多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

基于SVR的人脸图像超分辨率复原算法

本文针对目前大多数基于学习的超分辨率算法由于"分类算法"造成的"量化"误差的问题,提出了基于SVR的人脸图像超分辨率算法.算法首先分别提取训练库中高低分辨率图像块的高频信息和中频信息(差分高斯特征,DoG)作为建立回归关系的特征,依据它们的关系(并考虑人脸的特殊性)使用SVR建立起回归模型.在复原时,将待复原的低分辨率图像的中频特征输入已经建立的SVR回归模型得到需要的高频信息.通过对亚洲人脸库(亚洲人为主)IMDB和Yale人脸库(欧美人为主)的实验结果表明,本文提出的方法对亚洲人脸和欧美人脸都能取得了较好的复原效果,复原的图像在主观的视觉效果和客观的峰值信噪比上都取得较好的结果.     

基于特征稀疏化的粉尘图像深度预测

【目的】针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.     

基于图像块相似性和补全生成的人脸复原算法

图像获取过程中,由于成像距离、成像设备分辨率等因素的限制,成像系统难以无失真地获取原始场景中的信息,产生变形、模糊、降采样和噪声等问题,针对上述情况下降质图像的复原问题,提出了适用于低分辨率,低先验知识情况下的人脸复原方法,通过基于图像相似性的期望块log相似性EPLL (expected patch log likelihood)框架来构建人脸复原效果的失真函数,利用生成对抗网络的图像补全式生成过程来复原图像。所提算法在加噪率50%以及更高情况下可以保持较好的人脸图像轮廓与视觉特点,在复原加噪20%的降质图像时,相比传统的基于图像块相似性的算法,本文算法复原结果的统计特征峰值信噪比PSNR (peak signal-noise ratio)与结构相似度SSIM (structural similarity)值具有明显优势。     

基于深度卷积残差学习的图像超分辨

传统的超分辨率卷积神经网络难以获得丰富的细节和边缘信息。提出了一种多映射残差卷积神经网络(MMRCNN)来解决这些问题。具体来说,MMRCNN直接使用低分辨率图像作为网络的初始输入,然后使用卷积层提取特征。其次,通过残差学习构建多映射网络,添加批量归一化层优化网络,使聚合高分辨率图像时所需要的特征信息能够变得极为丰富。最后,使用反卷积层来完成图像上采样,输出高分辨率图像,因此不需要预处理,就能够直接完成低分辨率图像与高分辨率图像之间端到端的映射关系。在不同模型的基准数据集上的实验表明,MMRCNN在峰值信噪比、结构相似性和视觉效果方面均有所提升。     

基于动态引导滤波的多尺度图像融合算法

该文基于动态引导滤波器(RGF)提出了一种新的图像多尺度表示方法,并将其应用到图像融合技术中。首先,使用RGF将输入图像用多种尺度的子图表示;然后,基于显著性检测获得输入图像的权重映射;最后使用基于递归滤波的加权融合方法得到最后的融合图像。多组图像融合实验的比较结果表明,相比于其它基于多尺度分解的融合算法,本文提出的融合算法更好地保持了输入图像的细节信息,融合图像的视觉效果更好。     

基于边界平衡生成对抗网络的生成式隐写

针对基于深度生成模型的载体合成隐写中生成含密图像质量不高的问题,提出了一种基于边界平衡生成对抗网络(boundary equilibrium generative adversarial network,BEGAN)的生成式隐写方法。该方法首先将秘密信息分段并转化为噪声,而后将噪声输入到BEGAN生成器中得到高质量的含密图像;在消息提取阶段,从含密图像输入噪声提取器中恢复出噪声,最后将噪声转化为秘密信息并完成消息提取。首次提出了针对含密图像的质量评价问题。实验结果和分析表明,与基于深卷积生成对抗网络(deep convolution generative adversarial networks,DCGAN)的隐写方法相比,采用基于编码-解码结构的BEGAN模型能够提高含密图像质量,增大输入噪声的长度能够提高隐写容量。     

多尺度改进Xception的花卉图像分类方法

针对传统图像分类方法在花卉图像上存在分类效果不佳的问题,提出一种改进Xception网络的方法。首先结合Res2net中的多尺度模块来提高模型特征信息的丰富度,提出Multi＿Xception网络,接着使用1×1卷积核对多尺度深度可分离卷积模块的输入特征图进行信道压缩,减少模型参数的同时进一步丰富模型特征信息,提出Multi2＿Xception网络。将改进模型应用于Flowers Recognition花卉数据集分类,实验结果表明,该方法相较于原算法分类准确率提升了1.64%,F1-score提升了0.018,验证了多尺度Xception网络的有效性。     

基于生成对抗网络的乳腺MRI图像生成

乳腺癌磁共振成像(nuclear magnetic resonance imaging, MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因，会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式，这类方法要求不同MRI序列数据配对出现，难以处理存在缺失的数据，此外，该类方法往往关注整幅图像的生成质量，缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题，该文受配准网络(RegGAN)自适应对准图像空间分布的启发，设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块，使网络更注重病灶的学习；在判别器中添加梯度正则化约束，主要解决网络训练不稳定容易出现模式崩溃的现象，使网络生成包含更清晰的病灶细节全局图。该文在1 697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验，进一步验证了方法的有效性。与原始RegGAN比，全局图像生成质量和局部病灶图像生成质量均得到提升，局部图像质量较原始PSNR提升了0.518,S...     

基于LBP与卷积神经网络的人脸识别

卷积神经网络在人脸识别上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征.为了提取更加全面的人脸特征,提出一种基于局部二值模式(local binary pattern,LBP)与卷积神经网络相结合的新方法.首先,提取人脸图片的LBP特征图像,然后把LBP图像与原RGB图像结合作为网络输入数据,并且使用随机梯度下降法训练网络参数,最后用训练得到的网络模型对人脸图片进行识别.通过在LFW(labeled face in the wild)人脸识别数据库上的实验表明,在卷积神经网络中加入LBP图像信息可以提高人脸识别的准确率.另外,当增加训练数据时,提出的方法得到的识别率会进一步提高,更说明提出方法的有效性.     

基于自编码的高光谱图像波段加权分类网络研究

高光谱图像(HSI)具有高维度的光谱波段信息,但也包含许多冗余光谱波段.在进行高光谱图像分类时,不同波段对分类任务的贡献存在差异性.为了高效利用光谱波段中的特征信息,提出一种新的编解码波段加权网络(EBW).该网络利用注意机制,根据不同波段对分类性能的贡献自适应地进行波段加权,从而提高输入数据中光谱信息的有效性.在EBW中,首先获取输入HSI的光谱波段信息,再利用自编码器提取的波段相关性和深度特征生成波段权重;然后对输入HSI的光谱波段进行加权;最后将加权后的图片输入到分类网络中得出预测结果.在PaviaU和Salinas数据集上的实验结果表明,与现有基于深度学习的加权方法相比,该方法具有更好的分类性能.     

基于图像条件的二元合成生成算法

生成对抗网络(GAN)是一种无监督学习方法,该算法巧妙地利用博弈的思想来学习生成式模型,但由于GAN通常从单个潜在源采样,因此常常丢失场景中的多个实体交互信息。为了捕获不同对象之间的复杂交互,包括它们的相对缩放,空间布局,遮挡,提出了一种基于图像条件的生成对抗网络,利用"分解—合成"的流程,模型可以根据输入对象的纹理和形状从它们的关节分布生成逼真的合成图像。通过使用Shapenet数据集,在2D和3D图像中分别对55个常见对象类别约51 300个图像模型进行试验,比起传统的SLP和cGAN,算法的图片质量有4%以上的提高。     

三维颅骨形态量化表示与非线性性别判定

颅骨性别鉴定在法医学和面貌复原等领域具有重大研究意义和应用价值.本文以陕西关中地区94例汉族成年人三维颅骨数据为研究对象,利用自主研发的系统软件标定出62个显著特征点.在此基础上提取可测量和非可测量特征,并将非可测量特征进行量化表示;提出使用非线性降维方法和非线性分类器结合的方法对颅骨的性别进行分类.实验结果表明:本文整合的可测量和非可测量特征包含更多的性别判别信息,非线性降维与非线性分类结合的方法可以大幅提高性别判别精度,最高正确率可达到96.36%.     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

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.     

基于改进DeepLabV3+网络的坝面裂缝检测方法

基于图像分析的水电站坝面缺陷判别是一种高效、精准的方法，然而大坝裂缝图像存在背景复杂以及裂缝和背景像素比例不均衡等问题，导致传统算法的检测效果差。该文提出一种基于改进的DeepLabV3+网络模型的坝面裂缝检测方法。该方法利用三线注意力模块(three line attention module,TLAM)提高模型对裂缝像素的提取能力；采用空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块进行级联优化，实现更密集的像素采样，获取更丰富的裂缝特征；将MobileNetV2作为特征提取主干网络，可实现网络轻量化并减少模型参数；将焦点损失(focal loss,FL)和Dice损失(Dice loss,DL)作为模型的损失函数，可克服数据不平衡的困难。对西南某水电站的坝面裂缝数据集进行模型有效性和对比实验，结果表明：该方法中用来评价模型精度的F_{1, score}、平均交并比(mean intersection over union,MIoU)和平均像素精度(mean pixel accuracy,MPA)的值分别达到73.98...     

注意力机制引导的多模态心脏图像分割

为有效挖掘模态间共享与模态特有的信息,本文提出一种注意力机制引导的半孪生网络,用于分割多模态(MRI与CT)心脏图像.具体地,首先运用循环一致的生成对抗网络(CycleGAN)进行双向的图像生成(即从MRI到CT以及从CT到MRI),这样可以解决模态间心脏图像不配对的问题;其次,设计一个新的半孪生网络,将原始的CT(或MR)图像及其生成的MR(或CT)图像进行配对并同时输入,先通过两个编码器(encoders)分别学习模态特有的特征,再经过一个跨模态的注意力模块将不同模态的特征进行融合,最后输入一个公共的解码器(decoder)来得到模态共享的特征,用于心脏图像分割.上述学习过程是端到端的方式进行训练.本文将所提方法在真实的CT与MR不配对的心脏图像数据集上进行实验评估,表明所提方法的分割精度超出基准方法.     

模拟画像和颅骨复原方法的认识误区

相貌侦查技术针对不同客体的条件分模拟画像和颅骨面貌复原等方法。模拟画像和颅骨面貌复原又分手工和电脑两种方法。在相貌侦查技术工作中,很多相貌侦查技术人员存在以下二方面问题：一是过分崇拜电脑模拟组合画像逼真性,而忽视手工模拟画像的实用性;二是对颅骨复原技术的结构原理认识不足,在不具备人类学、法医学知识和颅骨形态面相构成经验及雕塑技能的情况下,盲目对无名尸骨或腐烂头颅进行素描画像复原或电脑平面组合复原。     

基于自适应正则化的序列图像超分辨率复原

基于序列图像的超分辨率复原算法能够利用更多的先验信息,复原效果明显优于基于单帧图像的复原算法,目前已经成为图像复原领域的主流研究方向.本文提出了一种基于自适应正则化的序列图像超分辨复原方法,能够充分利用序列图像的先验信息,有效抑制了复原图像中存在的振铃效应.同时,本文算法可以更好地恢复图像边缘信息,较好地平滑噪声,得到的复原图像与Hardie等提出的非均匀插值算法的复原效果相比,在峰值信噪比以及主观视觉效果方面均有所提高.实验结果表明,本文所采用的方法能够达到较好的复原效果,是可行和有效的.     

基于小波变换及注意力机制的T型图像去雾网络

受大气中雾霾等悬浮颗粒的影响，室外拍摄的图像常伴有低对比度和低能见度问题，现存去雾方法未能充分利用图像的局部特征信息，存在去雾不彻底及图像细节丢失等问题. 为此，提出一种基于小波变换及注意力机制的T型图像去雾网络. 所提网络通过对图像进行多次离散小波分解及重构来获取有雾图像的边缘细节特征，并提出了一种兼顾图像全局特征及局部信息提取的特征注意力模块，加强了网络在图像视觉感知和细节纹理方面的学习. 在进行特征提取的过程中，提出T型连接方式来获得多尺度的图像特征，扩展了网络的表示能力. 对重构后的无雾图像进行色彩平衡，得到最终复原图像.在合成数据集和真实数据集中的大量实验结果表明，本文所提网络相较于现有其他网络模型具有更优越的性能.