基于聚合多尺度特征的图像轮廓增强超分辨率重建算法

为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。     

基于边缘增强生成对抗网络的电力设备热成像超分辨率重建

非接触式红外热成像的温度数据,对于电力设备状态监测与健康状态评估具有重要意义.但高分辨率红外成像仪的昂贵造价和技术壁垒,限制了高分辨率热成像图像在基于电力物联网的设备在线监测中的应用.超分辨率重建满足分辨率要求的同时可以降低成本.通过构建改进边缘增强的生成对抗网络实现了电力设备热成像的增强,该网络在超分辨率生成对抗网络...     

融合边缘检测的遥感图像超分辨率重建算法

针对基于生成对抗网络的遥感图像超分辨率重建存在训练不稳定,参数冗余,图片纹理细节不够清晰等问题。提出一种融合边缘检测的遥感图像超分辨率重建算法。首先,在生成器网络中引入改进后的Canny边缘检测算子用于低分辨率图像特征提取,通过在Canny算子边缘提取流程中利用双边滤波和3×3邻域梯度以检测图像的边缘信息,使网络能够更好的表达高频特征;其次,为降低网络参数和提高网络训练的稳定性,去除判别器网络中冗余的BN层,同时将Wasserstein距离定义为对抗损失以解决生成对抗网络训练出现的梯度消失现象。在NWPU RESISC45数据集上,所提方法的峰值信噪比与结构相似性较WDSR和CARN算法分别提升了1.22 dB、0.114和0.32 dB、0.013,且重建后的图像相比较WDSR、CARN等其他SR算法在图像纹理细节和主观视觉效果方面也均有提升。     

基于改进边缘注意力生成对抗网络的电力设备热成像超分辨率重建

针对低分辨率电力设备热成像图像,提出一种基于改进边缘注意力生成对抗网络的超分辨率重建方法。首先,在边缘注意力的基础上,引入通道注意力和位置注意力的双注意力模块(dual attention, DA),捕获特征图不同位置间和不同通道间的依赖关系,并将两组依赖关系进行融合,以加大全局信息的提取程度。然后针对参数修正线性单元激活函数(parametric rectified linear unit, PReLU)对网络中神经元进行无差别激活,导致网络特征表达能力受限问题。采用改进β-ACONC自适应控制激活函数替代PRe LU函数,在辨识有效特征的基础上,对神经元进行选择性激活,以强化有效特征、弱化无效特征,提升网络的自适应激活能力和特征表达能力。最后对所提改进边缘注意力生成对抗网络模型(edge-attention generative adversarial network, EA-GAN)进行实验验证。结果表明,与Bi Cubic双三次插值模型和原EA-GAN模型边缘注意力生成对抗网络模型相比,所提改进模型网络性能最好,重建图像质量最高,客观评价指标峰值信噪比(peaksignal-t...     

基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法

针对现有红外图像分辨率低、清晰度差,易影响基于红外图像的电气设备故障检测效果的缺点,提出一种基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法.该文构建了基于多尺度协作模型的电气设备红外图像超分辨率重建网络,该网络以生成对抗网络为基础,通过引入多尺度协作模型和双通道结构,改善了超分辨率重建网络对红外图像的适应性,并优化了图像特征提取效果.在实现红外图像超分辨率重建基础上,结合深度学习目标检测方法,建立电气设备红外图像超分辨率故障辨识模型.针对所提方法进行了实验验证,实验结果表明:经该文所提超分辨率重建网络后,红外图像质量可明显提升,峰值信噪比(PSNR)、结构相似性(SSIM)值可分别提高至27.26dB、0.8283;采用该文所提红外图像超分辨率故障辨识模型可显著提高故障辨识效果,mAP、mAR、mAC和mAIOU值平均相对提高了19.34％、19.14％、11.83％和25.03％.     

使用复合注意力的文本图像超分辨率算法研究

现实场景下,低分辨率的文本图像会导致识别准确率降低。为了解决这个问题,提出一种使用复合注意力的文本图像超分辨率方法。在复合注意力模块中,将空间注意力模块改进为优化残差模块,并在优化残差模块中融入增强型空间注意力模块,从而重建出清晰的超分辨率文本图像。同时,引入多层训练损失函数即均方误差损失和小波损失,增加文本边缘的锐度,使生成图像中的文本具有清晰的边缘和正确的结构。实验结果证明,提出方法相较于对比方法,视觉感受方面,文字结构和边缘细节更清晰,对比度更高;客观指标方面,图像质量评价指标与文本识别准确率均得到了有效提升。     

基于空间金字塔的视频超分辨率重建算法

为了保证重建视觉质量的同时提高重建速率,提出了一种基于空间金字塔生成对抗网络的视频超分辨率重建算法(SPyGAN),该方法在TecoGAN的基础上使用更轻量级的空间金字塔网络结构SPyNet和更高效的上采样方法,能够快速重建图像的高频纹理细节。主要对生成对抗网络TecoGAN的光流预测网络、图像重建模块和损失函数部分进行改进,实验结果表明,该算法与TecoGAN相比,PSNR和SSIM的平均值均有一定提高,此外参数量减少为53.86%,并且重建速率提高至239%,有效提升了模型的重建速率。     

特高压换流站保护系统全景监视图像超分辨率重建方法研究

针对特高压换流站全景监视系统运行环境导致的视频图像抖动、镜头出现积灰等问题,以及基于深度学习的高分辨率图像重建算法存在细节特征失真和计算复杂度较高的缺陷,提出一种基于多尺度卷积块和残差网络的图像超分辨率重建方法,通过增加具有较小内核的深度卷积层来获取图像的鲁棒细节特征,并在训练过程中加入残差网络,加快网络收敛速度,解决消失梯度,改善图像重建质量。对部分标准数据集和特高压换流站全景监视图像数据集进行了图像超分辨率重建和目标识别实验研究,与超分辨率卷积神经网络(super-resolution convolutional neural network, SRCNN)和快速超分辨率卷积神经网络(fast SRCNN, FSRCNN)方法相比,所提算法的结构相似指数均值分别增加了0.004 3和0.0298,峰值信噪比分别提高了0.17 db和0.83 dB。实验结果表明所提方法重建了细节信息更逼真的高分辨率图像,可以满足换流站全景监视的需求。     

基于多注意力机制的生成对抗网络的遥感图像超分重建

针对现有超分辨算法重建后的遥感图像模糊,含有伪影和噪声等问题,提出一种基于多注意力机制的生成对抗网络。首先,在生成器的残差块中引入高效注意力机制,增强全局相关性,提高模型的特征提取能力;其次,利用迭代注意特征融合模块对输入的图像和经过生成器生成的高层语义特征图进行融合,代替长跳跃连接常用的相加操作,减少输入图像进行相加操作时导致的信息损失,使重建后的图像更加清晰;最后,基于WGAN网络优化模型训练,促进网络训练的稳定,加快损失函数的收敛。在不同数据集上验证上述方法,结果表明,相较次优算法,所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别提高了0.062～0.122 dB和0.03～0.08。     

强化组合式生成对抗网络

近年来通过在生成对抗网络中加入条件标签,控制生成图像的类别或属性已经取得很大进展,但是生成图像的类别或属性的准确性有待提高。为此,在生成对抗网络的判别器中加入了强化学习,通过上一次的分类结果去指导当前的分类。另外为了让生成的细粒度图像更加逼真,使用注意力机制在只增加少量的计算损失下让图像有全局感受野,将多属性的星型生成对抗网络与自注意力生成对抗网络组合后的生成图像的质量较高。 强化组合式生成对抗网络的最大均差达到0.036 93,最近邻指标效果较优,能自动化较准确地生成指定了某些属性的艺术图像,实验生成的图片也能用来解决缺乏数据的问题。     

基于生成对抗网络的超分辨率室内地磁基准图构建

构建精确的地磁基准图是确保地磁室内定位技术准确性的重要前提。在有限测量数据下，采用插值法构建地磁基准图会导致部分细节丢失，使结果过于平滑，难以满足定位需求。针对这一问题，提出了一种改进的基于生成对抗网络的超分辨率重建室内地磁基准图网络模型(PU-SRGAN)。首先，通过矩谐分析构建地磁数据集，用于后续的网络模型训练；其次，在生成网络的残差模块中间加入了一个金字塔注意力模块(PANet),增强了对地磁基准图特征的提取能力；最后，在判别网络中，采用频谱归一化的U-Net模块来提高鉴别器的能力并稳定训练动态。实验结果表明，该模型的峰值信噪比(PSNR)和结构相似性(SSIM)比粒子群优化算法(PSO)-Kriging插值法提高了约2.7%和15%,具有更高的构建精度。同时，在抗干扰能力以及地磁基准图细节重建方面均有较大提升。     

基于层次交互动态注意力与序列学习的图像 超分辨率重建

针对图像超分辨率中网络关注度不足、模块间协同性弱和深层特征表征消失等问题,提出了一种结合层次交互动态 注意力与序列学习单元的多级残差聚合超分辨率重建模型。模型采用多层次特征融合与跳跃连接的网络结构,结合不同层 次的特征,捕获从低到高的不同级别的信息,生成更丰富和准确的表征。模块里通过残差连接避免梯度消失,实现深度网络 的平滑损失空间和灵活增加。提出动态层次融合注意力模块动态计算各个特征的重要性权重,进行有选择性的特征融合,并 通过序列学习单元捕获更长范围的上下文信息。提出多尺度特征融合模块将不同感受野的特征信息提取融合,以挖掘更深 层的特征表示。模块尾部引入轻量化无参注意力机制自适应加权特征图,恢复图像高频细节。实验结果表明,相较于主流算 法,提出的算法在各种公开测试集(Set5、Set14、BSD100、Urbanl00、Mangal09)上进行3倍超分辨率重建评估,平均峰值信噪 比提升约0.47 dB, 平均结构相似性提升约0.0068。且在遥感图像超分辨率重建方面展示出实际应用潜力。证明其在图像 超分辨率重建方面的优越性。     

基于压缩感知的电力设备红外图像盲超分辨率方法

电力设备红外图像采集过程中出现的分辨率降低和模糊现象是影响红外诊断准确性的重要因素。然而现有超分辨率方法一般假设模糊核已知,但当假设核偏离真实核时方法性能会显著降低。该文针对这一问题,提出一种压缩感知盲超分辨率改进方法。以图像退化模型为基础,结合图像在变换域内稀疏为先验知识,实现图像的超分辨率重建。在重建过程中通过红外图像亮度分量的极值分布先验信息促进模糊核的优化求解以及重建图像反卷积去模糊运算,将传统的非盲超分辨率方法改进为盲超分辨率方法。在提高模型准确性的同时,提升了重建图像细节纹理的质量。并对压缩感知基础模型进行改进变形,以此为基础设计了高效求解算法,最终实现高分辨率图像的高质量重建,从而更好地适应工程应用需求。实验结果表明该文提出的盲超分辨率方法与已有方法相比,其重建得到的红外图像结果无论在主观视觉还是客观评价指标上,均有着一定优势,能够更好地适应现场采集到的低分辨率红外图像超分辨率重建需求。     

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题，本文提出了一种适用于图像生成任务的改进循环生成对抗网络（CycleGAN）结构。首先，利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构，使图像特征可以充分被提取，解决图像因特征提取不充分导致图像质量低下的问题；其次，在生成器的网络结构中引入了通道注意力机制和空间注意力机制，利用注意力机制对图像感知能力较差的区域进行权重处理，解决图像纹理细节丢失的问题。在OSU数据集上，本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%，在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明，本文改进的方法能够突出图像生成任务中的细节特征信息，并且能有效地提升图像生成的质量。     

单图像超分辨率方法综述

图像超分辨率是指从低分辨率图像生成对应的高分辨率图像。它在人脸识别、数字高清电视、视频通信等领域应用广泛。为了对图像超分辨率技术进行深入探索和总结,本文首先回顾了单图像超分辨率的历史,综述了基于非学习的超分辨率方法,其中展开介绍了基于插值和基于重建的方法,接着重点介绍了基于学习的方法,详细分析了基于深度学习的图像超分辨率,具体总结了SRCNN、ESPCN、SRGAN这三种图像超分辨率方法,并将其与递归结构、密集结构、注意力机制网络结构进行对比,之后分析了损失函数和上采样方式在图像超分辨率中的作用,介绍了常用数据集和图像评价指标,展示了图像超分辨率的可视化结果。最后,总结了现有单图像超分辨率方法的进展和不足。     

基于边缘检测的图像超分辨率重建研究

超分辨率重建是一种以信号处理为基础,有效提高图像分辨率的软件技术。由于这项技术不涉及硬件,成本低,所以在遥感、视频、医学、公安、网络等领域有着十分重要和广阔的应用前景。提高分辨率的算法有很多,插值算法无疑是其中一种简单便捷的方法,但是其效果一般,尤其是在图像的边界部分比较模糊。因为人眼对边界很敏感,所以很大程度上影响了这种算法的性能。研究旨在将边缘检测与插值算法结合起来,在基本算法插值算法的基础上加以改进,利用双边滤波和迭代后处理对图像的边缘加以保留和增强,使其具有更明显的边界特性,增加细节,提升超分辨率重建的主观质量。     

基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。     

基于压缩感知的电力设备红外图像非盲自适应超分辨率方法

电力物联网建设过程中,红外传感技术应用越加广泛,然而受成本限制难以实现高精度红外传感器的大规模装设。因此文中提出了一种压缩感知自适应非盲超分辨率方法,以改善低成本红外传感器成像质量。该方法以压缩感知超分辨率模型为基础,结合图像去模糊先验信息,提出了压缩感知非盲超分辨率模型。并采用双先验二次估计的方式求解正则项惩罚参数,实现对约束项的自适应强度控制。求解过程中首先通过高斯先验对模糊图像进行初步反卷积重建,以阈值收缩的方式分离重建图像显著边缘,生成标签图像。之后根据图像内部像素点语义的不同,控制超拉普拉斯先验正则项强度,在提升重建图像清晰度的同时避免伪影振铃的产生。并针对所提模型设计了有效的求解算法。实验结果表明与现有经典非盲超分辨率方法相比,该方法重建得到的高分辨率红外图像无论在主观视觉还是客观评价指标上,均有着一定优势。且最终进行的红外图像识别对比实验,也证明了该方法重建的高分辨率红外图像能够更好地解决电力行业的实际问题。     

基于 GAN 网络的电力设施遥感图像去云算法研究

针对电力设施遥感图像云层遮挡问题,提出了基于生成对抗网络(GAN) 的遥感图像去云算法。以条件生成对抗网络 (cGAN) 为主体结构,在编码器自适应填充卷积,设计了基于 Soft Attention的递归神经网络模块,通过对所有特征节点增加 全局依赖关系来解决网络局部最优问题,通过空间信息转换提取关键信息,提高去云与重建效果。实验结果表明,方法对遥 感图像中云层遮挡去除效果较好,重建图像的结构相似性(SSIM) 与峰值信噪比(PSNR) 分别达到0.983与32.899,分别提高 了23.93%与8.86%,均优于其他改进型GAN 网络。研究的方法不仅为基于遥感图像电力设施识别提供了基础,深度学习 遥感图像处理应用提供了参考。