基于CT图像的超分辨率重构研究

医学CT图像的超分辨率重构研究具有较大的实用价值。针对CT图像由于设备等原因存在的细节模糊,边缘不清晰、感知质量差等问题,提出一种多次上下采样的深度方格卷积网络。通过上下采样的二维结构,拓宽网络宽度与深度,增强不同尺度信息的深层依赖关系,促进不同尺度下的信息交互,从而充分利用原始图像信息重构出更多的高分辨率细节信息。采用全局深度联结与局部残差相结合的方式,将浅层网络信息反馈至深层网络,实现全局网络信息共享,提高训练时浅层网络特征映射在深层网络中的利用率,突出深度网络训练优势。实验结果表明,通过峰值信噪比与结构相似性指数将本文模型的重构结果和当前最先进的模型结果进行比较,该模型能恢复出最优的高分辨率图像,同时得到较高的重构图像感知质量。     

一种注意力机制的多尺度特征融合MRI重建

针对深度卷积神经网络重建磁共振图像存在的高频细节纹理丢失问题，本文提出一种注意力机制的多尺度特征融合磁共振成像(magnetic resonance imaging, MRI)重建。在U-Net模型基础上，采用参考图像的特征，约束低分辨磁共振图像的重建，并引入多尺度特征挤压注意力(multi-scale feature squeeze attention, MFSA)模块，建立跨通道信息交互，在通道维度上对多尺度特征层进行特征提取并融合，强化高频细节纹理的特征信息，提高磁共振图像重建的分辨率。同时，为验证所提注意力模块的有效性，保持其他参数不变，在测试集上分别对网络加入的注意力模块前后进行对比实验。实验结果表明，本文所提出的MFSA,能提高图像的重建质量，使图像获得更丰富的信息，各项指标均达到最优，重建结果纹理清晰，接近于真实图像，更能满足人类的视觉感受，而且网络在峰值信噪比和结构相似性等质量评价指标方面均得到较大改善，在定量评估上明显优于其他网络，而且通过不同尺度注意力相融合，使网络在小数据集上就可明显提升图像的感知质量。该研究具有较大的应用价值。     

人脸超分辨率网络(FSRNet)的改进

人脸超分辨网络(FSRNet)使用人脸几何先验信息优化人脸超分辨率,可以从低分辨率人脸图像生成逼真的高分辨率人脸图像,但FSRNet生成的超分辨率图像存在伪影.对其关键模块进行了改进,并引入了新的损失函数.直接输入16×16像素的低分辨率图像,最后使用转置卷积函数放大图像,降低了计算复杂度,提升了粗略超分辨网络的性能.通过两步训练法,解决网络训练时调参困难的问题.引入热图损失、面部注意力损失和对抗性损失训练,提高超分辨率人脸图像的质量.实验结果证明,采用改进后的方法,可以生成面部细节更加清晰的高质量人脸图像.     

基于残差连接卷积神经网络的图像超分辨率重构

针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

用于图像超分辨率的轻量级残差平衡蒸馏网络

现有利用卷积神经网络的单幅图像超分辨率重建技术,普遍存在参数量大计算成本高等问题,阻碍了实际场景的应用,因此提出一种轻量级蓝图可分离残差平衡蒸馏网络(BSRBDN)。首先,引入蓝图可分离卷积并提出多尺度渐进特征蒸馏连接结构,在提取深层特征的同时减少冗余运算。其次,设计了对比度平衡注意块、大内核空间注意力块和像素融合模块,激活高频信息增强边缘细节特征。最后,设计了轻量级蓝图可分离残差平衡蒸馏网络快速精准的完成图像重建。实验结果显示网络在保持更好的性能和主观视觉效果的同时,大大降低了参数与计算量。     

基于双判别生成对抗网络的不规则孔洞图像修复

为解决现有算法在修复随机、不规则大面积孔洞时出现色差和细节模糊的缺陷,提出了基于双判别生成对抗网络的不规则大孔洞图像修复网络架构。图像生成器是部分卷积定义的U-Net架构,归一化的部分卷积仅对有效像素完成端到端的掩码更新,U-Net中的跳过链接将图像的上下文信息向更高层分辨率传播,用重建损失、感知损失和风格损失的加权损失函数优化模型的训练结果;使用对抗性损失函数,单独训练包含合成判别器和全局判别器的双判别网络,判断生成图像与真实图像的一致性;加权所有损失函数,结合生成网络和双判别网络一起训练,进一步增强待修复区域的细节和整体一致性,使修复结果更自然。在Place365标准数据库上进行仿真实验,实验结果表明:提出方法在处理随机、不规则、大面积孔洞修复时,其结果的整体和细节语义一致性优于现有方法的结果,有效克服了细节模糊、颜色失真和出现伪影等缺陷。     

结合小波与递归神经网络的低分辨率人脸识别

针对低分辨率人脸图像缺少有效信息而导致识别率较低的问题,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。首先,通过深层网络直接预测小波系数,经过小波逆变换得到高分辨率人脸图像,可以有效地重建高频信息;其次,在卷积神经网络中加入递归模块,在增加网络深度的同时减少参数冗余,提升模型的映射能力;最后,提出一种优化的重建与感知损失融合方法,将小波系数重建损失与感知损失进行加权融合,用以生成有利于识别的人脸图像。基于公开数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低的分辨率条件下(8×8,16×16),仍然能够重建出更加锐利的人脸图像。在此基础上,其识别能力优于目前领先的超分辨率重建算法。     

一种多映射卷积神经网络的超分辨率重建算法

针对现有卷积神经网络在超分辨率重建的图像上存在部分细节特征不够突出、边缘模糊等问题,在现有模型三大模块的基础上对映射模块及损失函数进行细致剖析,提出了一种多映射卷积神经网络的超分辨率重建算法．该算法通过构建多映射网络,极大地丰富了图像在聚合高分辨图像时的特征维度．同时在重建模块的卷积层后引入全变分正则项,结合误差反向传播算法,可有效地对解空间约束,从而提取出精确、有效的特征,丰富重建图像的细节信息．在常用数据集上的实验结果表明,该算法生成的网络模型获得了更好的超分辨率结果,主观视觉评价和客观衡量指标有一定的改进,有效地提高了图像的分辨率．     

基于监督注意力机制的语义标签生成图像

由于卷积神经网络内部存在局部连接,通过学习局部特征,模型能够较好地生成纹理风格信息,但是对高级语义特征的学习能力较差,导致生成图像中语义目标出现模糊失真的现象。为提高神经网络的全局特征处理能力,使生成图像中的语义目标更清晰真实,本研究提出一种监督注意力机制应用于端到端结构的级联细化网络图像生成模型。对第一级精细化模块输出的多维低分辨率大感受野特征和语义标签内多维语义特征做特征融合,加强网络内部多维特征之间的全局一致性,通过语义布局指导模型从全局信息中生成真实感图像,提升了由语义标签生成图像中语义目标的清晰度和真实性。将级联细化网络图像生成模型在Cityscapes验证集语义标签上得到的生成图像语义分割平均像素精度提升了8.6%,mIoU精度提升了26.7%。     

基于交互式遗传算法的园林景观空间环境优化设计

为了提高园林景观空间环境设计效果,提出基于交互式遗传算法的园林景观空间环境优化设计方法。构建园林景观空间环境设计图像的视觉特征空间分布式检测和模糊像素区域特征融合性重构模型,进行园林景观空间环境设计图像的多级特征分解和灰色像素特征分离,建立园林景观空间环境设计图像的视觉特征重构模型,结合分块区域模板匹配方法进行园林景观空间环境设计图像的特征视觉重构和视觉特征空间分布式检测,采用相似度信息融合模型进行园林景观空间环境设计图像视觉重构过程中的园林艺术景观信息融合感知和分块区域模板匹配,提取园林景观空间环境设计图像的模糊特征量,采用交互式遗传算法方法实现园林艺术景观信息融合感知和视觉重构质量评估。仿真结果表明,采用该方法进行园林景观空间环境设计图像视觉重构的质量较好,图像识别精度较高,对园林景观空间环境视觉的艺术特征重构的输出信噪比较高,具有很好的园林景观空间环境设计效果。     

基于深度卷积神经网络的图像自编码算法

针对目前图像编码的研究工作更加重视信息无损性,而没有体现出社交网络图像区分度的问题,本研究提出一种新颖的基于深度卷积神经网络的社交网络图像自编码算法,将深度卷积神经网络提取特征的能力与社交网络中图像的特点相结合,得到性能良好的图像自编码。结合社交网络图片的特性与聚类算法,先将图片进行聚类得到距离信息,再利用深度卷积神经网络学习图片的距离信息,提取深度卷积神经网络中的全连接层作为编码,重复以上步骤,并得到最终的图像编码。试验结果表明,本研究提出的算法在图像搜索中的效果好于其他算法,更利于在社交网络图像搜索中使用。     

多尺度注意力交互式图像去噪网络

图像去噪中,针对去噪网络提取图像细节信息不全面和特征利用率低的问题,提出一种基于深度学习的多尺度注意力交互式图像去噪网络（MAINet）。首先,对于浅层像素级特征采用多尺度特征提取块获取丰富的上下文信息和图像纹理特征,以保证图像信息的完整性;然后,引入双路通道注意力机制指导网络获取更具判别性的特征信息,抑制不期望的噪声,从而进一步优化特征信息;最后,利用分类密集残差块的密集连接和成对卷积操作增强模型的交互性,对全局多层次特征进行联合学习,提取更高质量的语义级特征,以提升去噪网络的性能。实验结果表明,在定量和定性评估方面,所提出的去噪网络在合成噪声和真实噪声两种数据集上的去噪效果都有所提升。     

融合多尺度和多头注意力的医疗图像分割方法

为了从医疗图像中自动且准确地提取兴趣区域, 提出基于神经网络的分割模型MS²Net. 针对传统卷积操作缺乏获取长距离依赖关系能力的问题, 为了更好提取上下文信息, 提出融合卷积和Transformer的架构. 基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系, 基于相似度关系融合各像素特征使网络拥有全局视野, 使用相对位置编码使Transformer保留输入特征图的结构信息. 为了使网络适应兴趣区域形态的差异, 在MS²Net中应用解码端多尺度特征并提出多尺度注意力机制. 对多尺度特征图依次应用分组通道和分组空间注意力, 使网络自适应地选取合理的多尺度语义信息. MS²Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标, 有着较好的泛化能力.     

基于RCNN的图像修复技术

目前,失真图像在图像获取、转存和传输过程中发生图像信息丢失问题日益严重,然而目前很多基于深度学习的图像修复方法都需要大量的数据集支持才能实现图像修复的高复原度这一指标,严重耗费时间和资源。提出一种新型循环卷积融合神经网络模型来实现图像恢复,将原本的卷积层重构后获得的特征图导入循环模型进行信息获取,并通过U-net网络结构实现重建以得到结果。在失真数据集TID2008和TID2013上的实验结果证明,数据集较少的情况下,修复效果相对于传统方法更佳。     

基于多尺度注意力融合和卷积神经网络的水下图像恢复

由于水中悬浮粒子对光的吸收和散射,导致原始水下图像清晰度低、细节模糊和颜色失真,针对这些问题,提出了一种基于多尺度注意力融合和卷积神经网络CNN的水下图像恢复方法。利用注意力机制构造SC(Space channel)模块,通过在多尺度特征提取中加入SC模块,可以有效地提取图像中的信息,实现图像清晰度的提高和颜色校正。利用拉普拉斯算子构造多项损失函数,进一步增强图像细节特征,使得恢复后的图像质量得到显著提升。将本文方法与其他方法在两个测试集上进行定性和定量的对比,实验结果表明,本文方法恢复后的图像在图像清晰度、细节增强和颜色校正方面都优于其他方法。     

生成对抗网络用于视频去模糊

针对因拍摄设备抖动或目标运动而产生的视频模糊问题,提出了一种基于生成对抗网络和马尔可夫判别网络的新的视频去模糊方法。文中将基于像素空间的损失函数与基于特征空间的损失函数相结合,并依据马尔可夫判别网络设计了一种新的判别网络,促进了网络对图像纹理细节的学习,使得生成的清晰图像质量得到了显著提升。将文中方法与同类方法分别在测试集和真实数据上进行了定性定量的比较,实验结果表明,经文中方法去模糊后的图像具有更高的峰值信噪比和更丰富的细节信息。     

面向可穿戴生理信号的压缩感知实时重构

传统的迭代式压缩感知重构算法由于计算复杂度高,数据处理实时性差,难以在实际的可穿戴设备中发挥作用.该文结合深度学习中的一维扩张卷积和残差网络,提出了一种适用于可穿戴健康监护的非迭代式压缩感知实时重构算法.该方法基于大量生理信号数据训练一个用于压缩感知重构的网络模型,该模型可以对生理信号进行快速精确重构.通过在两个公开的...     

基于TensorFlow的车牌字符识别方法

全连接神经网络将车牌字符图像以一维矩阵的形式进行矩阵运算,忽略了图像自身的特性,且一旦图像像素过多,神经网络的参数规模会急剧增加,常规的神经网络很难训练.基于TensorFlow深度学习框架搭建一种卷积神经网络训练模型,在自制的大小为40×32像素点车牌字符灰度图像数据集基础上,使用搭建的神经网络模型训练得到较好的训练效果,利用多次卷积和池化层提取特征,与全连接神经网络相比极大减少节点数量,提高识别的精准度.通过不同识别算法的准确率对比可见,卷积神经网络对中文、英文和数字的识别更加准确,模型的鲁棒性和泛化能力有很大提高.     

基于多重多尺度融合注意力网络的建筑物提取

针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络（MMFA-Net）的高分辨率遥感影像建筑物提取方法. 该方法以U-Net为主体架构,设计2个模块：多重高效通道注意力（MECA）和多尺度特征融合注意力（MFA）. MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失. MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题. MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率. 将模型在WHU、Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F₁分数和IoU分别达到93.33%、87.50%;85.38%、74.49%和88.46%、79.31%.