基于侧影轮廓的激光射线成像图像重建方法

由于进行激光射线成像图像重建的过程中没有对图像去噪处理，导致图像画面模糊，为此提出基于侧影轮廓的激光射线成像图像重建方法。采用两侧相邻法进行直线插补，去除激光射线成像图像中存在的噪声；结合图像灰度二值化方法将去噪后的图像转化成黑白二值图像；通过侧影轮廓中心相位提取二值图像特征；采用包围盒方法，建立图像重建三维数据场，按照数据场对激光射线成像序列实行直接绘制，实现图像重建。通过实验可知，所提方法重建后图像画面清晰，能够全面展现原始图像内纹理细节信息，且图像重建效率较高。     

基于增强现实技术的激光全息三维图像重建研究

为提高激光全息三维图像重建后的图像信噪比,设计一种基于增强现实技术的激光全息三维图像重建方法。首先对激光全息图像进行去噪处理与图像边缘特征处理,然后建立摄像机模型,并转换坐标系,采用增强现实技术对激光全息图像特征点配准,最后采用非局域平均法进行重建,以此完成基于增强现实技术的激光全息三维图像的重建。实验结果表明,此次研究的方法提高了图像的信噪比,在51 dB左右,还降低了激光全息图像配准的误差,达到0.01%左右,光线遍历覆盖度为99.84%,覆盖区域更全面,表明此次研究的方法具有一定的有效性。     

基于激光散射测量的虚拟建筑空间重建设计

传统方法对空洞和缺失点云的修复不到位,缺乏空间细节深度信息,导致建筑空间重建精度较差.为此,提出基于激光散射测量的虚拟建筑空间重建方法.利用激光散射测量技术,采集能够表现建筑三维坐标的点云数据,拼接多视角点云,并进行去噪分割处理,建立建筑空间主平面模型,内插填补边缘信息和细节深度信息,实现虚拟建筑空间重建.进行对比实验,完成形态相似规则的住宅楼重建工作,结果表明,此次设计方法相比传统方法,提高了点云数据去噪效果及拼接精度,减小了建模距离与实测距离偏差,提高了建筑空间重建精度.     

基于多尺度卷积神经网络的图像去噪方法研究

应用传统方法对图像去噪处理后,图像的峰值信噪比仍旧比较低,文章提出了基于多尺度卷积神经网络的图像去噪方法。以多尺度卷积神经网络为架构,由去噪模块与边缘模块组建成多尺度卷积神经网络去噪模型,利用残差学习法对模型进行训练,并利用寻优迭代算法对代价函数进行求解,利用训练好的去噪模型对图像进行多尺度卷积计算,根据噪声真值对图像平滑处理,实现图像去噪。通过实验证明,本次设计方法去噪后图像噪声有了明显降低,峰值信噪比高于传统方法。     

基于人工智能的激光脉冲下光电子谱识别

传统激光脉冲下光电子谱识别方法受噪声影响,导致方法存在识别效率低、识别准确率低和抗噪声能力差的问题,为此提出基于人工智能技术的激光脉冲下光电子谱识别方法。在小波阈值去噪原理的基础上,通过三维融合策略对光电子谱图像进行去噪处理,避免噪声对光电子谱识别结果产生影响。采用人工智能技术中的深度卷积生成对抗网络,将去噪后的光电子谱输入卷积生成对抗网络中,输出光电子谱的识别结果。实验结果表明：所提方法的识别效率较高、识别准确率较高、抗噪声能力较强。     

基于卷积网络模型的低照度激光图像特征增强方法

针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理，造成激光图像特征增强后损失值较大的问题，提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器，完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数，得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数，完成低照度激光图像特征增强。至此，基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明：此方法增强真实与合成图像特征后的损失值较低，分别为0.245和0.361,其峰值信噪比较高，分别为45.52和48.54,极大地提高了图像的应用价值，且文中方法对图像增强处理的时长最短，在13 s到16 s之间，其应用性能较高。     

采用超分辨率重建提升压缩图像质量的方法

针对JPEG的中低码率压缩图像即高压缩率图像存在较严重的块效应以及量化噪声,提出了一种对JPEG标准压缩图像进行优化的重建-采样方法.该方法对JPEG压缩图像采用三维块匹配算法(BM3D)进行去噪,去除图像中存在的块效应和量化噪声,进而提高超分辨率重建的映射准确性,再使用外部库对去噪后图像进行基于稀疏表示的超分辨率重建,补充一定的高频信息,最后对重建后的高分辨率图进行双三次下采样,得到与原始图像大小一致的图像作为最终优化图像.实验结果表明,该方法在中低码率情况下能够有效地提高JPEG压缩图像的质量,对高码率压缩图像也有一定效果.     

基于深度学习理论的光学分子成像图像重建方法

光学分子成像图像重建是当前的研究重点,由于传统光学分子成像图像重建方法存在重建误差,效果不理想等缺陷,为了获得理想的光学分子成像图像重建效果,提出了基于深度学习理论的光学分子成像图像重建方法.首先分析光学分子成像图像重建工作原理,找到导致光学分子成像图像重建质量差的因素,然后采集光学分子成像图像,选择卷积神经网络算法进行光学分子成像的图像重建.实验结果显示:采用本方法进行峰值信噪比(PSNR)范围为34.16～38.96,结构相似性(SSIM)范围为0.854 9～0.980 8,均远远大于常规方法数值,表明提出方法图像重建质量较高,充分证明提出方法性能较好.应用价值相似性指标更大,图像重建质量更高,则提出方法的图像重建性能更佳.     

人工智能深度学习的激光图像分割研究

激光成像受到环境、设备自身等干扰,使得激光图像含有噪声,当前图像分割方法对噪声干扰鲁棒性差,误分割现象出现概率高,重要信息丢失严重,为了克服当前激光图像分割的弊端,提出了基于人工智能深度学习的激光图像分割方法。首先采用小波变换对激光图像进行特征提取,并对噪声干扰进行抑制处理,然后引入人工智能学习算法对激光图像特征向量进行训练,并根据训练结果对激光图像像素点进行分类,从而实现激光图像分割,最后采用含噪和不含噪的激光图像进行仿真测试。结果表明,对含噪和不含噪的激光图像,人工智能深度学习的分割精度分别达到了91%和95%以上,精度明显高于经典激光图像分割方法,分割效率可以满足激光图像向大规模方向发展的要求。     

一种超分辨SAR图像水域分割算法及其应用

合成孔径雷达(SAR)图像水域分割在湖泊、河流等陆地水文监测领域有重要的研究意义。由于SAR图像分辨率不足所导致的陆地与水域边界模糊, 会影响水域分割精度。该文以中国青藏高原地区的多庆错湖为研究对象,使用Sentinel-1A SAR图像数据,综合运用深度残差模型、通道注意力与亚像素卷积,提出一种基于亚像素卷积的增强型通道注意力深度残差超分辨网络,对滤波后的SAR图像进行重建、水域轮廓提取与精度分析。通过比较不同超分辨算法下的重建结果及水域轮廓提取精度,该文算法在重建效果与提取精度上都较传统方法有明显提升,并具有很好的鲁棒性。     

一种超分辨SAR图像水域分割算法及其应用

合成孔径雷达(SAR)图像水域分割在湖泊、河流等陆地水文监测领域有重要的研究意义.由于SAR图像分辨率不足所导致的陆地与水域边界模糊,会影响水域分割精度.该文以中国青藏高原地区的多庆错湖为研究对象,使用Sentinel-1A SAR图像数据,综合运用深度残差模型、通道注意力与亚像素卷积,提出一种基于亚像素卷积的增强型通道注意力深度残差超分辨网络,对滤波后的SAR图像进行重建、水域轮廓提取与精度分析.通过比较不同超分辨算法下的重建结果及水域轮廓提取精度,该文算法在重建效果与提取精度上都较传统方法有明显提升,并具有很好的鲁棒性.     

基于深度学习人体三维模型重建的人体参数识别

文章对服装行业个性化市场带来的人体参数测量问题进行了研究,利用二维图像重构人体三维模型,解决了激光3D扫描仪、深度摄像头矩阵设备巨大与操作难度较大的问题.开创性地提出了利用相似度对比神经网络对人体三维模型2D平二维形状描述子与二维采集人体轮廓对比的方法得出相应具体人体类灰度图像,利用类灰度图像通过三维模型重建网络重构人...     

基于深度卷积神经网络的低剂量CT肺部去噪

为了降低低剂量CT肺部噪声对肺癌筛查后期诊断的影响,该文提出一种基于深度卷积神经网络的低剂量CT肺部去噪算法。以完整的CT肺部图像作为输入,池化层对输入图像进行降维处理;批规范化解决随着网络深度的增加性能降低的问题;引入残差学习,学习模型中每一层的残差,最后输出去噪图像。与经典去噪算法实验结果对比,所提方法在解决去噪方面达到了很好的滤波效果,同时也较好地保留了肺部图像的细节信息,大大优于传统的去噪算法。     

基于卷积神经网络的定量磁化率图像重建

文中提出了解决定量磁化率成像中偶极子反卷积的病态逆问题和快速重建高质量无伪影的定量磁化率图像的算法。基于k空间阈值法(TKD)初步重建三维定量磁化率图像(QSM),随后将TKD重建图像输入训练完成的三维卷积神经网络(CNN)模型中获得预测图像。在k空间中将TKD重建图像与CNN预测图像进行融合重建最终QSM图像。结果表明:与金标准相比,算法能够重建视觉上误差较小和无条形伪影的磁化率图像;卷积神经网络可以恢复病态区域的信号,k空间融合方法有效解决了偶极子反卷积的病态性。测试集上的重建结果在标准均方根误差(NRMSE)和高频误差范数(HFEN)重建误差上均低于主流算法。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

基于改进残差Unet的数字全息端到端相位重建

数字全息术（DH）是监测透明样品定量三维信息的一种重要技术。然而，常规数字全息重建中需要相位畸变补偿和解包裹，严重影响了相位重建速度和重建精度。提出一种融合空洞卷积和注意力机制的改进残差Unet方法，实现了数字全息端到端相位重建，简化成像过程，提高了图像重建质量。此外，该方法还可以通过调整残差块，得到最优的实时重建网络模型。实验结果表明，所提基于深度学习的相位重建方法能够实时获得样品精确的三维形貌信息，有利于对动态样品进行实时监测。     

基于图拉普拉斯正则化的PET图像核重建方法

正电子发射断层成像（Positron Emission Tomography,PET）在很多疾病的早期诊断中有重要的作用,PET图像重建的难点之一是如何在保持重建图像中病灶边缘特性的同时具有良好的去噪性能.针对此问题,本文提出了一种结合图拉普拉斯正则化和深度图像先验的PET图像核重建方法 .设计了改进的U-net神经网络,将PET前向投影模型中的核系数表示为神经网络的输出;通过先验图像构建图拉普拉斯矩阵,重建问题被建模为基于神经网络的带图拉普拉斯正则化项的最大似然函数优化问题.利用优化转移方法导出了收敛的迭代重建算法,每一次迭代包括由核重建方法更新图像和利用神经网络更新核系数两个步骤.仿真和临床实验结果表明,本文提出的方法在不同的指标下都有更好的重建效果,优于已有核重建方法以及最新的基于深度系数先验的重建方法 .     

生成式对抗神经网络的多帧红外图像超分辨率重建

生成式对抗神经网络在约束图像生成表现出了巨大潜力,使得其适合运用于图像超分辨率重建。但是使用生成式对抗神经网络重建后的超分辨率图像存在过度平滑,缺少高频细节信息的缺点。针对单帧图像超分辨率重建方法不能有效利用图像序列间的时间-空间相关性的问题,提出了一种基于生成式对抗神经网络的多帧红外图像超分辨率重建方法（M-GANs）。首先,对低分辨率图像序列进行运动补偿;其次,使用权值表示卷积层对运动补偿后的图像序列进行权值转换计算;最后,将其输入生成式对抗重建网络,输出重建后的高分辨率图像。实验结果表明:文中方法在主观及客观评价中均优于当前代表性的超分辨率重建方法。     

基于迭代滤波盲复原算法的水下图像噪声去除

摘要：图像复原的目的是从观测到的退化图像重建原始图像,维纳滤波与约束去卷积滤波是比较常采用的复原方法。在未知降质函数的情况下,直接运用维纳滤波和约束去卷积滤波有一定困难。针对此提出以维纳滤波与约束去卷积滤波为模型的迭代滤波盲复原算法对水下图像进行去噪。实验证明,该方法获得了比较理想的复原效果。     

非线性阈值自调整小波图像去噪方法研究

为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比（SNR）和峰值信噪比（PSNR）均比传统小波阈值方法提高了1～2dB。