基于残差网络的红外与可见光图像融合方法

图像融合利用了红外与可见光图像在时空上的相关性及信息上的互补性,让图像更有利于人眼的识别和机器的自动探测。现有的方法许多都存在伪影或目标信息模糊的情况,针对这些问题本文提出了一种带有残差块的编码器融合框架以提取红外与可见光图像中的深层特征;为了更好地融合红外光图像的目标信息和可见光图像所包含的细节信息,在特征融合阶段加入注意力机制得到注意力图对深层特征进行融合;最后通过跳跃连接将第一二层得到的特征图,即浅层特征传递到相应的反卷积层进行处理,得到融合图像。实验结果表明,本文方法的融合结果在主观感觉上更清楚,且在平均梯度、空间频率、结构相似性和峰值信噪比等客观指标上取得了比现有方法更好的结果。     

基于双向循环网络的变色龙视觉超分辨率图像重建

针对使用均方误差（Mean Square Error,MSE）作为目标损失函数,导致重建的超分辨率图像在失真与感知质量上难以兼得的问题,提出基于双向循环网络的变色龙视觉重建模型（Super-resolution Bidirectional Recurrent Neural Network,SRBRNN）以改善重建效果.首先,鉴于变色龙可以同时注视两个不同方向的非凡视觉功能,SRBRNN模型借助双向循环神经网络结合序列演进前向与反向给输出提供不同方向时间信息的思想,实现重建过程中失真与感知质量的兼顾;其次,SRBRNN模型定义了特征演进和退化序列,并设计了低分辨率图像到高分辨率图像演进和高分辨率图像到低分辨率图像退化网络,将演进网络和退化网络对应应用为原双向循环网络的前向循环和反向循环网络;最后,利用双向循环机制重建超分辨率特征.用SRBRNN算法在Set5、Set14、BSD100基准测试集上进行实验,实验结果表明在峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity, SSIM)评估指标及主观质量评分上,...     

边缘场景下基于多维损失优化超分辨率网络的天气图像检测算法

在边缘场景下,气象图像采集模型大多部署在算力较低的移动端或边缘设备上,造成观测图像分辨率较低,给天气现象检测带来困难,且传统FSRNet生成的图像存在伪影、模糊等问题,因此需要优化天气图像超分辨率网络,提高图像的分辨率.基于无锚检测器,提出以观测要素为点的检测方案,不需要手动设置锚框,使检测模型轻量且高效.通过引入热图损失、目标注意力损失和对抗性损失等多维损失函数,对粗糙SR网络进行优化,使低分辨率图像完成递进式训练.优化骨干网络ShuffleNetV2,使检测模型更加轻量化,提高超分辨率天气图像检测的性能.实验结果证明,此天气图像超分辨率重建模型可以生成质量更高、细节更加清晰的目标观测图像,更加轻量的检测模型适用于非约束场景,在FDDB上的平均精度值（AverP）达到97.7%,优于其他先进模型.     

基于ResNet的面向对象矿区占地信息提取研究

利用高分二号影像结合面向对象方法展开矿区占地信息提取研究,采用面积比均值法确定分割尺度进行多尺度分割获取对象,基于空间优化工具选取特征后标记样本,其中训练集、测试集和验证集比例为3∶1.将样本集在ResNet模型中训练,应用于全部对象,并与CNN模型进行对比.结果表明,面向对象方法结合ResNet模型进行矿区占地信息提取总体精度为91.41%,Kappa系数为0.89,优于CNN方法.该方法适用于以露天采场和矿堆为主的矿区环境,可以为后续的矿区环境治理工作提供有效的技术支持.     

基于爆破矿石图像分割优化算法的大块率统计方法

矿石图像分割效果受光照条件、目标密集性及边缘对比度低等因素制约,致使大块率统计精度偏低.为此以鞍千矿爆破矿石图像为数据源,首先利用双边滤波算法去除特征增强后的图像噪声,然后分别采用自适应阈值算法和整体嵌套边缘检测(holistically-nested edge detection, HED)算法初步分割矿石图像,再利用形态学和去除连通域算法去除因矿石表面纹理形成的分割孔洞,进一步融合两种分割结果,引入基于距离运算的分水岭算法消除矿石图像欠分割现象,最终实现矿石图像的优化分割.研究结果表明,该方法可有效提高爆破矿石图像分割准确性,实现露天矿爆破大块率精确统计,为爆破效果智能评价提供技术支持.     

酸碱预处理对辣椒秸秆厌氧消化性能的影响

为资源化利用辣椒秸秆,本文以废弃辣椒秸秆为原料,进行了中温(35±0.5)℃批式厌氧消化试验,通过研究不同浓度(0.2～0.8 mol/L) HCl、NaOH溶液预处理对辣椒秸秆产甲烷性能的影响,探讨HCl和NaOH溶液在辣椒秸秆厌氧消化应用中的可行性。结果表明：酸碱预处理均对辣椒秸秆木质纤维素有一定的降解作用,其中NaOH溶液预处理的降解效果更好,对纤维素、半纤维素及木质素的降解率分别达到了8.63%～18.83%、15.33%～44.25%和19.44%～38.92%。同时,酸碱预处理均能改善辣椒秸秆的产甲烷性能,其中NaOH溶液预处理效果优于HCl溶液预处理,0.4 mol/L NaOH溶液预处理获得了最大累积甲烷产量,为122.53 mL/g,较对照提高了79.29%。研究显示,低浓度NaOH溶液预处理是一种能够提高辣椒秸秆厌氧消化性能的方法。     

基于迁移学习的船舶机舱火灾图像检测方法

针对传统烟雾探测器易受船舶机舱环境、布置位置等因素影响导致着火响应不及时的问题,提出一种基于机器视觉的船舶机舱烟雾识别模型。首先,利用通用数据库和实船场景及其烟雾图片建立图形知识库;其次,构建迁移学习和残差网络的融合模型,实现烟雾特征的迁移和学习,并利用验证数据集验证模型的有效性;最后,选取实船工作间火灾实例照片验证模型的有效性。结果表明,相较于传统感烟探测器,该模型可提前83 s预警;相较于其他智能算法,该模型可提升烟雾识别准确率。该方法可以更快速识别船舶烟雾,避免重大灾难性火灾事故的发生,可作为船舶智能监控手段。     

基于图像天空区域分割的去雾算法

为了提升图像去雾效果,提出了基于天空区域分割的透射率合成图像去雾算法,通过雾霾图像构造的概率分布函数,结合迭代阈值分割及天空区域的暗、亮通道以及最大连通性确定出粗分割阈值。利用引导滤波加强天空与非天空区域像素灰度的差异性,实现了精准分割。利用对数自适应变换估计了天空区域透射率,利用改进的暗通道先验算法估计了非天空区域透射率,通过合成对应像素的透射率实现了图像的去雾。实验结果表明,相比其他去雾算法,所提算法在各客观指标上均有所提高,对天空与非天空区域分割准确,去雾图像整体视觉效果良好。     

UConvTrans:全局和局部信息交互的双分支心脏图像分割

心脏核磁共振成像(MRI)具有噪声多、背景和目标区域相似度高、右心室形状不固定、呈月牙形或扁圆形等特点,虽然基于卷积神经网络的U型结构在医学图像分割中表现出色,但由于卷积本身的局部运算特性,提取全局信息特征能力有限,所以很难提升在心脏MRI上的分割精度.针对上述问题,提出一种全局和局部信息交互的双分支网络模型(UConvTrans).首先,利用卷积分支和Transformer分支提取局部特征和建模全局上下文信息,能够保留细节信息并抑制心脏MRI中噪声和背景区域的干扰.其次,设计了融合卷积网络和Transformer结构的模块,该模块将二者提取的特征交互融合,增强了模型表达能力,改善了右心室的分割精度,而且避免了Transformer结构在大规模数据集上预训练,可以灵活调节网络结构.此外,UConvTrans能有效地平衡精度和效率,在MICCAI 2017 ACDC数据集上进行验证,该模型在模型参数量、计算量仅为U-Net的10%、8%的情况下,平均Dice系数比U-Net提高了1.13%.最终,在其官方测试集上实现了右心室92.42%、心肌91.64%、左心室95.06%的Dice系数...     

基于窗口自注意力网络的单图像去雨算法

单图像去雨研究旨在利用退化的雨图恢复出无雨图像,而现有的基于深度学习的去雨算法未能有效地利用雨图的全局性信息,导致去雨后的图像损失部分细节和结构信息.针对此问题,提出一种基于窗口自注意力网络(Swin Transformer)的单图像去雨算法.该算法网络主要包括浅层特征提取模块和深度特征提取网络两部分.前者利用上下文信息聚合输入来适应雨痕分布的多样性,进而提取雨图的浅层特征.后者利用Swin Transformer捕获全局性信息和像素点间的长距离依赖关系,并结合残差卷积和密集连接强化特征学习,最后通过全局残差卷积输出去雨图像.此外,提出一种同时约束图像边缘和区域相似性的综合损失函数来进一步提高去雨图像的质量.实验表明,与目前单图像去雨表现优秀的算法MSPFN、 MPRNet相比,该算法使去雨图像的峰值信噪比提高0.19 dB和2.17 dB,结构相似性提高3.433%和1.412%,同时网络模型参数量下降84.59%和34.53%,前向传播平均耗时减少21.25%和26.67%.