基于旋转电极的电容层析成像技术图像融合算法

针对固定电极的电容层析成像技术独立测量值较少,且由于电极位置的影响而导致重建图像失真等问题,提出了一种基于16旋转电极的电容层析成像技术系统模型及对应的图像融合方法。模型对16电极的电容层析成像技术模型进行4次旋转,得出的数据分别采用线性反投影算法和修正共轭梯度法算法进行图像重建,再将重建的5张图像进行小波变换,变换得到的低频和高频成分分别采用加权平均和主分量分析的融合准则进行图像融合。实验结果表明:提出的电容层析成像技术旋转模型通过增加测量电容数,结合图像融合方法可明显提高重构图像质量,降低成像误差。     

基于SVM的ECT图像重建算法

电容层析成像（ECT）技术是基于电容敏感机理的过程层析成像技术。ECT的图像重建是一个典型的有限样本非线性映射问题。支持向量机（SVM）作为一种小样本处理方法,具有较强的泛化能力,被认为是目前针对小样本分类问题的最佳理论。提出了一种基于SVM的四层神经网络的图像重建算法,仿真结果表明,该算法用于三相流图像重建具有较强的空间分辨率和泛化能力。     

基于改进ResNet-18网络的电容层析成像图像重建

为求解电容层析成像(ECT)中的非线性病态反问题，提出了一种基于改进ResNet-18网络的ECT图像重建方法。该网络由多个残差块组成，每个残差块被分组，然后通过组内残差连接，以融合更多的特征尺度。通过MATLAB仿真实验平台构建了流型数据集，利用深度残差网络的非线性映射能力，完成训练集的学习与训练，并利用测试集进行训练效果评价。在此基础上进行了静态实验。仿真与静态实验结果均表明：与LBP、Landweber迭代算法及未改进ResNet-18算法相比，该方法的图像重建质量明显提高，并具有良好的泛化能力。     

基于深度信念网络的ECT图像重建算法

为提高图像重建质量,针对电容层析成像技术(ECT)中的电容数据复杂多样且与介电常数呈非线性关系的特点,提出一种基于深度信念网络(DBN)的重建算法,利用DBN的深层非线性网络结构来实现电容值与重建图像灰度值非线性关系.并对DBN进行了改进,将自适应步长(AS)引入到对比散度(CD)算法中,解决固定步长寻找全局最优困难的...     

基于改进SR3模型算法的ECT图像重建研究

针对电容层析成像技术应用于气固两相流检测时,图像重建过程中存在的不适定性问题,提出一种稀疏松弛正则化回归模型(SR3)应用于ECT图像重建。采用软阈值迭代法和梯度下降法为SR3模型求解器,向SR3模型中加入L1、L2惩戒项,并设计滤值环节优化解向量。实验结果表明,改进SR3模型算法相比Tikhonov正则化算法、L1正则化算法及原SR3模型算法,重建图像精度明显提高,图像相对误差显著降低,有较好的成像效果。     

彩色图像多尺度引导的深度图像超分辨率重建

为获得更优的深度图像超分辨率重建结果,本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导,有益于恢复图像细节信息。在对LR深度图像提取特征的过程中,构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征,然后将每一个MRFRB输出的特征连接、融合,得到全局融合特征。最后,通过亚像素卷积层和全局融合特征,得到HR深度图像。实验结果表明,该算法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。     

基于l_(2,p)-范数的ECT图像重建算法

针对电容层析成像系统图像重建过程中Tiknonov正则化解过度光滑引起的重建图像细节信息丢失问题,引入l_(2,p)(0p≤1)的混合范数作为正则化算法的数据项和正则化项。混合范数l_(2,p)利用了欧氏范数l_2的光滑性和分数范数l_p(0p≤1)的稀疏性,不仅比范数L_(2,1)具有更好的联合稀疏性,对噪声的抗干扰性也更强,进而针对l_(2,p)矩阵范数的非凸、非Lipschitz连续问题提出一种新的电容层析成像图像重建模型。实验结果表明,基于矩阵混合范数l_(2,p)极小化优化模型的正则化算法相比牛顿迭代、奇异值分解、共轭梯度算法具有更强的适应性,更高的图像分辨率及更好的成像质量。     

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。     

基于特征金字塔的多尺度特征融合网络

特征金字塔网络（FPN）是CNN网络对图像信息进行表达输出的一种有效方法,在目标检测网络中广泛应用．然而,FPN没有充分地将浅层的细节信息传递到深层的语义特征,存在特征融合不足的缺陷,因而只能依靠深层语义信息来进行预测,从而忽略了网络低层细节信息,对各种视觉学习的效果造成了一定的影响．针对FPN存在的以上问题,本文提出基于特征金字塔的多尺度特征融合网络模型,在FPN主干网络的基础上,设计了混合特征金字塔和金字塔融合模块,并结合注意力机制,对特征金字塔进行了多尺度的深度融合．本文在PASCAL VOC2012和MS COCO2014数据集上,以Faster R-CNN作为基础检测器进行实验,验证了MFPN对特征融合的有效性．     

基于小波融合的电容层析成像图像重建

提出了基于小波变换的电容层析成像重建图像融合方法。首先,使用共轭梯度最小二乘法算法及Landweber迭代算法分别进行图像重建;其次,将所得重建图像进行小波分解,其近似分量按加权平均的融合规则进行处理,细节分量按绝对值最大融合规则进行处理;最后,将融合之后的数据进行小波重构,获得新的重建图像。仿真及实验结果表明,融合后的重建图像精度有所提高、图像伪影明显减少。     

电容层析成像系统的仿真与研究

针对电容层析成像系统中的8电极电容传感器,通过电磁场有限元分析软件ANSYS建立了其仿真模型,实现了传感器电容值的快速获取,并分析了传感器的灵敏度特性.在此电容传感器结构下,对层流、核心流、泡流三种典型流型利用RBF神经网络进行了辨识.提出了以层流、核心流、泡流的特征参数作为BP神经网络图像重建的主要依据,实验结果表明利用特征值作为神经网络的输出可以重构出满意的图像.     

基于鲁棒正则化极限学习机的电容层析成像图像重建

电容层析成像图像重建是一个非线性及病态性逆问题。基于此,提出了基于迭代重加权最小二乘法的鲁棒正则化极限学习机(RELM-IRLS)算法的电容层析成像图像重建方法,以油/气两相流为研究对象,通过有限元仿真构建随机分布流型,对RELM-IRLS算法完成训练,并与Landweber迭代算法及极限学习机算法进行对比,RELM-IRLS算法的测试集平均误差相比极限学习机算法减小4.6%。仿真及静态实验结果均表明, RELM-IRLS算法所得重建图像质量得到明显提升,且算法具有良好的泛化性能。     

融合多尺度特征的光场图像超分辨率方法

光场相机作为新一代的成像设备,能够同时捕获光线的空间位置和入射角度,然而其记录的光场存在空间分辨率和角度分辨率之间的制约关系,尤其子孔径图像有限的空间分辨率在一定程度上限制了光场相机的应用场景。因此本文提出了一种融合多尺度特征的光场图像超分辨网络,以获取更高空间分辨率的光场子孔径图像。该基于深度学习的网络框架分为三大模块：多尺度特征提取模块、全局特征融合模块和上采样模块。网络首先通过多尺度特征提取模块学习4D光场中固有的结构特征,然后采用融合模块对多尺度特征进行融合与增强,最后使用上采样模块实现对光场的超分辨率。在合成光场数据集和真实光场数据集上的实验结果表明,该方法在视觉评估和评价指标上均优于现有算法。另外本文将超分辨后的光场图像用于深度估计,实验结果展示出光场图像空间超分辨率能够增强深度估计结果的准确性。     

面向道路场景语义分割的移动窗口变换神经网络设计

道路场景语义分割是自动驾驶环境感知的一项重要任务。近年来,变换神经网络(Transformer)在计算机视觉领域开始应用并取得了很好的效果。针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,本文提出了一种基于移动窗口Transformer的多尺度特征融合的道路场景语义分割算法。该网络采用编码-解码结构,编码器使用改进后的移动窗口Transformer特征提取器对道路场景图像进行特征提取,解码器由注意力融合模块和特征金字塔网络构成,充分融合多尺度的语义特征。在Cityscapes城市道路场景数据集上进行验证测试,实验结果表明,与多种现有的语义分割算法进行对比,本文方法在分割精度方面有较大的提升。     

Kalman滤波在电容层析成像图像重建中的应用

利用Kalman滤波算法进行电容层析成像图像重建,通过不断更新测量信息提高重建图像质量。在滤波初始,需要确定重建图像灰度及估计误差方差矩阵的初值。为研究不同初值组合对重建图像质量的影响,选择3流型进行了仿真实验,获得了最佳的初值组合,并在电容层析成像实验装置上进行了静态测试,实验结果表明,与Landweber算法相比,使用最佳初值组合的Kalman滤波算法可获得更为接近真实分布的重建图像。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

低剂量CT图像的噪声提取研究

为了解决CT辐射剂量降低时重建图像质量低的问题,研究了基于StyleGAN2 GAN学习对给定噪声图像的噪声提取,采用从训练的GAN模型中采样大量噪声块的方法,提取噪声特征而不是噪声图像。通过引入轻量级Squeeze-and-Excitation(SE)模块可以更好地为图像不同部分分配权重,使得浅层网络的局部信息在图像分割时能够很好地分割边缘细节图像,深层网络输出的特征图可以捕捉同一幅图像的不同尺度信息。实验结果表明,采用本文方法处理低剂量CT图像的细节还原度真实、局部器官光滑性较好。     

基于多尺度稠密卷积网络的单图像超分辨率重建

目的针对已有网络对于卷积特征图利用率低下,从而导致高倍数图像重建质量不高的情况,提出一种多尺度稠密卷积网络(SRMD)。方法对SRDenseNet的稠密连接模块进行改进,去除批规范化层,参考已有网络,设计多尺度特征提取层和1×1的信息整合层,从而构成多尺度稠密卷积模块。SRMD通过一个多尺度特征提取层堆叠64个底层特征图,再由8个多尺度稠密卷积模块经过稠密连接堆叠1024个特征图,最后通过信息整合和子像素卷积模块输出超分辨率重建图像。结果在Set5,Set14,B100和U100数据集上进行测试,SRMD重建图像的峰值信噪比分别为30.1570,26.9952,25.7860, 23.4821 dB,结构相似性分别为0.8813,0.7758,0.7243,0.7452。结论与已有网络相比,SRMD与DRCN,VDSR表现相当,优于SRDenseNet和BiCubic方法。     

基于卷积稀疏编码的电容层析成像图像重建

针对电容层析成像(ECT)病态性逆问题，提出了一种将卷积稀疏编码模型作为惩罚项嵌入到ECT最小二乘问题的方法，通过预先训练好的滤波器并结合交替方向乘子算法(ADMM)对此模型进行求解，从而完成ECT图像重建。对提出的方法进行了仿真及实验测试，并与LBP、Tikhonov正则化及Landweber迭代算法进行比较。结果表明，提出的方法其重建图像平均相对误差和相关系数分别为0.438 9及0.896 8,均优于其他3种方法，中心物体及多物体分布的重建质量得到显著提升。     

基于改进白骨顶鸡优化算法的ECT图像重建北大核心CSCD

电容层析成像(ECT)技术求解图像重建问题存在严重的不适定性。为提高图像重建精度,提出了一种改进白骨顶鸡优化算法的ECT图像重建算法。针对标准白骨顶鸡优化算法(COA)中初始种群随机生成而导致的算法稳定性差和容易陷入局部最优的问题,引入了佳点集和正余弦优化方法,并融合了ART重建算法,根据ECT成像特点改进了目标函数。最后,进行仿真和静态实验,并与线性反投影(LBP)算法、Landweber算法、ART算法进行对比。结果表明,该方法可有效提高图像重建精度。