多尺度密集连接注意力的红外与可见光图像融合

针对现有红外与可见光图像融合时,融合结果存在细节信息丢失、特征提取不足等问题,提出了一种多尺度密集连接注意力的红外与可见光图像融合深度学习网络模型。首先,设计多尺度卷积提取红外与可见光图像中不同尺度信息,增大感受野特征提取范围,克服了单一尺度特征提取不足的问题。然后,通过密集连接网络增强特征提取,并在编码子网络末端采用提出的可变形卷积注意力机制,密切联系全局上下文信息,增强对红外与可见光图像中重要特征信息的聚焦能力。最后,由全卷积层构成解码网络,重构生成融合图像。本文选取了六种图像融合客观评价指标,红外与可见光图像公开数据集融合实验结果表明：与其他8种方法相比,本文算法对比实验指标均有所提高,其中结构相似性（SSIM）、空间频率（SF）指标分别平均提高了0.26倍、0.45倍。所提方法的融合结果保留了更清晰的边缘及目标信息,具有更好的对比度和清晰度,在客观评价方面均优于对比方法。     

基于多尺度特征融合网络的多聚焦图像融合技术

多聚焦图像融合技术是为了突破传统相机景深的限制,将焦点不同的多幅图像合成一幅全聚焦图像,以获得更加全面的信息。以往基于空间域和基于变换域的方法,需要手动进行活动水平的测量和融合规则的设计,较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分,提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图,然后对焦点图进行后处理,最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明,本文方法融合而成的全聚焦图像清晰度高,保有细节丰富且失真度小,主、客观评价结果均优于其他方法。     

融合多尺度图像的密集神经网络肺部肿瘤识别算法

针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题,本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤(Multi Scale DenseNet-NSCR)的识别方法.第一,使用迁移学习将预训练密集神经网络模型初始化参数;第二,将肺部图像预处理,提取多尺度病灶ROI区域...     

有限训练样本下的多尺度空洞密集网络高光谱影像分类

为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络 的高光谱影像分类方法。 首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大 模型的感受野,并提取多尺度特征。 然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失 问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。 最后,将得到的特征依次通过池化层,全连接层 和 Softmax 层完成分类。 另外,本文在全连接层后加入 dropout 正则化防止出现过拟合。 在 Indian Pines 和 WHU-Hi-Longkou 数 据集上与经典分类方法进行对比,本文方法 OA 分别为 98. 75% 和 98. 82% 。 实验结果表明,本文设计的网络模型在有限训练样 本情况下,分类效果最优。     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

基于多尺度稀疏字典的多聚焦图像超分辨融合

由于传统的多聚焦图像融合算法不能对图像中聚焦区域划分进行有效度量,提出了一种新的多聚焦图像超分辨融合方法来改善图像融合效果。该方法对图像清晰区和模糊区进行度量,并利用稀疏表示方法对度量后的清晰区域进行超分辨重建。首先,采用空间频率方法提取源图像中清晰区域与模糊区域,然后确定清晰区域中的主清晰区和次清晰区,并计算它们的真实下采样尺度。最后,通过学习多尺度稀疏表示字典对图像中次清晰区域进行超分辨率重建,并与清晰区域结合形成最终融合图像。实验及各种定量评价结果表明,提出的方法较常规方法具有更好的融合性能,得到的图像更清晰。对比Harr小波,非下采样轮廓波变换(NSCT),剪切波(Shearlet)变换等方法,其熵(EN)提升了1%,峰值信噪比(PSNR)提升了0.62dB,清晰度(SP)和空间频率(SF)提升30%,均方误差(MSE)下降了6%左右。     

基于改进CycleGAN的图像风格迁移

图像风格迁移是用风格图像对指定图像的内容进行重映射,利用GAN自动进行图像风格迁移,可减少工作量,且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制,提高风格迁移效率,本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移,用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet,用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升,取消了网络对成对样本的限制,提高了风格迁移生成图像的质量。同时进一步提高了稳定性,加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移,实验结果表明,生成图像的PSNR值平均提高了6.27%,SSIM值均提高了约10%。因此,本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。     

密集连接网络在SAR与多光谱影像融合中的应用

为克服单一卫星传感器成像的不足,提出了基于密集连接网络的合成孔径雷达(SAR)与多光谱影像的融合算法.首先分别对SAR影像与多光谱影像进行预处理,使用双三次插值法重采样到同一空间分辨率下,然后使用密集连接网络来分别提取影像的特征图,并采用区域能量最大的融合策略将深度特征进行融合,将融合图像输入到预训练的解码器中进行重构...     

基于小波多尺度分解的区域图像融合及算法研究

提出一种新的图像融合方法,该方法首先利用小波变换对要融合的图像进行多尺度小波分解;然后对分解后的各层上不同频带的子图像采用不同的融合处理技术,即在低频域内采用平均算子进行融合处理,以保留图像的背景信息,在高频域内对分解后的小波系数矩阵采用区域特征进行融合处理;最后将融合的低频分量和高频细节分量结合进行小波逆变换得到融合图像。采用该融合算法对两幅不同位置聚焦的图像进行融合实验,结果表明,采用该方法可以得到较好的融合效果。     

基于小波多尺度分解的区域图像融合及算法研究

提出一种新的图像融合方法,该方法首先利用小波变换对要融合的图像进行多尺度小波分解;然后对分解后的各层上不同频带的子图像采用不同的融合处理技术,即在低频城内采用平均算子进行融合处理,以保留图像的背景信息,在高频域内对分解后的小波系数矩阵采用区域特征进行融合处理;最后将融合的低频分量和高频细节分量结合进行小波逆变换得到融合图像.采用该融合算法对两幅不同位置聚焦的图像进行融合实验,结果表明,采用该方法可以得到较好的融合效果.     

基于多特征融合的汉英口语翻译自动评分方法研究

汉英口语翻译自动评分不仅仅可以提高评分的效率,同时也可以确保评分的公正客观性.本文提取了汉英口语翻译自动评分的相似度特征、句法特征和语音特征,得到了用于自动评分的11个特征.以某大学英语专业口语翻译课程考试所采集的语音信号为例,最终获得了包含8个特征的汉英口语翻译自动评分模型.结果表明,在去除特征之后,汉英口语翻译自动...     

基于多尺度融合技术的图像边缘检测

根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,设计平滑滤波窗算子,将其与嵌入可信度方法相结合进行边缘检测;同时充分利用边缘信息的多尺度特性,根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到精确的单像素宽边缘。实验结果表明,该方法不仅能准确检测出边缘图像,而且能有效地抑制噪声,是边缘检测的一种较好的实用方法。     

非均匀有理B样条曲线多分辨率特征几何建模研究

NURBS曲线的几何建模,传统方法是通过模型的控制顶点对曲线进行操作、编辑和处理,繁琐费时,使NURBS曲线的设计变得十分困难。基于一种新的半正交非均匀B样条小波多分辨率技术将单一尺度几何空间变换到多尺度空域和频域空间,NURBS曲线的整体结构和局部细节被转化为曲线的多尺度整体特征和细节特征。通过对这种多尺度特征的编辑、操作和处理有效实现NURBS曲线的几何建模。     

基于多尺度自适应特征聚合网络的 ECT 图像重建

针对深层卷积神经网络在电容层析成像图像重建过程中存在电容特征提取尺度单一、中间层特征利用率不高等问题, 提出了一种多尺度自适应特征聚合网络模型。 首先,利用堆叠的增强型选择核卷积模块设计了一种特征增强模块(FEM),并 通过串联多个 FEM 自适应地提取电容向量多个尺度的特征信息,极大地减少了使用普通卷积所带来的伪影现象;其次,引入了 一种特征聚合机制,采用长短残差连接加强了远近特征信息的相关性,解决了网络中间层特征利用不充分的问题。 实验结果表 明,与传统算法及卷积神经网络算法相比,所提方法在主观视觉效果和客观评价指标上都具有更好的性能,图像相关系数最高 达到 0. 962 9,图像相对误差降低至 0. 053 0。     

多传声器小波多尺度信息融合滤波算法

为了滤掉信号采集过程中存在的环境噪声和信道噪声,提出一种基于小波多尺度信息融合和三角时延矢量误差的信号滤波算法。基于多传声器信号时延估计特性,提出时延矢量封闭准则。首先将多传声器同步采集所得信号进行小波多尺度分解,得到多尺度小波细节系数和近似系数,然后根据时延矢量封闭准则求取各层小波系数时延差,结合信息融合理论,提出一种三角时延矢量误差,由多传声器综合支持度获得时延阈值,将其作用于三角时延矢量误差,得到各层小波系数的权重,最后对小波系数重构得到降噪后的信号。实验表明,此滤波算法不仅滤掉了信号中的噪声成分,还优化了传声器资源的配置,既保留了高支持度传声器信号特性,还改善和提高了低支持度传声器信号质量,与小波分层阈值和全局阈值滤波算法相比充分体现出该算法的有效性。     

基于多尺度特征的管道环焊缝定位方法研究

环焊缝是管道检测数据分析的重要参照物,可用于修正里程轮的累积误差,因此,标定环焊缝是管道漏磁内检测数据分析的必要环节。本文结合漏磁数据的特征和环焊缝在管壁上的空间分布特征,提出一种具有多尺度感受野的轻量化卷积神经网络模型。模型利用具有单传感器感受野的轴向一维卷积和具有周向全局感受野的周向环形卷积,使得环焊缝特征得到了有效提取。借鉴标签平滑的思想,对样本标签进行了增广设计。此外,对损失函数、激活函数也进行了优化设计,最终实现对环焊缝的智能定位。最后,从多种管径的在役管道检测数据中收集了5 676个样本,对模型进行了训练和评估。实验结果显示,模型具有较好收敛稳定性,在测试集上的精度达到了93.90%,召回率达到了94.79%。此外,利用未参与模型训练的Φ610管道漏磁内检测数据,对模型进行了应用测试,模型同样表现出了较好的鲁棒性,其F1值达到了0.93,说明模型具有较好的泛化能力,具备一定的工程应用价值。     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。     

Pipeline defects diagnosis based on feature extraction and neural-network fusion

Corrosion, stresses, and mechanical damage of oil and gas pipelines can result in catastrophic failures. So, pipeline-safety nondestructive evaluation is a research hotspot. A pipeline-defect diagnosis approach is proposed to classify detected defects into correct classes that are useful for later defect assessment and repair, effect raw signals are processed by the independent component analysis method, and several independent components are obtained. The residual mutual information matrixes are then constructed. These matrixes that contain useful high-order statistical information are used to train a radial-basis-function fusion network. Laboratory experiments have verified the effectiveness and practicability of this approach. The classification accuracy can reach 92.5%. The text was submitted by the authors in English.     

利用曲率多特征融合改进人体三维脊椎模型特征点的标注方法

由于脊椎生理结构的精准坐标描述和准确匹配尚未达到医学精度的要求,本文对如何精确描述脊柱腰骶段特征点的物理坐标进行研究。介绍了人体脊椎采样特征点的定义和传统标记方法。针对手动标注特征点精确度不够,易产生较大误差等问题提出了一种基于曲率多特征融合的自适应标注特征点的方法。该方法首先找出某个特征点的高斯曲率和平均曲率流的定义值,得到该特征点的法曲率相对极大值,并计算在指定极小半径r范围内的所有模型点的法曲率相对极大值。由于极大值曲率越大,三维模型表面在该点处的弯曲程度越大,该点就越能表现三维模型的大致轮廓,故以r范围内极大值最大的点作为特征点的曲率描述来替换手动拾取的点,从而准确反映该点的特征变化情况。最后,对改进结果进行偏差验证分析。结果表明:改进方法的准确度比现有手动标注特征点方法的准确度提高了约37%,验证了本文方法的有效性。