煤矿井下非均匀照度图像去噪研究

煤矿综采工作面空间小、照明环境复杂多变,采煤过程中伴随着大量的粉尘、大雾,导致采集的图像出现曝光、细节特征减弱等问题,难以对井下照明区域光照强度过大的图像进行有效的特征提取。针对上述问题,提出了一种煤矿井下非均匀照度图像去噪算法。首先,将视频截取为图像,判断图像是否需要进行光照抑制,将需要进行光照抑制的RGB图像拆分通道,并计算每个通道的光照调节因子,实现图像的整体光照调节;然后,将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取,即将输入的图像转换为HSV空间图像,使用单尺度Retinex(SSR)算法对V通道图像中的光照分量进行单独处理,将V分量中的入射分量去除,保留反射分量,并对反射分量使用直方图均衡算法实现光照均衡化处理;最后,使用基于引导滤波的暗通道先验算法对经过光照处理后的图像进行去雾处理,并使用伽马校正函数重新调节亮度不均的图像。主观评价结果表明：提出的煤矿井下非均匀照度图像去噪算法有效抑制了因光照导致整体亮度较高的问题,且由于大雾、粉尘等因素导致图像模糊的部分更加清晰,图像的细节特征更加突出。采用信息熵、均值、标准差、空间频率4种评价指标对提出的算法效果进...     

基于多尺度特征提取与特征融合的交通标志检测

基于卷积神经网络的交通标志检测算法在对现实中复杂的交通场景图像进行交通标志检测时,难以同时解决定位和分类两项任务,并且目标检测领域相关算法所使用的公开数据集提供的图像和交通标志的种类不能满足现实交通场景中复杂的情况。建立一个新的道路交通标志数据集,在YOLOv4算法的基础上针对现实交通场景图像的复杂性和图像中交通标志尺寸差异较大的特点,设计多尺寸特征提取模块和增强特征融合模块,提高算法同时定位和分类交通标志的能力。在此基础上,对算法中不同的模块设置不同的参数进行对照实验,得到一组表现最优的参数,用于检测现实交通场景图片中的交通标志。在道路交通标志数据集上的实验结果表明,该算法相比基于卷积神经网络的同类型任务目标检测算法具有更高的检测精度,平均精度均值达到83.63%。     

基于边缘检测的Retinex图像增强算法

针对消除背景光照对图像的影响时出现的细节弱化、色彩失真的问题,提出了一种基于边缘检测的Retinex彩色图像增强算法。根据人类视觉特性从图像中提取亮度分量并检测边缘信息,在平滑点和边缘点处采用不同的模板估计背景光照,以避免强边缘处的光晕现象;通过调整图像中的背景光照比例提升局部对比度,并根据反射图像直方图自适应调整全局对比度;利用R、G、B通道及亮度分量的等价变换进行色彩恢复,以保证增强前后图像色调一致。实验结果表明,增强后的图像标准差提升了19.34%,信息熵增大了13.18%。     

基于域滤波的自适应Retinex图像增强

为了提高低照度图像的亮度和对比度,提出了一种新的基于Retinex理论的彩色图像增强方法。首先,基于Retinex理论,提出对HSV空间V分量进行域滤波估计图像光照分量,然后将V分量与光照分量相除得到反射分量的方法。之后,采用自适应Gamma校正对光照分量进行亮度提升,然后采用CLAHE对其进行对比度增强。最后,将亮度校正光照分量与反射分量相乘得到增强后的V分量,并将增强后的图像转化为RGB空间图像,达到彩色图像增强的目的。本算法可以获得更自然的增强效果,能抑制亮度较大像素点的增强,很好地突出图像中的细节信息,克服了图像增强中增强图像对比度低、颜色失真、过增强及光照突变处出现光晕现象等缺点。本算法对多种图像有效,例如高动态(HDR)图像、非均匀光照图像及低曝光图像。通过验证,本算法得到的结果相比于传统方法视觉效果更佳。     

基于OSTU的光照不均匀图像自适应增强算法

针对现有算法在增强光照不均匀图像暗区域时存在亮区域亮度失真的问题,提出了基于OSTU的光照不均匀图像自适应增强算法.首先,将图像的色彩空间由RGB转换至HSV,使用多尺度引导滤波算法计算出V分量的照度分量与反射分量,然后,通过OSTU法计算V分量的最佳分割阈值,根据该阈值设计出自适应调整照度分量不同区域的两条伽马曲线,...     

基于新型算子采样优化的交通标志检测网络

传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优化的交通标志检测网络。以新型算子作为基础架构,采用自卷积方式灵活提取不同通道的特征,并构建跨阶段注意力机制模块,以增加各通道特征的重要性权值,从而提高小目标的检测能力。通过改进的通道聚合网络实现多尺度语义信息与细节特征的融合与增强,同时利用K-means聚类算法生成更适合交通标志的先验框,在非极大值抑制算法中引入距离交并比函数对预测框进行后处理,避免错误抑制复杂场景下被遮挡的目标,从而提高定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%,与YOLOv5网络相比模型参数量减少了15.7%,在满足实时性的同时具有较优的小目标检测性能。     

基于改进Mask R-CNN的建筑钢筋尺寸检测算法

建筑施工现场钢筋图像背景复杂且干扰较多,传统图像检测算法无法有效利用特征信息,难以满足现阶段建筑智能监理行业中钢筋尺寸检测精度的验收要求。提出一种在Mask R-CNN模型基础上加入自下而上路径和注意力机制的改进模型BU-CS Mask R-CNN。在建筑工地现场拍摄图像后,整理自建钢筋数据集,并在此数据集上进行算法验证。实验结果表明,与Mask R-CNN模型相比,BU-CS Mask R-CNN模型的召回率、交并比和像素准确率分别提升了4.9%、6.8%、7.4%,钢筋直径和间距的尺寸检测精度分别提升了14.9%、4.4%,能得到更加准确的钢筋目标检测框和边缘分割掩膜,达到了行业中实际工程验收的精度要求。     

多尺度Retinex算法的分析与改进

传统Retinex算法中,从图像中完全去除亮度分量而使用反射分量来增强效果。通常图像光照变化并非平缓,使得结果图像视觉效果缺乏协调。对此提出一种改进的Retinex算法,通过再处理亮度分量,得到平缓的亮度图像并补偿到反射分量从而改善增强效果,使用均值模版代替高斯模版以减少计算的时间,同时利用拉普拉斯算子加入图像边缘细节特征。实验通过处理低对比度、低亮度的X光射线将改进的Retinex方法与其他各种增强算法进行对比。对实验结果的定性和定量分析表明了该改进算法的有效性。     

基于三分量色差法和Ostu法的交通标志检测

交通标志检测是交通标志识别的难点。在复杂的交通环境下,采用传统颜色空间的固定阈值分割进行交通标志检测的方法鲁棒性差,难以准确有效地检测出交通标志。提出了一种基于三分量色差法和Ostu法的交通标志检测方法。首先,通过计算图像R、G、B分量的差值来得到红、蓝、黄三种颜色分量,然后利用Ostu法分别对它们进行阈值分割,得到交通标志的检测结果。实验结果表明,该算法的检测准确率和实时性满足实际要求。     

改进YOLOv5的小目标交通标志实时检测算法

在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值（mean average precision,mAP）为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

一种多通道融合的交通标志检测方法

针对单纯利用RGB或HIS空间不能很好地检测出交通标志这一问题,提出一种多通道融合的交通标志检测方法。将图像转换至HIS空间,使用迭代的Otsu算法对饱和度进行阈值分割,以色相和饱和度信息为基础,结合RGB通道的颜色特征进行颜色聚类。利用水平和垂直投影获得交通标志的外接矩形,利用曲线拟合的最小二乘法定位交通标志并对其进行分类。研究结果表明,该方法可以准确地从背景图像中提取出交通标志,有效地解决存在亮度变化、噪声干扰、方位倾斜等情况的交通标志检测问题。     

基于聚类与Hough变换的交通标志检测方法

交通标志检测是进行交通标志识别系统的关键技术,提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理,然后利用改进的K-means聚类算法对彩色图像进行颜色分割,最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位,从而实现交通标志的检测.实验结果显示,该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%,优于同条件的算法且具有较高的实时性.     

基于进化ResNet的交通标志识别

卷积神经网络具有较优的图像特征提取性能,被广泛应用于交通标志识别领域。然而,现有交通标志识别算法通常基于专家经验设计改进的图像特征提取网络,需经历图像预处理和模型调参过程,导致模型的复杂度增大。提出一种基于进化ResNet的交通标志识别算法。将ResNet的构建参数嵌入到进化算法中,在架构搜索空间中以构建块作为基本单位,并将网络深度、卷积层通道数、池化层类型和模块构建顺序作为搜索空间的可变参数,利用交叉、变异等遗传算子执行自适应优化搜索,以确保进化搜索的有效性,同时设计适用于交通标志识别的轻量化网络。在德国交通标志数据集上的实验结果表明,该算法的识别精度达到99.41%,而参数量仅为2.37×10⁶,相比Multi-column DNN、MFC、MFC+ELM等算法,在保证识别精度的同时减少网络参数量。     

基于卷积神经网络的交通标志检测

针对自动驾驶场景下,提高交通标志检测速度和准确率的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的交通标志检测算法,与传统的图像检测算法相比拥有明显的优势。首先解析影响交通标志检测准确性的因素,并对算法提出了两项改进:使用101层的残差网络作为特征提取的基础网络以获得高精度的特征提取和物体检测,同时优化网络的区域候选框特征提取方式以提高交通标志图像的检测效果。在GTSDB德国交通标志检测基准数据集上的实验结果表明,该算法实现在复杂背景下交通标志的精准检测。     

基于多尺度局部直方图均衡化的矿井图像增强方法

针对当前常用的直方图均衡化、基于Retinex理论、基于同态滤波、基于小波分析等矿井图像增强方法存在欠增强、过增强等问题,提出了一种基于多尺度局部直方图均衡化的矿井图像增强方法。根据HSI颜色空间图像的颜色分量（色调分量、饱和度分量）与亮度分量相互独立特性,将矿井低照度RGB图像转换到HSI颜色空间;采用双边滤波将亮度分量分解为光照图像和反射图像;对光照图像进行小、中、大3个尺度分块,对图像块分别进行局部直方图均衡化处理,以提升图像亮度和对比度;对反射图像进行8方向梯度增强,以丰富图像的纹理边缘;将经多尺度局部直方图均衡化的光照图像和方向梯度增强的反射图像进行Retinex反变换,得到增强的亮度分量,将其与色调分量和饱和度分量转换至RGB颜色空间,得到增强的矿井图像。采用煤矿井下实际监控图像对基于多尺度局部直方图均衡化的矿井图像增强方法进行实验验证,对其增强效果进行主客观评价。结果表明：该方法与现有图像增强方法相比,在图像亮度和对比度方面均有更大的提升,细节信息更丰富,信息熵提升7.23%以上,平均梯度均值提升31.6%以上,具有更好的图像增强效果。     

基于自适应特性二维经验模式分解的Retinex彩色图像增强

提出一种彩色图像自适应增强方法：将图像从RGB色彩空间转化到HSV色彩空间并保持H分量不变,对亮度分量V通过自适应特性二维经验模式分解（ABEMD）估算其照度分量,再根据中心/环绕Retinex算法计算出反射分量,对照度和反射分量分别应用Gamma校正和Weber定律,并进行加权运算,基于全局特性自适应地调整S分量,并将图像从HSV色彩空间转化回RGB色彩空间。最后利用主观和客观的方法对实验结果进行了评价,实验表明了该算法在均值、方差、信息熵和清晰度方面均优于MSR算法和Meylan的算法。     

基于改进的Mask R-CNN的染色体图像分割框架

针对染色体图像的人工分割耗时费力且当前自动分割方法精度不佳的问题,基于改进的Mask R-CNN提出了一种染色体图像分割框架——Mask Oriented R-CNN,引入方向信息对染色体图像进行实例分割。首先,新增有向包围框回归分支,以预测紧实包围框并获取方向信息;然后,提出新的交并比（IoU）度量——角度加权交并比（AwIoU）,从而结合方向信息与边的关系以改进冗余包围框的判据;最后,实现有向卷积通路结构,通过拷贝掩模分支通路并依据实例的方向信息选择训练路径来减少掩模预测中的干扰。实验结果表明,相较于基准模型Mask R-CNN,Mask Oriented R-CNN在IoU阈值为0.5时的平均精度均值指标提升了10.22个百分点,IoU阈值为0.5~0.95时的平均指标提升了4.91个百分点。研究结果显示,Mask Oriented R-CNN框架相较于基准模型取得了更好的染色体图像分割结果,有助于实现染色体图像自动分割。     

优化特征提取的多目标交通标志检测方法

为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法.将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度.与原算法相比,使用该方法的准确率提高了5.8％,参数量减少了约94.2％,实验结果表明,该方法可以提高交通标志的检测精度并降低网络复杂度.     

基于细节特征融合的低照度全景图像增强

为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.