深度学习和迭代量化在图像检索中的应用研究

基于内容的图像检索的关键在于对图像进行特征提取和对特征进行多比特量化编码 。近年来,基于内容的图像检索使用低级可视化特征对图像进行描述,存在“语义鸿沟”问题;其次,传统量化编码使用随机生成的投影矩阵,该矩阵与特征数据无关,因此不能保证量化的精确度。针对目前存在的这些问题,本文结合深度学习思想与迭代量化思想,提出基于卷积神经网络VGG16和迭代量化(Iterative Quantization, ITQ)的图像检索方法。使用在公开数据集上预训练VGG16网络模型,提取基于深度学习的图像特征;使用ITQ方法对哈希哈函数进行训练,不断逼近特征与设定比特数的哈希码之间的量化误差最小值,实现量化误差的最小化;最后使用获得的哈希码进行图像检索。本文使用查全率、查准率和平均精度均值作为检索效果的评价指标,在Caltech256图像库上进行测试。实验结果表明,本文提出的算法在检索优于其他主流图像检索算法。      

基于显著性候选区域的遥感船舶检测算法

针对遥感船舶检测任务场景中与海面颜色相似船舶显著值低以及海岸线、岛屿等背景干扰问题,提出一种基于显著性候选区域的遥感船舶检测算法.首先,该算法采用脉冲耦合神经网络将根据改进频率调谐显著性检测与Hessian矩阵边缘检测得到的两种显著图相融合得到总显著图,以提高与海面背景颜色相近船舶的显著值,从而提取有效的船舶候选区域切片;然后,利用迁移VGG16网络提取数据集特征训练SoftMax分类器,以鉴别该候选区域切片,分离候选区域中可能存在的背景干扰,从而实现船舶目标检测.试验结果表明,所提算法具有良好的准确性.     

基于全卷积网络的语义显著性区域检测方法研究

基于底层视觉特征和先验知识的显著性区域检测算法难以检测一些复杂的显著性目标,人的视觉系统能分辨这些目标是由于其中包含丰富的语义知识.本文构建了一个基于全卷积结构的语义显著性区域检测网络,用数据驱动的方式构建从图像底层特征到人类语义认知的映射,提取语义显著性区域.针对网络提取的语义显著性区域的缺点,本文进一步引入颜色信息、目标边界信息、空间一致性信息获得准确的超像素级前景和背景概率.最后提出一个优化模型融合前景和背景概率信息、语义信息、空间一致性信息得到最终的显著性区域图.在6个数据集上与15种最新算法的比较实验证明了本文算法的有效性和鲁棒性.     

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。     

改进的综合BTC颜色矩和DT-CWT的图像检索算法

特征提取是基于内容的图像检索中的关键技术.针对基于单一特征检索效果不理想的问题,提出一种改进的综合颜色和纹理特征的图像检索算法.该算法在YIQ颜色空间中进行特征提取,首先结合方块编码(BTC)的思想,提取颜色矩作为颜色特征;采用双树复小波变换(DT-CWT)提取纹理特征,融合两种特征并利用相似性度量方式进行图像检索.实验结果表明算法所提取的颜色、纹理特征更利于检索,使用综合特征检索的平均查准率比同类算法更高.     

基于残差密集连接与注意力融合的人群计数算法

现有人群计数算法采用多列融合结构来解决单一图像的多尺度问题,但该处理方法不能有效利用低层特征信息,从而导致最终人群计数结果不准确。针对这一缺陷,文中提出一种基于残差密集连接与注意力融合的人群计数算法。该算法的前端利用改进VGG16网络提取低级特征信息。算法后端主分支基于残差密集连接结构,利用残差网络和密集网络结合方式捕获层与层间的特征信息,可高效捕获多尺度信息。侧分支通过引入注意力机制,生成对应尺度注意力图,有效区分特征图的背景和前景,降低了背景噪声的影响。采用3个主流公开数据集对该算法进行验证。实验结果表明,该算法计数有效且计数准确率优于其他算法。     

基于SURF分割圆形区域的图像拼接

针对SURF(Speeded Up Robust Features)算法在图像拼接过程中配准精度低和运算复杂度较高的问题,提出了一种基于SURF分割圆形区域的图像拼接方法.首先,对图像进行特征点的检测和提取过程中,在传统SURF算法的基础上采用了分割圆形区域提取描述符;接着,计算了区域归一化的灰度均值和韦伯局部描述细节信息,形成新的描述符;然后,通过改进的RANSAC(RandomSample Consensus)算法对每个模块的误匹配点进行消除,得到精确的匹配特征点.实验结果表明,相较基于改进的SURF算法的图像拼接,该方法匹配正确率平均提高了6.05％,拼接时间平均减少了24.47％,匹配速度和效果有了较大提升,基本满足图像拼接速度快、精准度高、稳定可靠等要求.     

基于多目标区域的图像检索

针对传统的基于目标区域的图像检索算法中存在的"语义鸿沟"问题,以及基于全局特征的图像检索算法不能很好地处理多目标检索问题,提出了一种基于多目标区域的图像检索模型,并实现了一款高效的检索算法.首先借助于目标检测算法定位出图像中的目标,然后使用卷积神经网络(CNN)提取各个目标的特征,最后采用新提出的多目标区域相似度测量方法计算其与数据库图像的相似度并返回检索结果.实验表明,所提算法与现有的其他检索算法相比,在多目标图像检索任务上性能更佳.     

基于感兴趣区域的图像检索方法

提出了一种新的基于感兴趣区域的图像检索算法。首先基于多曲率多项式提取图像显著点,并依据显著点提取图像感兴趣区域,然后基于感兴趣区域的颜色和纹理特征进行图像检索。实验结果表明该方法可有效地提取图像感兴趣区域,并取得了较好的检索效果。     

基于圆形感兴趣区域的图像检索算法

传统的基于内容的图像检索系统在检索时往往通过获取整幅图像的全局特征进行计算,必然含有一些冗余信息,从而给检索带来过多的计算量和不准确性。因此将检索的区域范围从全局缩小到局部,提出一种改进的图像感兴趣区域提取算法。首先使用Harris算法提取出图像的显著点,通过对显著点进行条件筛选截取出一个圆形感兴趣区域,然后对该区域提取多种特征并进行归一化处理,最后用距离函数实现图像间的相似度比较。实验结果表明,所提算法能够对图像的感兴趣区域进行有效提取,提高了运行效率,同时获得了较好的检索效果。     

改进蚁群算法在空调冷冻水系统中的应用研究

针对空调冷冻水系统存在的时间滞后、多干扰等特点和传统PID控制器控制效果不佳等问题进行了控制策略的优化。将改进蚁群PID控制器应用于冷冻水系统中,并对蚁群算法在寻优时易出现的停滞现象进行改进。最后,通过Matlab软件进行仿真实验,表明了基于改进蚁群算法PID控制的冷冻水系统有效地改善了控制环节的惯性大、时间滞后等问题,提高了系统的准确性与稳定性。     

基于U2-Net和VGG16的天然气泄露检测

目前在深度学习领域很少以天然气泄露图像为数据进行研究,本文使用甲烷红外图像训练的卷积神经网络(VGG16)来实现泄露检测。另外,针对泄露的甲烷气体与背景图像存在相似性的问题,使用U²-Net图像分割网络代替背景建模方法来提取泄露气体区域。通过迁移VGG16网络模型结构和卷积层参数,在卷积层和激励层之间加入BN层以提高训练速度,将最后一层池化层替换为基于最大池化算法的动态自适应池化方法以提高检测精度。将改进的VGG16神经网络对分割的红外图像进行训练并与其他卷积神经网络进行对比,使用准确率,精准率,召回率和F1-score来对模型进行综合评价,其表现效果最好。与现有的检测方法进行对比,所提出的检测方法准确率更高。该检测方法能够实现高精度泄漏检测,满足天然气泄露检测准确性的要求,且模型具有较好的泛化能力和鲁棒性。     

基于蚁群算法的集成电路无网格布线

蚁群算法[1]作为一种较新的进化类方法，目前已经在若干领域取得了成功的应用，诸如：旅行商问题、二次分配问题、通讯网络中的路由问题以及负载平衡问题、大规模集成电路设计等。本文提出了一种基于蚁群算法的集成电路无网格布线算法。对于给定的布线平面，该算法首先由障碍图形和各个线网的端点生成一个包含最短路径的访问点阵，建立初始信息索矩阵，然后利用蚁群算法所特有的路径寻优功能来找到当前布线路径上的最短路径。同时本文在路径搜索过程中引入了引力的概念，使得蚁群在引力的作用下以较快的速度找到目标端点。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network,FPN）常被用作合成孔径雷达（Synthetic Aperture Radar,SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。     

Massive-scale visual information retrieval towards city residential environment surveillance

Urban residential environment surveillance plays an important role in modern intelligent city. Satellite images have been applied in various fields, and the analysis and processing of satellite images has become an important means to obtain the information perceived by satellites. This paper focuses on city residential environment surveillance based on massive-scale visual information retrieval. Since the shortcomings of low contrast, blurred boundary, large amount of information and susceptibility to noise, the performance of satellite image segmentation is not satisfactory, which will affect residential environment surveillance. We design an improved rough set fuzzy C-means clustering algorithm combined with ant colony algorithm. More specifically, satellite images are classified based on the gradient of pixels according to the indistinguishable relation of the image combined with rough set theory. Then, the traditional fuzzy set-based fuzzy C-means clustering algorithm is applied to the satellite image segmentation technology. Subsequently, the improved algorithm-quantum ant colony algorithm and rough set fuzzy clustering C-means algorithm are combined to achieve accurate segmentation of satellite images. Afterwards, we propose a satellite image retrieval algorithm, which can assist city residential environment surveillance. Comprehensive experiment show that our proposed method is effective and robust in residential environment surveillance.     

一种基于多尺度点状目标建模的检测算法

为了解决点状小目标传统建模检测算法易受小目标自身暗淡呈点状的影响，在检测过程中小目标丢失或背景信息被误检成目标的问题，采用一种更加有效的多尺度点状小目标建模算法，对背景和可疑目标进行建模，得到了可疑目标图像。使用一种阈值分割算法，将真实目标从可疑目标中提取出来，进行了理论分析和实验验证。结果表明，该算法在同一数据集下，相对其它算法检测到点状小目标的轨迹更加接近真实轨迹。该研究对提高小目标检测效果的精度是有帮助的。     

基于像素基因算法的图像显著区域检测研究

针对图像显著区域检测的特点,提出像素基因算法.首先在基因模型中把基因单元映射为图像区域;接着基因表达值把基因分类,对图像某个特征值图像区域产生的不确定信息的熵统计期望值,计算特征值减少系统熵值的不确定性的能力;最后采用基因相对称的邻接矩阵统计区分为显著、非显著区域.实验仿真结果显示本文算法对图像特征提取丰富,召回率、准确率较高.     

移动机器人非结构场景图像边缘检测算法

针对非结构场景没有规则形状,传统算法不易识别以及红外图像对比度低很难区分灰度值相近的道路、水、天等目标的难点,提出了一种新的改进蚁群算法;新算法针对复杂背景图像的微弱边缘检测问题,围绕现有蚁群算法的关键步骤,从两个方面对其进行了改进,一是对信息素的表达式进行了改进,二是改进了启发信息值的计算方法;通过实例对新算法进行了验证,结果表明,新算法具有边缘检测位置准确、连续性好且干扰少的优点。