结合多尺度深度学习网络和Retinex理论的低光照图像增强算法

针对低光照增强任务缺乏参考图像及现有算法存在的色彩失真、纹理丢失、细节模糊、真值图像获取难等问题,本文提出了一种基于Retinex理论与注意力机制的多尺度加权特征低光照图像增强算法。该算法通过基于Unet架构的特征提取模块对低光照图像进行多尺度的特征提取,生成高维度的多尺度特征图;建立注意力机制模块凸显对增强图像有利的不同尺度的特征信息,得到加权的高维特征图;最后反射估计模块中利用Retinex理论建立网络模型,通过高维特征图生成最终的增强图像。设计了一个端到端的网络架构并利用一组自正则损失函数对网络模型进行约束,摆脱了参考图像的约束,实现了无监督学习。最终实验结果表明本文算法在增强图像的对比度与清晰度的同时维持了较高的图像细节与纹理,具有良好的视觉效果,能够有效增强低光照图像,视觉质量得到较大改善;并与其他多种增强算法相比,客观指标PSNR和SSIM得到了提高。     

一种特征自我保留的弱光图像增强方法

现有的多数图像增强方法通常整体增强亮度通道,会导致过度增强、细节丢失及颜色失真等问题。为克服这些问题,提出一种基于生成式对抗网络(Generative Adversarial Networks,GAN)和特征自我保留的弱光图像增强方法SFPGAN。首先从颜色、亮度及纹理3个方向评判生成图像的真实性,其次引入特征自我保留损失以保留原始图像的特征,最后使用含有一定量正常亮度和过度曝光的图像训练模型使模型获得较强的鲁棒性。大量实验证明,提出的方法在视觉质量和客观指标上都优于其他方法,并且更适应真实的图像。     

一种基于LCD-LED双调制显示器的HDR图像显示方法

提出一种针对HDR图像的显示方法,该方法应用于LCD-LED双调制高动态显示器,旨在使显示器更好地显示HDR图像要求的亮度细节,提高视觉质量。首先,建立HDR图像亮度与LED亮度范围对应关系,使用光扩散函数作为背光LED亮度取值范围的权重。然后,统计LED的亮度辐射区域内不同LED发光强度等级的权重,取权重最大者对应的亮度作为该背光LED亮度。最后,利用依据LED亮度生成LED背光扩散图像与HDR图像计算出LCD显示图像。仿真结果表明,该算法可以使显示器亮度失真率系数低至0.006以下。在LCD-LED双调制高动态显示器上实验验证结果表明,该算法可以有效提高图像的层次感,有效抑制LCD-LED双调制高动态显示器的"光晕"以及亮度截断现象,提高显示质量。     

基于多级特征补偿的遥感图像时空融合方法

在许多地球科学应用中要用到大量的高时空分辨力的地球观测数据。时空图像融合方法为产生高时空分辨力的数据提供了一种可行且经济的解决方案。然而,现有的一些基于学习的方法对于图像深层特征提取能力较弱,对于高分辨力图像细节特征利用度不够。针对这些问题,提出一种基于多级特征补偿的遥感图像时空融合方法。该方法使用2个分支进行多层级的特征补偿,并提出了融合通道注意力机制的残差模块作为网络的基本组成单元,可以将高分辨力输入图像的深层特征更为详尽地提取利用。提出一种基于拉普拉斯算子的边缘损失,在节省预训练计算开销的同时取得了很好的融合效果。使用从山东和广东2个地区采集的Landsat和中分辨力成像光谱仪(MODIS)卫星图像对所提出的方法进行实验评估。实验结果表明,提出的方法在视觉外观和客观指标方面都具有更高质量。     

基于显著计算与变分法的多尺度图像融合

在多尺度图像融合中,通常将图像进行多尺度变换,再对变换后的低频系数与高频系数采用一定的融合规则进行融合,然而融合规则的选择将影响图像的清晰度与融合质量.将视觉显著模型与变分法理论应用在多尺度图像的低频系数融合中,获取最优的融合系数组合,从而增强融合效果,通过对红外线与可见光图像、医学图像的融合实验表明,该方法能克服融合图像对比度偏低的缺陷,获取的图像能较好地保留源图像的显著目标信息,如形状、大小、色调、纹理等,特别是针对异源亮度差异较大的图像.在主观视觉感受与客观评价指标上都有所提升.     

改进的全卷积神经网络的脑肿瘤图像分割

针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的改进全卷积神经网络对预处理图像进行粗分割,并且在每个卷积层后加入批量正则化层以加快网络训练的收敛速度,提高训练模型精度;最后融合全连接条件随机场细化粗分割结果中的脑肿瘤边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好,利用训练模型平均1s内可完成单张脑肿瘤图像的分割。      

一种基于U-Net生成对抗网络的低照度图像增强方法

在低照度环境下采集的图像具有低信噪比、低对比度及低分辨率等特点,导致图像难以识别利用.为了提升低照度图像的质量,本文提出一种基于U-Net生成对抗网络的低照度图像增强方法.首先利用U-Net框架实现生成对抗网络中的生成网络,然后利用该生成对抗网络学习从低照度图像到正常照度图像的特征映射,最终实现低照度图像的照度增强.实验结果表明,与主流算法相比,本文提出的方法能够更有效的提升低照度图像的亮度与对比度.     

基于局部特征点配准的图像拼接算法

为解决尺度、视角、光照变化较大及存在噪声和模糊变化情况下的图像拼接问题,提出了一种具有较强鲁棒性的图像拼接方法。首先,根据Harris算法和SIFT算法各自的特点,提出了一种自适应的Harris-SIFT特征点提取方法,利用最邻近法完成图像间的特征点粗匹配;然后,应用随机抽样一致性(Random Sample Consensus,RANSAC)算法对粗匹配的特征点进行筛选,同时估计出透视变换模型的变换矩阵,并对相邻的两帧图像进行配准;最后,利用加权平均融合算法消除图像拼接处的缝合线,实现图像的高质量拼接。实验结果表明,该算法在提升SIFT算法鲁棒性的同时,还增强了图像拼接的效果,消除了图像亮度和色度差异的影响。     

基于局部特征点配准的图像拼接算法

为解决尺度、视角、光照变化较大及存在噪声和模糊变化情况下的图像拼接问题, 提出了一种具有较强鲁棒性的图像拼接方法。首先, 根据Harris算法和SIFT算法各自的特点, 提出了一种自适应的Harris-SIFT特征点提取方法, 利用最邻近法完成图像间的特征点粗匹配; 然后, 应用随机抽样一致性(Random Sample Consensus, RANSAC)算法对粗匹配的特征点进行筛选, 同时估计出透视变换模型的变换矩阵, 并对相邻的两帧图像进行配准; 最后, 利用加权平均融合算法消除图像拼接处的缝合线, 实现图像的高质量拼接。实验结果表明, 该算法在提升SIFT算法鲁棒性的同时, 还增强了图像拼接的效果, 消除了图像亮度和色度差异的影响。     

基于混合残差密集网络的电路板红外图像超分重建北大核心CSCD

红外图像普遍存在分辨率低、细节模糊和视觉效果差的问题,使其难于直接应用在PCB故障诊断系统中。针对这一问题,本文提出了一种可充分利用红外图像层次特征的混合残差密集网络超分辨率重建算法。首先,使用卷积神经网络提取原始低分辨率图像的浅层特征信息;其次,设计多路径混合残差密集连接块,进一步提取更丰富的深层特征信息;最后,引入全局特征融合与残差学习自适应的学习并整合全局特征信息,应用转置卷积上采样完成红外图像的超分辨率重建。实验结果表明,本文算法能够有效提高重建后红外图像分辨率,使细节信息得到改善、视觉效果得到提升。基于公共/自建数据集得到的重建后图像峰值信噪比和结构相似性指标分别达到42.17 dB/39.32 dB和0.9503/0.9466,优于文中列举的双三次内插法、SRCNN和ESPCN模型,重建性能得到明显提高。     

基于门控卷积神经网络的图像超分辨重建算法北大核心CSCD

近年来,卷积神经网络被广泛应用于图像超分辨率领域。针对基于卷积神经网络的超分辨率算法存在图像特征提取不充分,参数量大和训练难度大等问题,本文提出了一种基于门控卷积神经网络(gated convolutional neural network, GCNN)的轻量级图像超分辨率重建算法。首先,通过卷积操作对原始低分辨率图像进行浅层特征提取。之后,通过门控残差块(gated residual block, GRB)和长短残差连接充分提取图像特征,其高效的结构也能加速网络训练过程。GRB中的门控单元(gated unit, GU)使用区域自注意力机制提取输入特征图中的每个特征点权值,紧接着将门控权值与输入特征逐元素相乘作为GU输出。最后,使用亚像素卷积和卷积模块重建出高分辨率图像。在Set14、BSD100、Urban100和Manga109数据集上进行实验,并和经典方法进行对比,本文算法有更高的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM),重建出的图像有更清晰的轮廓边缘和细节信息。     

模态自适应的红外与可见光图像融合

为解决低照度和烟雾等恶劣环境条件下融合图像目标对比度低、噪声较大的问题,提出一种模态自适应的红外与可见光图像融合方法(mode adaptive fusion,MAFusion).首先,在生成器中将红外图像与可见光图像输入自适应加权模块,通过双流交互学习二者差异,得到两种模态对图像融合任务的不同贡献比重;然后,根据各模...     

低照度下具有动态特性的彩色图像质量优化算法

针对低照度环境下具有动态性的彩色图像辨识度相对较差的问题,提出了基于人类视觉感知模型的对比度分辨率补偿算法。首先,将图像从RGB空间转换到HSV空间,保持H分量不变;对V分量提取图像特征参数,然后对V分量进行对比度分辨率补偿,增强图像亮度;并对S分量进行线性拉伸,复原图像色彩信息;最后将处理后的V分量和S分量与H分量进行反变换生成RGB空间新图像。实验结果表明,该算法对低照度下具有动态性的彩色图像增强效果较好,较好地保持了图像的细节,取得了良好的视觉效果。     

基于双注意力机制的雾天图像清晰化算法研究

针对传统去雾算法容易依赖先验知识以及恢复出来的清晰图像会产生颜色失真等问题,本文提出一种基于双注意力机制的雾天图像清晰化算法。首先将雾图输入编码器,经过下采样后得到特征图像;特征提取模块将多个特征提取基本块联结在一起,每个基本块由局部残差学习和特征注意模块组成,提高图像质量以及图像特征信息的利用率,增加网络训练的稳定性;然后通过通道注意力与多尺度空间注意力并行的结构处理特征图像,使得网络更加关注细节特征,提取更多关键信息,同时提高网络效率;最后将融合后的特征图像输入解码器中,经过多级映射,得到与输入大小匹配的雾密度图。实验结果表明,不论是对合成雾天图像或者真实雾天图像,本文算法能够高效地进行去雾处理,得到更自然的清晰图像。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

改进的超分辨率图像重建算法

针对超分辨率卷积神经网络(SRCNN)卷积层较少、训练时间长、不易收敛且表达和泛化能力受限等问题,提出了一种残差反卷积SRCNN(RD-SRCNN)算法。首先利用不同大小的卷积核进行卷积操作,以更好地提取低分辨率图像中的细节特征;然后将获取的图像特征输入由不同大小卷积核构成的卷积层和指数线性单元激活层组成的残差网络,并通过短路径连接各个特征提取单元,以解决梯度消失、实现特征重用、减少网络冗余;最后,通过加入反卷积层增大感受野,得到清晰的高分辨率图像。实验结果表明,RD-SRCNN算法在视觉和客观评价标准上均取得了较好的效果。     

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。     

基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

Adaptive single image dehazing method based on support vector machine

A dehazing method often only shows good results when processing the image for a certain haze concentration. So an adaptive hazy image dehazing method based on SVM is proposed. The innovation points are as follows: Firstly, combining the characteristics of the degraded images of haze weather, the dark channel histogram and texture features of the input images are extracted to form the feature vectors. These are trained by supervised learning through SVM algorithm to realize automatic binary classification of images; Secondly, the defined dehazing methods are called to process the classified result as a hazy image and the same quality evaluation indexes are used to evaluate each image output by different dehazing methods. Then, it outputs the highest evaluation image after haze removal. Finally, the output image is classified again by SVM until the image reaches the clearest it can be. The experimental results show that the proposed algorithm exhibits good contrast, brightness and color saturation from the visual effect. Also the scene adaptability and robustness of the algorithm are improved.