基于注意力和反馈机制的HDR视频重建

对基于深度学习的高动态范围(high dynamic range,HDR)重建进行研究,提出一种基于注意力和反馈机制的HDR重建方法.首先,将时间上连续、循环曝光的3张图像作为网络的输入,通过引入注意力模块生成注意力图像,对获取的特征进行自适应的加权,以优化网络的特征提取和减少鬼影现象的出现;然后,将反馈机制引入到网络中,进一步提高特征信息的利用率,优化网络在特征融合和重建方面的性能;最后,在L1损失函数的基础上,考虑色彩相似度损失函数和VGG (Visual Geometry Group)损失函数以增强重建后HDR图像的色彩表现及高频细节.实验结果表明,本方法不仅可获得更好的主观和客观重建质量,而且优于目前存在的主流算法.     

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。     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

像素交叉移位变换耦合动态和谐搜索优化机制的图像加密算法

提出一种像素交叉移位变换耦合动态和谐搜索优化机制的图像加密算法.首先,引入锯齿填充曲线,对明文进行扫描,形成一维像素序列;基于明文像素位置,定义像素交叉移位变换模型,耦合均布Logistic映射输出的密钥,对明文完成高效置乱.然后,定义新的和谐更新模型,以密文信息熵值与相关性为目标函数,改进动态和谐搜索机制,构建像素扩散函数,彻底改变置乱图像的像素值.最后,引入HASH检测函数,赋予算法认证功能.结果表明:与当前混沌加密技术相比,所提算法具有更高的加密安全性和通用性.     

深度学习下面部缺失图像自动补全方法

考虑到传统方法在补全面部缺失图像时存在补全比例低的问题，提出了基于深度学习的面部缺失图像自动补全方法研究。利用面部缺失图像的尺度空间，计算了面部缺失图像在时间梯度上的均值。利用深度学习算法学习面部缺失图像的类别，得到面部缺失图像的像素值。通过确定面部缺失图像的像素类别，利用深度学习算法增强处理了面部缺失图像的细节分量，完成面部缺失图像的识别。通过修复面部缺失图像的遮挡部分，优化面部图像的真实性，将相似性损失计算结果作为深度学习算法的算子，提取出面部缺失图像的特征。结合面部缺失图像自动补全算法设计，实现了面部缺失图像的自动补全。试验结果表明，在不同的缺失比例下，基于深度学习的面部缺失图像自动补全方法可以提高面部缺失图像的补全比例，具有更好的补全效果。     

基于改进暗通道先验的沙尘图像清晰化算法

针对户外成像设备获取的沙尘图像存在色调偏黄、色彩不丰富及清晰度较低等问题,提出一种基于改进暗通道先验的沙尘图像清晰化算法.对图像偏色的问题,首先对高斯模型进行改进,采取自适应归一化方法调整图像暗部像素,并加权融合基于灰度世界的颜色校正方法,从而去除色偏影响;然后利用带色彩恢复的多尺度视网膜增强算法进行色彩恢复;对处理后存在的薄雾影响,基于暗通道先验方法重新选取大气光值,并对暗部像素进行亮度补偿;最后针对图像饱和度不足和对比度低的问题,将图像映射到HSI空间,分别利用自适应调整函数和改进双伽马校正算法进行提升.实验结果表明,该方法不仅能有效校正色偏,更好提升图像对比度及清晰度,且对图像色彩丰富度提升效果明显,可提高户外成像设备的图像质量.     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

基于双域信息的深度残差网络图像去噪

基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果.     

基于自适应调节极大熵的孪生支持向量回归机

孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.     

基于空间分层的医学图像特征提取算法

随着医疗影像设备在临床医学辅助诊断方向的广泛应用,如何精确提取目标特征图像显得尤为重要,而常规图像识别算法对环境光变化非常敏感,其结果很难满足医学诊疗的实际需求。为此,提出一种基于空间分层的无约束医学图像特征提取算法。设计包含加权系数的目标函数,实现对图像特征的快速提取;将图像空间按像素分为若干子图像空间,以四叉树结构进行快速存取;最后引入单纯形法对阈值进行自适应寻优。结果表明,所设计算法不仅有效解决了常规算法对环境光敏感的问题,而且能够更加精确、快速的提取到目标特征,对临床诊断具有重要参考意义。     

改进的DeepLabv3+同图复制篡改检测算法

为解决现有的篡改检测算法难以提取图像篡改边缘特征、篡改区域定位精度较低问题,提出一种改进的DeepLabv3+同图复制篡改检测算法。该算法在DeepLabv3+网络中引入双重注意力机制模块,用于捕捉上下文信息,以提高模型对篡改区域的适应性;采用残差细化模块对预测掩膜进一步优化,以增强模型对篡改边界的敏感性;使用一种新的混合损失函数用于模型训练,以利于模型在像素级和图像级中学习篡改图像与对应真实掩膜之间的映射关系。实验结果表明,改进的DeepLabv3+同图复制篡改检测算法,在COPYMOVE＿NIST和COPYMOVE＿COCO数据集上的3个评价指标均高于FCN、U-Net及DeepLabv3+算法,检测精度分别达到0.929和0.895,能够有效地提取图像篡改边缘特征,解决边缘像素漏检和误检问题。     

基于静电场原理的图像分辨率增强算法

根据静电场的平衡原理，提出了图像分辨率的增强算法，其内插函数随相邻像素的电势能差和所处的能量带可以自动调节，从而实现了图像的自适应放大．在对彩色图像放大中，算法模型考虑了各个色彩分量对图像插值产生的影响，克服了常规方法对整幅图像无区别，以及采用同一种内插函数进行处理时所带来的边缘模糊效应和阶梯形失真，同时又消除了对各个颜色分量分别处理所产生的颜色失真现象．试验的各个性能指标表明，该算法与传统方法相比，插值后得到的图像不仅在图像质量上有明显的改善，而且能保持清晰的边缘和轮廓信息，因此可在遥感图像、医学系统、公安系统及一些图像处理的软件中得到应用．     

基于加权损失函数的粘连白细胞分割算法

针对粘连白细胞很难精准分割的问题,提出一种基于深度学习的粘连白细胞分割算法.首先,将急性淋巴细胞白血病患者的血液细胞显微图像的色彩空间由RGB转换至HSV,滤除红细胞并提取白细胞;其次,对提取结果中的粘连白细胞,将细胞边界设定为除前景和背景外的第三类,在深度学习分割模型训练过程中引入基于类别权重的加权交叉熵损失函数,使...     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

面向机器视觉任务的多尺度图像特征压缩算法

针对协作智能框架中机器视觉任务的中间特征数据量大、难以高效传输等问题，提出了一种多尺度图像特征融合压缩算法。首先，根据边缘设备上深度学习模型输出的多尺度特征，设计级联残差变换模块，通过不同尺寸特征的逐级相减，消除多尺度特征的相关冗余，并将残差特征压缩到统一尺寸；然后，设计自编码器，用算术编码来消除紧凑特征的统计冗余；接着，在云端根据解码的紧凑特征设计预测重建模块生成预测特征，并与残差特征相结合实现多尺度特征的精确重建；最后，通过构建联合优化函数对残差变换、自编码和预测重建3个模块开展协同优化，实现传输码率与信息表征能力的最优权衡。仿真实验结果表明：所提算法在空间压缩时不仅特征压缩率最大，而且重建特征最完整；在传输码率为0.1 bit/像素时，与图像编码算法(VVC)和特征压缩算法(MSFC)相比，所提算法的模型精度分别提高了8.57%和3.87%。该研究可为机器视觉编码框架提供技术支撑，具有一定的工程应用价值。     

基于深度网络分级特征图的图像超分辨率重建

从低分辨率图像中提取特征图恢复高分辨率图像中的高频信息是超分辨率重建的一个关键问题,针对该问题提出一个新的基于卷积神经网络的超分辨率重建算法.网络结构由卷积层与子像素卷积组成,特征提取网络中卷积层提取低分辨率图像的特征,重建网络中子像素卷积神经网络作为上采样算子.针对不能充分利用多级特征图的问题,采用跳跃连接和特征图联结在特征提取网络末端跨通道融合特征图,同时降低特征图的维度.并在此基础上再次提取特征图应用于重建.实验结果表明,算法在PSNR、SSIM和人类视觉效果上与其他基于深度学习的算法相比有着显著的提高.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于无人机倾斜摄影技术的桥梁有限元逆向建模方法研究

针对桥梁图纸缺乏或缺失，桥梁抗震分析中存在大量结构建模工作而其效率低下等问题，提出了一种基于无人机倾斜摄影技术的桥梁有限元逆向建模技术. 首先参数化桥梁有限元建模过程，再引入基于运动恢复结构和多视图立体匹配算法的倾斜摄影技术，结合无人机多视角序列影像构建目标桥梁三维实景模型，引入非均匀有理B样条算法提取桥梁复杂结构曲面，获取桥梁几何数据. 通过大数据信息和桥梁设计规范、设计标准图集、现场实测等调查方法获取无人机无法观测得到的桥梁内部结构参数，实现通过视觉外观、大数据信息和专家先验信息重建桥梁有限元模型. 对长沙市巴溪洲大桥建立三维实景模型，验证模型误差低于2%；利用大数据信息和专家先验信息获取桥梁内部参数，基于实景模型重建目标桥梁有限元模型，验证有限元模型模态频率误差低于2%，静载挠度校验系数为0.57~0.79. 研究结果表明：利用无人机倾斜摄影技术逆向建立的桥梁有限元模型可靠且精度较高，在桥梁健康监测和区域抗震分析领域具有较高的科学研究和工程实用价值.     

基于弱监督的VGG深度学习网络遥感影像云检测

大多遥感影像云检测方法中,训练数据需要对影像的每个像素进行标记,标记成本非常昂贵,为了减轻深度学习遥感影像云检测中人工劳动标记数据的成本,图像块标签代替像素标签进行深度学习训练。首先,将多种下垫面的遥感影像裁剪成图像块并标记,带有标签的图像块作为数据集;其次,块状的数据集训练改进VGG深度学习网络,训练好的网络对大型遥感影像进行云检测;最后,选取多种中分辨率卫星图像分别用改进VGG与VGG网络进行了云检测对比实验。结果表明：改进VGG遥感影像云检测方法能很好地检测出碎云和厚云,整个云区的精度都在90%以上。使用带标签的图像块,不仅减少了人工劳动,而且有效地进行遥感影像云检测,可为弱监督深度学习的遥感影像相关研究提供参考。