内,重建质量较好,在刺激闪变频率为33.5 Hz时,重建质量达到最优。     

基于Mask R-CNN的满文文档版面分析

提出一种基于Mask R-CNN深度学习框架的满文文档版面分析方法,将满文文档版面分析问题转化为基于深度学习的图像实例分割问题。使用ResNet101网络和FPN网络构成的卷积神经网络自动提取满文文档图像特征,特征图经过RPN网络和RoI Align层生成新的特征图。新特征图经过全连接层完成感兴趣区域的类别和边框预测,并经过全卷积神经网络对感兴趣区域的像素进行分类得到mask预测,最终实现满文文档图像的实例分割。通过《新满汉大辞典》的文档图像构建了满文文档图像数据集,算法在该满文文档图像数据集上进行了实验。实验结果表明,本算法在满文文档版面分析中取得了较好的检测和分割效果。     

基于NSST域的改进加权非负矩阵分解的图像融合

针对加权非负矩阵分解中算法复杂度较高的问题,提出一种基于加权非负矩阵分解和双通道脉冲耦合神经网络的图像融合的改进算法。首先,对已经配准的两个源图像进行非下采样Shearlet变换;然后,对于图像低频子带,采用改进的WNMF的算法,动态更新权值矩阵,更好地提取图像特征信息。对于高频子带,采用改进双通道脉冲耦合神经网络的算法,链接强度值采用块的梯度值,更好地保留图像的微小细节信息;最后,经过非下采样Shearlet的逆变换得到融合图像。实验表明,将加权非负矩阵分解与双通道脉冲耦合神经网络相结合,不仅能很好的提取图像的特征信息,保留更多细节信息;同时双通道的脉冲耦合神经网络的方法能提高算法运行效率。     

基于神经网络自联想的数字图像水印算法

基于神经网络自联想记忆功能,提出了一种新的数字图像水印算法.首先将水印信息存储到神经网络中;再将其分别嵌入到原始图像小波分解的近似系数分量和细节系数分量中,采用嵌入水印过程的逆过程提取水印;最后利用神经网络对提取出的水印图像进行后处理.实验结果表明所提方法在满足水印的不可感知性的前提下,对多种攻击,如JPEG压缩、加性和乘性噪声干扰、滤波、剪切等具有较强的鲁棒性.