基于高阶和非局部全变分的核磁共振图像重构算法

为了更好地提高核磁共振(Magnetic Resonance Imaging,MRI)图像重构质量,提出了一种基于高阶和非局部全变分的混合重构算法。该算法首先采用全局梯度提取法分离待重构MRI图像的平滑区和边缘纹理区;在每次迭代过程中,先对平滑区采用高阶全变分 (Higher Degree Total Variation,HDTV)算法,后对边缘纹理区采用非局部全变分 (Non-Local Total Variation,NLTV)算法;最后,重构图像是将本文算法迭代结束的平滑区和边缘纹理区图像合并。实验发现：本文算法的重构效果大大优于单纯的TV(Total Variation,全变分)、HDTV、NLTV算法,其重构图像既能有效地滤除噪声和保留了纹理细节信息,又大大抑制了全变分的阶梯效应。     

基于生成对抗网络的低秩图像生成方法

低秩纹理结构是图像处理领域中具有重要几何意义的结构,通过提取低秩纹理可以对受到各种变换干扰的图像进行有效校正.针对受到各种变换干扰的低秩图像校正问题,利用生成式框架来缓解图像中不具明显低秩特性区域的校正结果不理想的问题,提出了一种非监督式的由图像生成图像的低秩纹理生成对抗网络（Low-rank generative adversarial network,LR-GAN）算法.首先,该算法将传统的无监督学习的低秩纹理映射算法（Transform invariant low-rank textures,TILT）作为引导加入到网络中来辅助判别器,使网络整体达到无监督学习的效果,并且使低秩对抗对在生成网络和判别网络上都能够学习到结构化的低秩表示.其次,为了保证生成的图像既有较高的图像质量又有相对较低的秩,同时考虑到低秩约束条件下的优化问题不易解决（NP难问题）,在经过一定阶段TILT的引导后,设计并加入了低秩梯度滤波层来逼近网络的低秩最优解.通过在MNIST,SVHN和FG-NET这三个数据集上的实验,并使用分类算法评估生成的低秩图像质量,结果表明,本文提出的LR-GAN算法均取得了较好的生成质量与识别效果.     

基于非局部CTV-L1模型的大破损彩色纹理图像修复

针对大破损彩色纹理图像的修复问题,本文将TV-L1模型推广到非局部CTV-L1模型。该模型不仅包含非局部算子,同时还引入了CTV (Color Total Variation)规则项。前者可以修复大破损纹理图像,后者充分考虑了彩色图像层与层之间的耦合关系,在处理彩色图像时可以有效地保边缘。为提高模型的运算效率,本文通过引入辅助变量和Lagrange乘子为其设计了相应的增广Lagrangian算法。数值实验结果证实所提出的模型在处理彩色图像时可以有效地保持边缘,同时去除图像中异常的不规则点。本文的相关研究可以推广到彩色纹理图像椒盐噪声去除及彩色纹理图像分割等。     

基于中国写意风格迁移的动漫视频生成模型

目前生成式对抗网络（GAN）已经被用于图像的动漫风格转换。然而,现有基于GAN的动漫生成模型主要以日本动漫和美国动漫为对象,集中在写实风格的提取与生成,很少关注到中国风动漫中写意风格的迁移,因此限制了GAN在国内广大动漫制作市场中的应用。针对这一问题,通过将中国写意风格融入到GAN模型,提出了一种新的中国风动漫生成式对抗网络模型CCGAN,用以自动生成具有中国写意风格的动漫视频。首先,通过在生成器中增加反向残差块,构造了一个轻量级的深度神经网络模型,以降低视频生成的计算代价。其次,为了提取并迁移中国写意风格中图像边缘锐利、内容构造抽象、描边线条具有水墨质感等性质,在生成器中构造了灰度样式损失和颜色重建损失,以约束真实图像和中国风样例图像在风格上的高层语义一致性,并且在判别器中构造了灰度对抗损失和边缘促进对抗损失,以约束重构图像与样例图像保持相同的边缘特性。最终,采用Adam算法最小化上述损失函数,从而实现风格迁移,并将重构图像组合为视频。实验结果表明,与目前最具代表性的风格迁移模型CycleGAN与CartoonGAN相比,所提CCGAN可从以《中国唱诗班》为例的中国风动漫中有效地学习到中国写意风格,同时显著降低了计算代价,适合于大批量动漫视频的快速生成。     

基于图像纹理和小波变换的聚类分割方法

针对纹理图像,本文提出了一种基于图像纹理特征的非学习分割方法。采用小波变换和快速k-means聚类分割算法,减少了整个处理过程的运算量。为了保证分类算法的精确性,运用了总体流量变化最小（Total Variation Flow）[1]非线性去噪方法对图像进行预处理,从而将减小图像噪声污染带来的分割误差。在图像特征的提取上,运用Gabor滤波器原理生成滤波空间,并让图像通过滤波空间而生成特征向量空间。通过制定一个快速寻优策略,从而达到分割图像的目的。     

基于结构嵌入的图像修复方法研究

针对当前图像修复领域存在结构丢失、纹理模糊、不能够充分利用背景信息生成内容风格一致的填充区域的问题,在编码解码网络基础上,提出带有多尺度结构信息与注意力机制的共享修复模型。在生成阶段,嵌入多尺度结构信息为图像修复提供前提条件。同时使用多尺度注意力机制,从背景信息中获取相关信息,并经过细化,生成与图像相关的内容和结构;使用PatchGAN和固定权重VGG-16分类器作为鉴别器,并将风格损失和感知损失引入到对抗网络中,以实现所生成图像的风格一致性。在Places2数据集上与当前主流的图像修复算法进行对比,实验结果表明该算法与其他算法相比能较好地恢复图像结构的细节信息,生成更清晰、精细的修复结果。     

一种基于对抗学习的仿真遥感图像生成方法

遥感图像数据标注耗时、成本高且需要专家知识，使得有标签的遥感数据难于获得，因此亟需生成有标签遥感数据的有效方法。由计算机视觉领域用于风格迁移的循环一致生成对抗网络出发，提出了一种基于深度学习，利用循环一致生成对抗网络生成新数据集的仿真遥感图像转换方法。将源数据与生成数据视为源域与目标域，遥感图像转换可视为仿真遥感数据集的风格迁移。生成的数据集可进一步用于分类、语义分割和域适应等适用于遥感图像的常见任务。实验结果表明该方法可有效生成风格迁移的仿真遥感数据。     

新的基于GAN的局部写实感漫画图像风格迁移

利用生成对抗网络对图像进行风格迁移,将真实世界的图像直接转换为高品质动漫风格,是当今计算机视觉的研究热点之一。针对目前流行的AnimeGAN和CartoonGAN漫画生成对抗网络在图像迁移中存在细节丢失严重、色彩失真等问题。通过引入SE-Residual Block（挤压激励残差块）、漫画脸部检测机制并优化损失函数提出全新的ExpressionGAN解决了AnimeGAN迁移图像细节丢失严重的问题。通过加入DSConv（分布偏移卷积）提出SceneryGAN 加快了训练速度并消除了CartoonGAN迁移图像中的歧义像素块。通过卷积优化了图像的融合边界。同时,提出了一种新的对原始图像人物和环境分别处理并融合的局部写实主义漫画模型。实验结果表明,与AnimeGAN和CartoonGAN相比,该方法在训练速度、漫画图像生成质量和图像局部写实感方面都有了明显的提升。     

基于普遍对抗噪声的高效载体图像增强算法

在图像隐写领域,利用对抗样本技术实现载体图像增强是提升隐写安全性的重要手段。然而,现有基于对抗样本的载体图像增强算法需要对每张载体图像生成特定的对抗噪声,这导致算法时间效率低、实用性较差,并且增强后的载体图像对抗不同隐写分析器的迁移能力较弱。针对上述问题,文章提出一种基于普遍对抗噪声的高效载体图像增强算法,将对抗样本算法DeepFool作为基础,以对隐写分析器的攻击成功率为标准循环迭代构建普遍对抗噪声,将其与载体图像进行叠加完成载体图像增强,实现构建单个普遍对抗噪声便能对不同的载体图像进行增强。为进一步提高载体图像增强后抵抗不同隐写分析器的迁移能力,文章提出将针对不同隐写分析器的普遍对抗噪声进行融合得到复合普遍对抗噪声,实现对不同隐写分析器均具有良好隐写安全性的目的。实验结果表明,文章算法在载体图像增强的时间效率上相较于目前最先进的算法得到了极大程度提升,具有更强的实用性。此外,利用复合普遍对抗噪声进行载体图像增强能够显著提高不同隐写分析器的安全性。     

基于循环一致性对抗网络的数码迷彩伪装生成方法

针对传统的数码迷彩生成方法无法根据背景实时生成数码迷彩的问题,提出一种基于循环一致性对抗网络的数码迷彩生成方法。首先,使用密集连接卷积网络提取图像特征,将学习到的数码迷彩特征映射到背景图像中;其次,加入颜色保持损失来提高数码迷彩的生成质量,保证生成的数码迷彩与周围的背景颜色相一致;最后,在判别器中加入自归一化神经网络以提高模型对噪声的鲁棒性。由于缺乏数码迷彩伪装效果的客观评价标准,采用边缘检测算法与结构相似性（SSIM）算法对生成的数码迷彩的伪装效果进行评估。实验结果表明,该方法在自制数据集上生成的数码迷彩伪装的SSIM得分比已有算法的得分降低了30%以上,验证了它在数码迷彩生成任务上的有效性。     

基于纹理谱的二值文档图像零水印算法

针对二值文档图像的版权保护问题,提出了一种二值文档图像零水印算法。该算法使用文档图像的局部二值模式(LBP)构造纹理谱图像,然后使用该纹理谱图像的直方图构造零水印信息。相比其他文档图像水印算法,该算法具有更好的隐蔽性,而且不会改变原始图像的信息。水印攻击包括图像剪切、加噪声和图像旋转操作,实验分析结果表明这些攻击操作对零水印信息的影响不大,最低标准相关系数在0.85以上,具有很好的稳定性。     

基于全变分模型的自适应FCM图像分割

针对模糊C均值(FCM)算法对噪声敏感的缺点,在FCM目标函数中引入全变分惩罚函数,提出一种基于全变分模型的FCM图像分割方法。该方法根据图像的纹理变化,自适应调整图像保真项的惩罚因子,同时在考虑分割代价的情况下,使迭代循环过程中的图像噪声得到平滑。实验结果表明,该方法能提高图像的分割效果,有效解决噪声抑制与精确分割之间的矛盾。     

一种流体艺术风格的自适应LIC绘制方法

把LIC算法应用到非真实感绘制中,提出一种自适应流体艺术图的LIC绘制方法.对源图像亮度分量计算切矢量场,然后对其进行增强、平滑处理获得结构矢量场;通过随机扰动源图像获得纹理参考图像;根据结构矢量场和纹理参考图像的局部特征产生可变的LIC积分步长和步数,自适应地处理纹理参考图像;最后对绘制效果进行颜色渲染,生成具有丰富颜色特征的流体艺术图.实验表明,该方法能够较好地模拟诸如梵高画的流体艺术风格,呈现生动、灵活的波动感.     

基于二阶总广义变差的欠采样图像重构方法

针对欠采样图像重构的凸优化问题,提出一种基于二阶总广义变差(TGV)范数最小化的算法。利用图像的二阶TGV半范作为正则约束项,自动地平衡一、二阶导数项,使得该算法可以更好地恢复图像边缘,有利于平滑噪声,避免阶梯效应。为了有效地计算该模型,通过正交投影和调整权重阈值对每一步迭代结果进行修正,最终获得更准确的重构结果。实验结果表明,与正交匹配追踪(OMP)模型和全变差(TV)模型比对,该算法重构的图像其峰值信噪比(PSNR)及结构相似度(SSIM)都有明显的提高,重构效果较好。     

粉笔画艺术风格模拟

目的 对不同艺术风格的模拟和绘制是非真实感绘制技术的主要任务之一,目前非真实感绘制技术已对油画、水彩画、中国书法等国内外艺术风格进行了模拟,然而对粉笔化艺术风格的模拟方法并不多见。本文提出了一种基于滤波扩散和线积分卷积（LIC）的粉笔画艺术风格绘制技术。方法 首先输入2维目标图像,通过对目标图像二值化处理、边缘提取操作,获得连续、光滑的边缘信息,并采用滤波扩散技术对边缘图像进行扩散处理,模拟粉笔画中笔划的毛糙效果,同时通过采用图像增强方法增强了笔划的细节信息;其次,由于真实粉笔画在创作时,粉笔颜料黏附在图像局部区域,形成具有方向的笔刷纹理效果,算法通过在目标图像中添加白噪声,基于线积分卷积LIC产生具有方向的粉笔画笔刷纹理,并通过形态学膨胀处理获得粉笔画的笔划纹理,模拟出粉笔画中笔划的笔触特征。再次,真实的粉笔画艺术效果往往在黑板、木材等材质中创作,算法将产生的笔刷纹理图像、色彩信息以及边缘图像通过图层映射方法,映射到黑板材质等输入背景图像中,产生最终的粉笔画艺术效果图像。结果 通过对输入2维图像进行实验,模拟出具有粉笔画艺术效果的结果图像,突出了粉笔画的线条细节信息和笔划艺术特征。结论 提出了一种粉笔画艺术效果模拟算法,非真实感绘制领域的有效补充,算法简单有效,能模拟出真实的粉笔画艺术效果,增强了艺术表现力。     

苗绣艺术风格针迹模拟研究

摘 要： 非真实感绘制(NPR)也称艺术化渲染,主要用于模拟艺术化的绘制风格。随着图像 处理技术的不断发展,研究者已经对中国特有的中国水墨画、烙画、云南重彩画等艺术作品进 行了模拟,目前对苗族刺绣的数字化模拟研究还不多见。苗族刺绣也称苗绣,经国务院批准列 入我国第一批国家级非物质文化遗产名录,是我国装饰艺术园地里的一朵奇葩。以苗绣为研究 对象,根据真实苗绣艺术作品特点,提出了一种多角度针迹的苗绣艺术风格绘制方法。首先, 针对苗绣图案构图手法夸张、层次分明的特点,将目标图像灰度处理,采用多阈值处理图像的 方法分割出多幅刺绣图像;然后采用形态学方法消除杂散点、填充空洞点并平滑图案边缘,获 得圆润自然、紧凑饱满的特征图案;接着,使用一种基于图像矩阵空间变换和添加纵向纹理的 针迹生成算法使每一幅刺绣图像生成不同角度的苗绣针迹纹理;再用图像线性组合的方法将多 幅苗绣针迹纹理图像合成为纹理图;最后用 Alpha 透明度混合算法将苗绣纹理图和目标图像叠 加,获得苗绣图案设色对比强烈的艺术特征,产生效果图像。实验证明,该方法能够模拟出真 实苗绣艺术作品的多角度针迹纹理效果。     

引入特征损失对CycleGAN的影响研究

在图像生成领域,传统的图像风格迁移需要在两个配对的图像间进行转换。循环一致性生成对抗网络（Cycle Generative Adversarial Network,CycleGAN）在2017年被提出后,凭借其可以针对非配对图像进行图像生成的特点取得了良好的效果,迅速成为图像生成领域的研究热点。然而经典的CycleGAN由于生成器无法准确识别图像的特定转换域和无关域,从而存在图像无关域特征随意变换的缺点,使得生成图像失真。针对以上问题,通过引入特征损失来约束生成器的特征识别,利用L1损失保证转换后的图像与原图像的像素级别对应,可以有效改善该问题,并使得生成图像更清晰。通过调整特征损失的比例超参数[μ],进一步分析了选取不同[μ]值下的特征损失时,CycleGAN的各部分损失变化以及对生成图像的质量影响,最后给出了特征损失的比例超参数[μ]值的选取策略。     

二阶段端到端的图像去雾生成网络

单幅雾天图像的恢复是计算机视觉领域的一个基础问题,现有的方法主要包括基于先验信息的去雾方法和基于学习的去雾方法.然而,在实践中,前者具有很强的假设先验,导致该类方法的应用场景具有一定的局限性;后者在获取大量的配对数据上很困难.针对这2类问题,提出一种基于非配对数据训练的二阶段端到端的自适应去雾生成网络,其基于循环生成式对抗网络框架,不同的是,在训练的过程中,提出一种二阶段映射策略.首先通过一级映射网络得到去雾结果;然后将该结果作为二级映射网络的输入,进一步提高去雾效果.另外,提出一种循环增强损失函数,并引入了先验信息约束生成器之间的映射关系.采用室内外多场景下的仿真雾图和真实雾图作为测试数据,通过全参考和无参考图像质量评价指标进行对比分析;实验结果表明,该方法不仅能够更好地适应处理各类雾天场景,有效地提高图像的峰值信噪比和结构相似度,且较好地复原了退化场景的边缘信息和色彩信息.