带有偏差单元的IRN在两相流ECT中的应用

该文提出了基于带有偏差单元递归神经网络算法在电容层析成像系统的图像重建中的应用。该算法克服了电容层析成像系统中电容测量灵敏度分布易受被测多相流介质分布的影响,利用MATLAB编程对带有偏差单元的递归神经网络进行训练,给出了图像仿真结果。仿真结果表明,该算法在保证了重建图像质量的前提下,缩短训练时间,提高了成像速度,满足了工业实时性的要求。     

电容层析成像图像重建的新算法

对采用RBF神经网络的8电极电容层析成像系统的图像重建的方法进行了探讨。该神经网络采用遗传算法结合传统的最近邻聚类方法进行学习。仿真实验结果表明，该方法的成像精度及成像实时性较好。     

类支集神经网络在ECT图像重建中的研究与应用

以12电极电容阵列传感器ECT系统为背景,从图像重建的稳定性和速度两方面对密闭容器中气-固两相流场的图像重建算法优化进行实验室研究。将基于新型类支集函数的神经网络算法（NSSN）,应用于ECT系统图像重建算法中,使得图像重建算法的求解过程稳定并具有良好的计算性能。针对大规模神经网络算法训练速度较慢的问题提出了划分子网络的改进方法。通过对封闭管道的气固两相流进行数据检测,并采用改进后的神经网络算法进行图像重建,实验结果验证了改进后的方法弥补了大规模神经网络运算速度慢的不足,可以简化神经网络的结构,减少神经元的规模,为电容层析成像系统图像重建提供了新的思路。     

电容层析成像图像重建算法研究

图像重建算法是电容层析成像系统的关键技术之一,是改善重建图像质量的重要因素.在正则化的基础上提出了一种基于QR分解的电容层析成像算法,该方法首先将离散化和线性化处理后的电容层析成像物理模型进行Tikhonov正则化处理,然后将QR分解的思想引入电容层析成像方程中求解出初始图像,然后再对初始图像进行优化修正提高重建图像质量.成像结果表明,图像重建结果与实际相符,图像质量得到了改善.     

管路堵塞的电容层析成像可视化监测

利用电容层析成像技术实现粉体输运管路堵塞的可视化检测。介绍了电容层析成像系统中两个关键技术:电容/电压转换电路和图像重建算法。电容/电压转换电路采用交流激励型设计,电路具有较好的转换性能。图像重建算法采用正则化优化修正算法,该算法具有较好的成像质量。实验结果表明,系统能很好的提供管路堵塞状况信息。     

基于图像融合的电容成像

为提高电容层析成像系统重建图像质量,提出基于图像融合的电容成像方法.通过电磁场有限元仿真软件COMSOL构建ECT传感器模型进行仿真研究,分别通过共轭梯度算法和奇异值分解算法重建图像,运用基于小波变换的图像融合方法对图像进行处理.仿真及实验结果表明该方法有效改进了ECT图像质量.     

基于修正隐式Landweber方法的ECT图像重建算法

针对电容层析成像(ECT)技术中存在的软场效应及病态问题,提出一种基于修正隐式Landweber的电容层析成像算法。在分析电容层析成像系统基本原理的基础上,给出隐式Landweber方法解决ECT图像重建问题的求解公式,并对该公式进行迭代修正。同时对修正后的隐式Landweber电容层析成像算法的收敛性进行分析。仿真实验结果表明,修正隐式Landweber方法在解决ECT图像重建问题上,其精度与速度均优于经典Landerber、LBP等方法,且实现简单、稳定性好。     

基于局部能量的电容层析成像图像融合方法

针对电容层析成像技术的"软场"效应和病态问题对重建图像精确度的影响,在分析电容层析成像基本原理和成像算法的基础上,提出了一种基于局部能量的电容层析成像图像融合方法。该方法以线性反投影、Landweber和共轭梯度算法作为图像重建的基础,利用各个图像的互补特性,经对重建的图像小波分解后,分别采用基于局部能量和加权平均算子融合规则对分解后图像的高频系数和低频系数进行图像的融合,得到准确度更高的成像结果。仿真实验结果表明,融合后成像精确度得到明显提高,缩小了误差,图像更接近原型,为ECT图像重建的研究提供了一个新的方法。     

一种改进的代数神经网络电阻层析成像图像重建算法

本文以16电极的ERT系统为背景,从图像重建的稳定性和速度两方面对两相流场的图像重建算法优化进行实验室研究。针对电阻层析成像系统存在的软场特性、强非线性和不适定性,重建的图像质量差、计算时间长等问题。采用了一种将基于类支集函数的代数神经网络算法,将图像重建转变为一个严格对角占优的线性方程组的求解问题,以达到图像快速、准确的重建目的,该算法的求解过程稳定并具有良好的计算性能。同时针对大规模神经网络算法训练速度较慢的问题提出了分区域求解的改进方法。通过实验仿真分析,改进后的算法具有简化神经网络结构,比大规模神经网络运算速度快,误差小等优点,为电阻层析成像系统图像重建提供了新的有效方法。     

电容层析成像技术在油/气两相流可视化监测中应用

介绍电容层析成像系统的基本原理，着重介绍了一种基于正则化修正的图像重建算法，危重利用电容层析成像系统进行油／气两相流成像实验，初步的实验结果表明，采用该技术可以较好地实现对油／气两相流可视化监测。     

基于深度卷积神经网络的图像重建算法

视频或者图像在传输过程中,可能出现随机性的误码、突发性的误码、传输中的丢包等等,对解码出的图像数据也会有严重的影响.本文提出了基于深度学习的图像重建算法：一种基于图像背景预测生成模糊区域内容的无监督图像重建神经网络模型.为了重建出逼真的图像,神经网络模型需要既理解整个图像的内容,又为缺失的部分重构出一个合理的假设.损失函数包含标准像素级重建损失和对抗损失,在训练卷积神经网络模型时,能够更好地处理图像中的结构细节产生更清晰的结果.通过实验可以发现本文设计的深度卷积神经网络模型与基于样本插值的算法相比在图像重建中有着较好的效果.     

基于卷积盲降噪的混合式核磁共振成像

为了解决图像压缩感知重建研究领域中通过有效的图像先验信息重构与原图相似性高且保留细节消除伪影的高质量图像的问题, 针对不足采样的K空间数据, 在经典的CNN算法CBDNet算法的基础上, 通过融合深度学习先验信息及传统图像恢复各自优势的方法, 研究了基于深度神经网络去噪先验和BM3D块压缩感知算法的混合式重构算法. 该算法采用交互式方法训练多尺度残差网络抑制噪声水平, 借优化选择的方式将深度学习与传统块匹配多尺度结合以提取图像不同尺度的特征数据从而实现抑制伪影、快速重建高质量MRI. 实结果表明深度学习结合BM3D在MR图像重构领域能够有效降低伪影保留细节信息, 加强重构效果. 与此同时, 通过采用GPU的加速运算, 算法的计算复杂度较使用单一算法并未增加很多. 可见基于卷积盲降噪的混合式核磁共振成像效果更佳.     

基于超分辨率和深度神经网络的车型识别

车型识别在视频监控系统中起着关键作用,文中利用深度神经网络和超分辨率来实现交通监控中的车型识别。利用深度卷积神经网络CaffeNet,并采用先进的深度学习框架CAFFE和具有强大计算能力的GPU来完成对车辆的车型识别。在图像预处理阶段,采用一种基于深度学习和稀疏表示的图像超分辨率(SR)重构算法,来增强图像的细节信息。其中首先基于深度学习模型自编码器,提出一种改进模型非负稀疏去噪自编码器(Nonnegative Sparse Denoising Auto-Encoders,NSDAE)来实现字典的联合学习,然后基于稀疏表示实现车辆图像的超分辨率重构。经实验验证,在加入超分辨率处理之后,车型识别效果在精确度上得到了明显的提升。     

基于反馈机制的图像超分辨率重建算法

现有的图像超分辨率重建方法充分利用了强大的深度学习模型,但忽略了人类视觉系统中普遍存在的反馈机制。提出一种新型图像超分辨率重建算法,通过具有约束条件的递归神经网络中包含的隐藏状态实现反馈机制,旨在处理网络间的反馈连接并生成更具说服力的高级表示形式,提供更多的上下文信息,从而帮助低分辨率图像完成高分辨率图像的重建。此外,具有较强早期图像重建能力的反馈网络可逐步生成最终的高分辨率图像。为解决低分辨率图像因多种类型的退化而导致的细节损失问题,引入课程学习策略,使网络适用于更复杂的任务,提升模型的鲁棒性。实验结果表明,该算法能有效提升图像超分辨率重建的准确性,与SRCNN、VDSR、RDN等算法相比,其PSNR值最高提升了7.15 dB。     

改进的生成对抗网络图像超分辨率重建

近年来,生成对抗网络在约束图像生成方面表现出了较好的潜力,使其适用于图像超分辨率重建。针对基于卷积神经网络的图像超分辨率重建算法存在的特征信息利用率低的问题,基于生成对抗网络框架,提出了残差密集生成对抗网络的超分辨率重建算法。该算法定义生成器网络、判别器网络,通过构建残差密集网络作为生成器网络及PatchGAN作为判别器网络,以解决基于卷积神经网络的超分辨率算法中特征信息利用率低以及生成对抗网络收敛慢的问题。该重建算法在Set5等标准数据集上与主流的超分辨率重建算法进行对比,实验表明,该算法能够有效地提高特征信息利用率,较好地恢复低分辨率图像的细节信息,提高图像重建的质量。     

用神经网络实现NURBS曲面重构

曲面重构问题是几何逆向工程中的首要问题,为了获得物体的几何模型(某些物体可能发生部分损坏)需要从大量的测量点构造曲面。该文采用了一个神经网络模型和相应的快速学习算法应用于曲面重建。该模型可以有效地逼近曲面并剔除输入数据点中的“坏”点。     

基于轻量密集神经网络的医学图像超分辨率重建算法

医学图像的清晰与否直接影响临床诊断。由于成像设备与环境因素的限制,往往不能直接获得高分辨率的图像,且大多数智能终端的硬件并不适合运行大规模深度神经网络模型,因此提出一种拥有较少的层和参数的轻量密集神经网络模型。首先,网络中使用密集块和跳层结构进行全局和局部图像特征学习,并将更多特征信息传入激活函数,从而使网络中浅层低级的图像特征更容易传播到高层,由此提高医学图像超分辨率重建的质量;然后,采用分阶段方法训练网络,并以双任务损失加强网络学习中的监督指导,从而解决高倍图像超分辨率重建导致的网络训练难度增加的问题。实验结果表明,与最近邻（NN）插值、双线性插值、双立方插值、基于卷积神经网络（CNN）的算法以及基于残差神经网络的算法相比,所提模型能更好地重建出医学图像的纹理细节,获得更高的峰值信噪比（PSNR）和结构相似性（SSIM）,在训练速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

基于对偶回归和注意力机制的图像超分辨率重建网络

针对单幅图像超分辨率(single image super-resolution, SISR)重建算法存在低分辨率图像(LR)到高分辨率图像(HR)的映射学习具有不适定性,深层神经网络收敛慢且缺乏对高频信息的学习能力以及在深层神经网络传播过程中图像特征信息存在丢失的问题.本文提出了基于对偶回归和残差注意力机制的图像超分辨率重建网络.首先,通过对偶回归约束映射空间.其次,融合通道和空间注意力机制构造了残差注意力模块(RCSAB),加快模型收敛速度的同时,有效增强了对高频信息的学习.最后,融入密集特征融合模块,增强了特征信息流动性.在Set5、Set14、BSD100、Urban100四种基准数据集上与目前主流的单幅图像超分辨率算法进行对比,实验结果表明该方法无论是在客观质量评价指标还是主观视觉效果均优于对比算法.     

深度学习的单幅图像超分辨率重建方法综述

图像超分辨率重建即使用特定算法将同一场景中的低分辨率模糊图像恢复成高分辨率图像。近年来,随着深度学习的蓬勃发展,该技术在很多领域都得到了广泛的应用,在图像超分辨率重建领域中基于深度学习的方法被研究的越来越多。为了掌握当前基于深度学习的图像超分辨率重建算法的发展状况和研究趋势,对目前图像超分辨率的流行算法进行综述。主要从现有单幅图像超分辨算法的网络模型结构、尺度放大方法和损失函数三个方面进行详细论述,分析各类方法的缺陷和益处,同时通过实验对比分析不同网络模型、不同损失函数在主流数据集上的重建效果,最后展望基于深度学习的单幅图像超分辨重建算法未来的发展方向。