多信息代价计算融合显著梯度的立体匹配

立体匹配是视觉导航、三维重建的信息基础.为了降低光照失真对匹配代价计算的影响,消除引导滤波平滑图像时产生的光晕,提出了一种多信息代价计算融合显著梯度的立体匹配算法.设计了融合颜色特征、梯度信息及梯度角度的匹配代价计算算法,对左右视图进行匹配代价计算;然后进行显著性处理,计算显著图的梯度信息,得到图像的局部平均梯度;遍历...     

采用圆投影和序贯相似检测的图像匹配技术

针对现有的高精度匹配方法复杂度较大,现有的圆投影匹配方法在实际应用中计算量高、速度慢的缺点,提出了一种新的图像匹配算法.该算法基于序贯相似检测原理,采用由粗到精的匹配策略,应用步长自适应的跳跃式搜索方法,在不影响匹配精度的前提下,跳跃了大量匹配点,减小了在非匹配点处的计算量.实验结果表明,与已有的基于不变矩的匹配算法、圆投影匹配算法相比,该算法具有较高的匹配精度,且匹配速度快.     

关于电力电子技术教学方法的探究与改革

为了克服电力电子技术在教与学环节上存在的不足与缺陷,培养学生自主学习、实践操作及创新能力。本文通过分析我校电力电子技术的教学现状,从课堂教学与实践教学两个环节探讨了教学方法及改革措施。实践表明,所提教改方法能够提升教学效果,培养学生的主动学习能力和创新能力。     

融合有限差分及梯度的Bayer-CFA插值方法

为了实现对边缘像素点的高精度插值,融合有限差分、图像梯度、图像相关性提出了一种先插值再修正的Bayer彩色滤波阵列(color filter array,CFA)插值方法Bayer-CFA。首先,把CFA图像中的已知像素点作为离散的网格节点,利用像素点间的空间相关性构造插值函数。然后,结合色彩相关性设计插值G像素的水平、垂直方向的插值算子,并用梯度信息建立两个方向的权重因子,实现G平面插值;再根据G像素点左右的已知R像素点的对称性及色彩相关性构建插值函数,应用色差公式完成R平面插值,并用与R平面插值相同的方法完成B平面插值。最后,对每个插值结果,在以其为中心的3×3邻域内进行梯度修正,采用梯度信息构造8个方向的权重因子,用像素点的空间位置决定加权系数,以消除不规则边缘及纹理引起的插值误差。仿真结果表明:相较于EET算法,Bayer-CFA的彩色图像峰值信噪比提高了0.57 dB,S-CIELAB空间的色差降低了0.23;Bayer-CFA在使用梯度修正后能减少伪彩色,沿边缘方向的插值有效削弱了锯齿现象,能保留图像的边缘纹理细节。     

裂缝小目标缺陷的轻量化检测方法

及时且准确捕获井壁出现的微小裂缝,对于井筒安全意义重大.轻量化检测模型是推动井壁裂缝自动检测的关键,打破现有方法聚焦于提取深层语义信息的局限,重视浅层特征表征的几何结构信息的应用,针对井壁裂缝提出轻量化检测模型E-YOLOv5s.首先融合普通卷积、深度可分离卷积和ECA注意力机制设计轻量化卷积模块ECAConv,再引入跳跃链接构建特征综合提取单元E-C3,得到骨干网络ECSP-Darknet53,它负责显著降低网络参数,同时增强对裂缝深层特征的提取能力.然后设计特征融合模块ECACSP,利用多组ECAConv和ECACSP模块组建细颈部特征融合模块E-Neck,旨在充分融合裂缝小目标的几何信息和表征裂缝开裂程度的语义信息,同时加快网络推理速度.实验表明,E-YOLOv5s在自制井壁数据集上的检测精度相较YOLOv5s提升了4.0%,同时模型参数量和GFLOPs分别降低了44.9%、43.7%.E-YOLOv5s有助于推动井壁裂缝自动检测的应用.     

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。     

基于双分支特征提取的水下图像复原

水下成像的复杂性,严重影响图像质量.为解决水下图像存在的颜色失真、亮度底等问题,提出一种双分支水下图像复原模型.复原模型利用双分支特征提取架构提取水下图像不同层次,不同尺度的特征,实现提取特征的完整性;利用残差结构做中间特征处理环节,增强网络学习能力,提高训练速度;且在残差模块中引入空洞卷积以增大感知野,融合两个分支提...     

融合残差结构与注意力机制的暗光图像增强算法

目的 低光工况或拍摄技巧影响都可能获得低光照图像,为解决此类图像对比度低、噪声大、颜色失真等问 题,提出一种卷积神经网络增强模型 RetKIND,包括分解网络、亮度调整网络和降噪网络。 方法 它借助残差模块 (RB)和跳跃连接,有效抑制分解网络在分解时产生的噪声;融合 U-Net 架构、空洞卷积和 EBAM 高效注意力机制 构建降噪网络,利用空洞卷积扩大感受野,提取更多图像信息,提高 EBAM 在通道和空间上提取反射图的细节、纹 理、颜色等特征的能力,实现图像去噪;由 UC(亮度调整网络中的自定义模块)和普通卷积组成亮度调整网络,旨在 减少光照图细节缺失,提高光照分量对比度。 融合去噪后的反射分量和增强后的光照分量,得到正常光照图像。 结果 仿真结果表明:在 LOL 数据集上,相较 R2RNet,FPSNR 和 FSSIM 值分别上升了 6. 2%和 4. 2%;相较 URetinexNet,FPSNR 和 FSSIM 值分别上升了 5. 9%和 1. 2%;相较 DEANet,FPSNR 和 FSSIM 值分别上升了 2. 9%和 1. 1%。 结论 Ret -KIND 模型既能提升图像亮度,又能降低图像的噪声,有助于推动低光图像增强模型应用到目标检测领域。     

基于遗传算法寻优的支持向量机图像插值方法

锯齿波、边缘模糊是影响图像质量的重要因素,为了有效提高图像质量,提出了一种优化支持向量机图像插值方法.先将遗传算法应用到支持向量机的参数寻优,将使用最优参数的支持向量机结合图像相关性对图像插值.算法根据图像相关性选择适当的相邻点作为输入模式训练支持向量机,用训练好的支持向量机及输入模式估计出待插值点的像素值.仿真结果表明,与已有算法相比,该算法获得图像的RPSN值、NMSE值、MSE等指标均有明显改善,且视觉效果有显著提高.