图像分解与色彩先验下的多曝光图像融合

目的 多曝光图像融合（multi-exposure fusion，MEF）是利用一组不同曝光度的低动态范围（low dynamic range，LDR）图像进行合成，得到类似高动态范围（high dynamic range，HDR）图像视觉效果图像的过程。传统多曝光图像融合在一定程度上存在图像细节信息受损、边界不清晰以及部分色彩失真等问题。为了充分综合待融合图像的有效信息，提出了一种基于图像分解和色彩先验的双尺度多曝光图像融合方法。方法 使用快速导向滤波进行图像分解，分离出细节层对其进行增强处理，保留更多的细节信息，同时减少融合图像的光晕伪影；根据色彩先验，利用亮度和饱和度之差判断图像曝光程度，并联合亮度与饱和度之差以及图像对比度计算多曝光图像融合权重，同时保障融合图像的亮度和对比度；利用导向滤波对权重图进行优化，抑制噪声，增加像素之间的相关性，提升融合图像的视觉效果。结果 在24组多曝光图像序列上进行实验，从主观评价角度来看，该融合方法能够提升图像整体对比度及色彩饱和度，并兼顾过曝光区域和欠曝光区域的细节提升。从客观评价标准分析，采用两种不同的多曝光图像序列融合结果的质量评估算法，评价结果显示融合性能均有所提高，对应的指标均值分别为0.982和0.970。与其他对比算法的数据结果比较，在两种不同的结构相似性指标上均有所提升，平均提升分别为1.2%和1.1%。结论 通过主观和客观评价，证实了所提方法在图像对比度、色彩饱和度以及细节信息保留的处理效果十分显著，具有良好的融合性能。     

基于联合分布偏移差异的跨域滚动轴承 故障诊断方法

现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。 只注重实现源域和目标 域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。 为克服以上问题,提出一种基于联合分布偏移 差异(joint distribution offset difference, JDOD)的跨域滚动轴承故障诊断方法。 使用两个结构一致的卷积神经网络(CNN)分别 提取信号的时域与频域特征,获取更完整的故障信息。 提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对 齐。 在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了 99%以上的平均诊断精度。 实验结果表明联合分布偏 移差异有效提升了跨域故障精度。