Non-Local DWI Image Super-Resolution with Joint Information Based on GPU Implementation

Since the spatial resolution of diffusion weighted magnetic resonance imaging (DWI) is subject to scanning time and other constraints, its spatial resolution is relatively limited. In view of this, a new non-local DWI image super-resolution with joint information method was proposed to improve the spatial resolution. Based on the non-local strategy, we use the joint information of adjacent scan directions to implement a new weighting scheme. The quantitative and qualitative comparison of the datasets of synthesized DWI and real DWI show that this method can significantly improve the resolution of DWI. However, the algorithm ran slowly because of the joint information. In order to apply the algorithm to the actual scene, we compare the proposed algorithm on CPU and GPU respectively. It is found that the processing time on GPU is much less than on CPU, and that the highest speedup ratio to the traditional algorithm is more than 26 times. It raises the possibility of applying reconstruction algorithms in actual workplaces.     

一种基于MOD字典学习的图像超分辨率重建新算法

将低分辨率图像重建成高分辨率图像是图像处理领域中的一个重要课题。Yang提出一种基于联合字典学习的图像超分辨率重建算法,其算法样本选取与字典训练方法较为复杂。提出一种基于MOD字典学习的图像超分辨率重建新算法,首先采用少量的训练样本代替Yang的大量训练样本,然后使用MOD字典学习算法代替Yang的FFS字典学习算法,最后利用字典对图像进行稀疏表示与重建。实验结果表明,所提出的算法速度较快,并且重建图像的质量较高。     

基于BP神经网络的数码相机颜色特征化

以色度学理论和神经网络为基础,在综合比较数码相机颜色特征化方法之后,采用了基于BP神经网络的颜色特征化方法。利用MATLAB实现了从RGB到XYZ及Lab的颜色空间转换,比较了2种转换模型的精度,统计分析了该模型产生训练误差和测试误差的主要原因,验证了RGB→Lab转换算法是一种较优和可靠的方法。     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

基于事件相机的人体动作识别方法

现有的人体动作识别方法是以固定的时间间隔分割事件数据作为虚拟帧,没有充分利用事件相机的异步输出特性,针对此不足,提出了一种直接处理事件数据的方法。首先,使用事件相机获取常见的9种人体动作数据,采取滤波、网格降采样的方式进行预处理,去除噪声且减少模型的输入数据量;然后,利用共享的卷积核对特征事件进行并行卷积操作,提取动作空间特征;最后,对人体动作实现分类识别。实验结果表明:在一般光照下,动作平均识别准确率为91.3%,不同光照对该方法的准确率影响较小,还具有训练时间快、参数量小的优点。     

Multi-Directional Reconstruction Algorithm for Panoramic Camera

of view. It can be applied in virtual reality, smart homes and other fields as well. A multi-directional reconstruction algorithm for panoramic camera is proposed in this paper according to the imaging principle of dome camera, as the distortion inevitably exists in the captured panorama. First, parameters of a panoramic image are calculated. Then, a weighting operator with location information is introduced to solve the problem of rough edges by taking full advantage of pixels. Six directions of the mapping model are built, which include up, down, left, right, front and back, according to the correspondence between cylinder and spherical coordinates. Finally, multi-directional image reconstruction can be realized. Various experiments are performed in panoramas (1024×1024) with 30 different shooting scenes. Results show that the azimuth image can be reconstructed quickly and accurately. The fuzzy edge can be alleviated effectively. The rate of pixel utilization can reach 84%, and it is 33% higher than the direct mapping algorithm. Large scale distortion is also further studied.     

基于拉普拉斯金字塔的图像压缩与重构研究

目的研究利用深度学习辅以拉普拉斯金字塔来完成图像压缩与重构。方法利用卷积神经网络提取图像的主要特征,利用双三线性插值法来减少特征尺寸,使用拉普拉斯金字塔来构建分层体系,从而逐步地减少图像大小以达到压缩的目的。在重构端上,对此系统则进行卷积操作,并采用上采样过程,进行图像的恢复重构过程,得到重构图。结果采用来自法国贝尔实验室的set 5与set 14数据集进行验证,使用2层金字塔即在16倍的高倍率压缩下进行实验结果验证,结果表明在主观评价上使用深度学习的方法在清晰度和还原度上要优于PCA,DCT和SVD,同时在客观评价上文中方法取得了标准差(52.73)与信息熵(7.44)的最好结果,高于PCA的49.70与7.38。SVD变换法与DCT变换法,在标准差上只有48.69和49.02,远不如文中方法,同时图片的信息熵只有7.34与7.35,低于文中的7.44。结论利用拉普拉斯金字塔结构来设计卷积神经网络结构来完成图像压缩与重构取得了不错的效果。     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

一种新的超分辨率图像重建算法

超分辨率重建是提高图像分辨率的一种方法.根据图像分层变换和插值处理的特点,提出了一种将分层子带变换S+P变换(序列变换加预测运算)和插值算法相结合的超分辨率重建算法.该方法首先对图像序列进行运动估计和运动补偿,然后再对配准后的图像序列进行S+P变换,并对分解得到的高频子带进行插值,最后通过S+P逆变换得到超分辨率图像....     

基于成像条件校正的光谱重建方法

目的 提出一种基于成像条件校正的光谱重建方法,以实现数码相机面向开放环境的光谱重建应用.方法 以参考白板为成像条件校正的媒介,首先在参考成像条件下建立光谱重建矩阵,然后将开放环境下测量对象的图像向参考成像条件进行转换,最后利用参考成像条件下建立的光谱重建矩阵对测量对象进行光谱重建.结果 以仿真成像系统和开放环境常见光源为基础,利用3组实验样本对方法进行了检验.实验结果表明,3组样本的总体平均光谱误差和色差分别为2.42和2.73.结论 基于成像条件校正的光谱重建方法总体上保持了较好的光谱重建精度,验证了方法的理论有效性.     

采用细胞神经网络快速校正生物芯片图像倾斜

倾斜校正是全自动生物芯片图像处理必不可少的环节。针对以往倾斜校正算法耗时过长,本文提出一种快速倾斜校正算法。算法首先用细胞神经网络（CNN）寻求各个样点的中心,然后进行Hough变换,再计算方差来寻求倾斜角,最后利用CNN灰度图像旋转模板进行倾斜校正。本算法利用了细胞神经网络并行处理的特性,并充分考虑了生物芯片图像的特点。理论分析与试验结果显示本文算法能够准确高速地完成倾斜校正。     

一种基于智能优化的摄像机标定方法研究

针对现有包装设备上对摄像机标定中传统优化算法存在的缺点,如对初始值敏感、收敛性差、易陷入局部最优解等,研究了量子粒子群优化算法在摄像机标定中的应用,提出了一种基于智能优化的摄像机标定方法,并给出了具体的步骤。实验结果表明该标定方法可以克服传统算法的不足,具有较高的精度,可以满足计算机视觉在包装工程中的应用。     

一种基于宽度学习的高精度光谱重建方法

目的 研究一种更有效的光谱重建方法,以提升光谱重建的精度。方法 文中提出一种基于宽度学习的光谱重建方法,以包含1 269个色块的孟塞尔亚光数据集和包含289个色块的Agfa IT8.2数据集为实验样本,利用商用彩色数码相机的模拟系统对所提方法进行验证,以光谱均方根误差、光谱拟合优度系数和2种色差公式为算法评价指标,并与现有的光谱重建方法进行了对比。结果 实验结果表明,该方法可实现的平均均方根误差低至0.4%,平均光谱拟合优度系数达到99.9%,平均色差低至0.147和0.112,光谱精度和色度精度都明显优于其他2种方法。结论 基于宽度学习的光谱重建算法可以有效地提高光谱重建的精度,能够实现更高精度的光谱颜色表征和再现的要求。     

基于可变形卷积的双目视觉三维重建

提出一种基于可变形卷积的立体匹配算法来进行双目视觉三维重建。首先,采用二维可变形卷积对输入的左右两幅图像进行特征提取;然后,利用三维可变形卷积,在匹配代价空间中有效地聚合两个图像之间的相关特征;最后,采用3个阶段级联残差学习的方式来降低匹配代价空间的参数计算量,以达到快速匹配的实时要求。根据该算法原理完成了视差深度图的检测,并通过Open3D重建三维物体。实验结果表明:该算法的参数量为0.5×10⁶,运行时间只需0.02s,生成的视差图精度较高,三维重建效果较好。     

利用 OpenGL 实现 ICT 断层图像的三维重建

基于ICT断层图像的三维重建是实现实物反求的重要途径之一．本文提出了一种基于Delaunay三角剖分思想的表面重建方法．并采用OpenGL结合VC 6．0来实现ICT图像的三维重建．最后给出了仿真结果与实际实验结果．     

基于BP神经网络的ECT图像重建算法

针对电容层析成像图像重建问题的病态性,利用COMSOL软件建立系统模型,并结合MATLAB实现正问题的求解。依据BP神经网络所具有的理想的非线性映射和联想记忆功能实现了由检测电容值到重建图像灰度值之间的非线性映射,避免了传统算法中对灵敏度矩阵求解的繁琐,克服了因线性化处理所导致的成像精度低的缺点。在MATLAB平台下,采用2种滤波方法进行滤波,对图像增强修复,提高了图像质量。     

基于一新型数码照相机照相物镜的研制

介绍一种新型数码照相机照相物镜的研制过程。其光学系统总长≤55mm,焦距59．9mm,相对孔径1/4．8。此物镜结构简单,后工作距离大。检测证明该物镜成像质量符合设计要求。     

双目视觉摄像机神经网络标定方法

摄像机标定是精密视觉测量的基础。为了描述双目视觉中三维空间物点坐标和两个摄像机像面像点坐标间的非线性关系,传统的标定方法需要建立复杂的数学模型。而神经网络可以有效地处理非线性映射问题,笔者介绍了一种BP(ErrorBackPropagation)神经网络,并且为了提高网络的学习能力引入了动态因子。用相同的参考数据,将神经网络标定方法与线性标定方法比较,实验结果表明基于神经网络的双目视觉标定方法能获得较高的标定精度。     

A Recommendation System Based on Fusing Boosting Model and DNN Model

In recent years, the models combining traditional machine learning with the deep learning are applied in many commodity recommendation practices. It has been proved better performance by the means of the neural network. Feature engineering has been the key to the success of many click rate estimation model. As we know, neural networks are able to extract high-order features automatically, and traditional linear models are able to extract low-order features. However, they are not necessarily efficient in learning all types of features. In traditional machine learning, gradient boosting decision tree is a typical representative of the tree model, which can construct new features related before and after tree. Convolutional neural networks have a better perception of local features. In this paper, we take advantage of convolutional networks to capture the local features. The features are constructed by the node leaf of gradient boosting decision tree. This paper employs the tree leaf node to mine the user behavior path features, and uses the deep model to extract the user abstract features. Based on a Kaggle competition, our model performs better in the test data than any other model.     

Median Filtering Forensics Scheme for Color Images Based on Quaternion Magnitude-Phase CNN

In the paper, a convolutional neural network based on quaternion transformation is proposed to detect median filtering for color images. Compared with conventional convolutional neural network, color images can be processed in a holistic manner in the proposed scheme, which makes full use of the correlation between RGB channels. And due to the use of convolutional neural network, it can effectively avoid the one-sidedness of artificial features. Experimental results have shown the scheme’s improvement over the state-of-the-art scheme on the accuracy of color image median filtering detection.