基于SK注意力残差网络的水下图像增强

针对水下图像颜色失真、关键信息模糊和细节特征丢失的问题，提出一种基于SK注意力残差网络的水下图像增强方法.该方法通过改进生成对抗网络中的生成器结构，引入残差模块，减少编码器和解码器之间的特征丢失，增强了图像细节和颜色.为了使网络能适应不同尺度的特征图提取图像关键信息，该方法在残差模块后添加SK注意力机制，采用参数修正线性单元来提高网络的拟合能力.将本文方法分别在真实和合成的水下图像数据集中进行验证，采用传统方法和深度学习的方法进行主客观评价.在主观效果分析中发现，本文方法增强后的图像颜色、关键信息和细节特征都有很大提升.在客观评价指标中发现，本文方法指标值均高于现有的水下图像增强算法，验证了该算法的有效性.     

基于梯度通道和优化透射率的水下图像复原

由于水对光的吸收和散射作用,水下图像通常存在颜色失真、对比度低等问题。为了恢复图像的颜色和清晰度,本文提出一种基于梯度通道和优化透射率的水下图像复原算法。首先根据图像背景区域的纹理特征和颜色特征,使用梯度通道结合红通道估计背景光,然后依据信息损失最小和对比度最大的优化原则估计红通道透射率图,再利用水体固有的光学特性,计算蓝、绿通道的透射率图,最后通过逆求解成像模型复原水下图像。实验结果表明,与现有算法相比,所提算法在恢复图像对比度和真实颜色上有一定优势。     

融入注意力机制的弱监督水下图像增强算法

基于监督学习的水下图像增强算法中所需成对训练样本获得困难,为此提出一种融入注意力机制的弱监督水下图像增强算法. 根据不同波长的光在水中传播时衰减程度不同的物理特性,计算红通道衰减图,并将依赖红通道衰减图引导的注意力模块融入生成网络,提高生成网络修正水下图像色偏的性能;设计对抗损失函数和结构相似性损失函数相结合的多项联合损失函数,在修正水下图像色偏的同时保留更多图像细节;在全局和局部两个尺度下优化提出的弱监督水下图像增强网络模型. 实验结果表明,所提算法在主观视觉质量和客观评价指标上都优于比较算法,可以有效地提高水下图像清晰度.     

基于深度图的水下图像复原

水下图像深度图估计的准确性影响复原后的图像质量,为得到更加准确的深度图,提出了一种基于衰减通道结合亮度图的深度图求解算法,并利用该深度图复原水下图像.首先,根据图像像素值与场景深度的关系估计水下图像的深度图,并使用图像的亮度图对深度图进行修正和细化;然后,利用深度图计算图像的大气光值和透射率图;最后,通过逆求解水下成像...     

基于通道注意力与特征融合的水下目标检测算法

水下光学图像存在色偏、低对比度、目标模糊的现象,导致水下目标检测时存在漏检、误检等问题。针对上述问题,提出了一种基于通道注意力与特征融合的水下目标检测算法。基于通道注意力设计了激励残差模块,将前向传播的特征信息进行自适应分配权重,以突出不同通道特征图的显著性,提高了网络对水下图像高频信息的提取能力;设计了多尺度特征融合模块,增加了大尺度特征图用于目标检测,利用其对应的小尺度感受野提高了网络对小尺寸目标的检测性能,进一步提高了网络对水下不同尺寸目标的检测精度;为提高网络对水下环境的泛化性能,设计了基于拼接和融合的数据增强方法,模拟水下目标的重叠、遮挡和模糊情况,增强了网络对水下环境的适应性。通过在公共数据集URPC上的实验,与YOLOv3、YOLOv4和YOLOv5相比,所提算法的平均精度均值分别提升5.42%,3.20%和0.9%,有效改善了水下复杂环境中不同尺寸目标漏检、误检的问题。     

基于散射模型的水下浑浊图像增强方法

由于水对光的选择性吸收和光的散射作用,水下图像存在色偏和雾化等现象,传统的去雾方法用于水下图像时效果欠佳。本文以散射模型为基础,提出了一种水下图像增强方法。基于局部区块熵分析估计背景光,权衡清晰度与图像逼真度设计了寻优透射率的代价函数,通过改进的加权最小二乘保边滤波算法细化透射率,设计了自适应调节因子对图像增强公式进行修正。实验结果表明:该算法能有效地去除水下图像的浑浊,提高图像的整体清晰度,验证了所提出算法工程有效性。     

基于边缘信息融合的水下焊缝图像增强算法

提出了一种基于水下环境的焊缝图像增强算法。采用高斯滤波器分离水下焊缝图像的高频分量,通过改进局部对比度增强算法(ILCE)对其进行处理,以增强图像的边缘信息;利用自适应系数设置的Gamma变换改善原始图像亮度信息,同时结合CLAHE算法以提升图像对比度;最后,将处理后的两幅图像进行融合,以得到最终的增强图像。利用本文算法及其他经典算法,针对典型的水下焊缝图像进行对比检测,结果表明,所设计的算法能有效提升图像对比度,同时能够突出焊缝边缘信息,图像均值适中,且信息熵及平均梯度均高于其他算法。     

基于无监督深度学习的红外图像与可见光图像融合算法

红外和可见光图像表征了互补的场景信息. 现有的基于深度学习的融合方法大多通过独立提取网络分别提取两个源图像特征,从而丢失了源图像之间的深度特征联系. 基于此,提出了一种新的基于无监督深度学习的红外图像与可见光图像融合算法,针对不同模态的特点采用不同的编码方式提取图像特征,利用一个模态的信息补充另一个模态的信息,并对提取到的特征进行融合,最后根据融合特征重建融合图像. 该算法可在两个模态的特征提取路径之间建立交互,不仅可预融合梯度信息和强度信息,且能增强后续处理的信息. 同时设计了损失函数,引导模型保留可见光的细节纹理,并保持红外的强度分布. 将所提算法与多种融合算法在公开数据集上进行对比实验,结果表明,所提算法获得了良好的视觉效果,客观指标评价方面对比现有的优秀算法也有一定的提升.     

基于预训练模型和编码器的图文跨模态检索算法

目前主流的图文跨模态检索模型架构主要包括基于双编码器和基于融合编码器的模型架构。基于双编码器的架构检索效率较高，但精度不足；基于融合编码器的架构检索精度较高，但效率低下。针对上述模型架构存在的问题，提出一种新的图文跨模态检索算法。首先，提出了一种召回排序策略，使用双编码器实现粗略召回，再使用融合编码器实现精准排序；其次，提出了一种基于多路Transformer预训练模型构建双编码器和融合编码器的算法，实现图文之间高质量的语义对齐，提升检索性能。在2个公开数据集MSCOCO和Flickr30k上的实验结果证明了所提算法的有效性。     

基于改进γ-CLAHE算法的水下机器人图像识别

水体及悬浮粒子对光的吸收、折射及反射导致水下图像对比度低及细节模糊,单一图像增强算法难以适用于水下复杂环境识别.为了解决该问题,提出基于小波变换和改进的γ-CLAHE相融合的图像增强算法.通过快速中值滤波去除图像中噪声,向CLAHE算法中加入自适应伽马变换,解决CLAHE算法处理水下图像色彩失真,丢失孤立点、细线,画面突变等问题.利用改进的γ-CLAHE算法处理小波变换分解后的低频部分,增强图像并加快运行速度.通过小波逆变换将γ-CLAHE算法处理后的低频部分和双边滤波处理后的高频部分相融合,得到最终的增强图像.将实验图像同传统CLAHE、Retinex、Singh融合算法的处理图像进行对比,验证本研究算法在水下图像处理方面的有效性和优越性.     

上下文信息多样聚合的图像修复算法

为解决现有算法修复大面积、不规则语义缺失图像时存在结构扭曲和纹理模糊的缺陷，提出了一种基于上下文信息的多样聚合图像修复算法。首先，用编码器提取待修复图像的信息，估计缺失内容，经纹理信息生成模块融合来自各种感受野的上下文信息，增强缺失区域的结构与纹理信息；然后，经解码器恢复原始图像特征；最后，使用掩码匹配鉴别器对生成图像进行鉴别训练，结合对抗损失、重建损失、感知损失和风格损失共同优化模型，促进生成器合成清晰的纹理。在公开数据集上，对所提算法进行训练和测试，实验结果表明，修复随机不规则大面积语义缺失图像时，所提算法可得到比对比算法更清晰合理的结构和纹理细节，其峰值信噪比和结构相似度等客观指标均优于对比算法。     

多层次特征融合与超图卷积的生成对抗壁画修复

针对现有深度学习图像修复方法在修复壁画时,存在特征利用率低及对上下文信息关注不足等问题,提出了一种多层次特征融合与超图卷积的生成对抗壁画修复模型。首先,设计金字塔特征提取层结构,利用金字塔特征分层对壁画进行多尺度层次特征提取,并采用混合空洞卷积单元扩大多层特征提取感受野,克服了单尺度卷积操作对于壁画特征提取能力不足的问题。然后,提出多分支短链融合层及门控机制融合多分支特征,将相邻分支间的特征信息进行融合,使融合后的壁画特征图中既有同分支的特征,又有相邻分支的特征,提高特征信息的利用率,并引入门控机制对特征进行选择融合,减少细节信息的丢失。接着,将融合特征通过ConvLSTM特征注意力,增强对壁画上下文信息的关注。最后,设计超图卷积壁画长程特征增强模块,通过在编码器和解码器的跳跃连接之间建立超图卷积层,利用超图卷积来捕获编码器的空间特征信息,将其迁移到解码器中,有助于解码器更好地生成壁画图像,加强特征的长程依赖关系,并与SN-PatchGAN判别网络对抗完成壁画修复。通过对人为添加破损和真实破损壁画图像进行数字化修复实验,结果可以发现：所提方法在PSNR和SSIM等客观评价指标均优于对比算法。多组实验结果表明：所提方法的对于破损壁画修复结果更加清晰自然。     

基于色彩校正和TransFormer细节锐化的水下图像增强

针对水下图像对比度低、细节表现差且存在色偏等问题,提出了一种多输入的基于TransFormer和卷积神经网络（CNN）的水下图像复原方法。利用TransFormer和相对总变差（RTV）构造深度特征提取模块,融合RTV提取的纹理图与TransFormer提取到的图像信息,有效增强了图像的细节特征。利用自动色彩均衡和Lab色彩空间构建色彩校正模块,提升图像对比度,同时校正颜色。利用多项损失函数约束网络收敛,得到增强后的清晰水下图像。最后,将本文方法与其他方法在测试集上进行定量和定性对比分析,实验结果表明,经过本文方法处理后的图像在清晰度、色彩表现和纹理信息方面均优于其他对比方法。     

基于灰度-梯度不变矩的水下目标识别系统

针对水下图像增强问题,提出了一种基于最小交叉熵的模糊增强方法,该方法定义了一种新的S形隶属度函数,可以减少图像在增强之后灰度信息的丢失;结合最小交叉熵准则自适应确定增强阈值,达到了快速有效的增强效果.针对水下图像光照不均匀问题,提出了基于结合色调的灰度动态线性变换不变矩图像分割算法,结合色调的灰度动态线性变换,抑制受光照不均影响的背景,降低了光照不均对图像分割结果的影响.在图像增强和分割基础上,提取目标的灰度一梯度共轭不变矩特征,以像素梯度特征弥补灰度特征空间信息不足,目标识别率达到94.4%,比灰度不变矩识别提高了6.4%.     

基于Retinex和ADMM优化的水下光照不均匀图像增强算法

针对水下光照不均匀及光照较弱引起的成像模糊及失真问题,提出了一种基于Retinex和ADMM优化的水下图像增强方法。提取原始图像Lab空间的L分量作为初始光照图,并基于交替方向乘子法(ADMM)构造增广拉格朗日框架,对初始光照图进行优化获得精准的光照图像,并且通过伽马校正在亮度域对光照图进行进一步校正;结合Retinex理论中物体颜色恒常性的特性,求取物体的反射图像;利用双边滤波器抑制了水下噪声,获得更细致的增强图像。实验结果表明,所提的水下光照不均匀图像增强算法能有效解决因自然光或人工光源引起的光照不均匀及水下弱光照现象,提高了水下图像的质量,相较于其他算法,具有更好的性能。     

一种改进的水下偏振图像融合算法研究

针对传统图像融合算法造成的对比度低、细节信息模糊等问题,提出了一种改进的基于二维离散小波变换的图像融合算法.利用光强度相机和分焦平面相机同时对水下运动目标进行探测,获得光强图像和偏振图像.将计算得到的偏振度图像和偏振角图像先进行简单的融合处理,再将融合后的偏振特征图像与光强图像采用改进的二维离散小波变换进行分解,得到低频分量和高频分量.对于低频部分,提出一种基于区域方差加局部能量相结合的图像融合算法;高频部分采用一种基于Sobel算子的图像融合算法.最后将低频分量与高频分量进行二维离散小波重构,得到结果图像.仿真结果表明,与传统图像融合算法相比,该算法获得的融合图像有效地拉升了目标与背景的对比度,增强了水下图像视觉效果,有利于准确识别水下运动目标.     

面向水下场景的轻量级图像语义分割网络

提出面向水下场景的图像语义分割网络，考虑到速度和准确度之间的权衡问题，网络采用轻量且高效的编解码器结构.在编码器部分，设计倒置瓶颈层和金字塔池化模块，高效地提取特征.在解码器部分，构建特征融合模块融合多水平特征，提升了分割的准确度.针对水下图像边缘模糊的问题，使用辅助的边缘损失函数来更好地训练网络，通过语义边界的监督细化分割的边缘.在水下语义分割数据集SUIM上的实验数据表明，对于320像素×256像素的输入图像，该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s,mIoU达到53.55%，能够在保证高准确度的同时，达到实时的处理速度.     

基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别

针对跨分辨率场景下行人图像存在场景复杂、重建图像特征提取效果差等问题,提出基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别算法.该算法在超分辨率重建网络中嵌入动态前景聚焦模块,利用全卷积自动编码器提取目标行人特征,通过高斯掩码对网络进行空间引导,从而使判别特征聚焦在前景上;并经过动态感知模块自动捕获前景的重要特征.又通过构建多粒度相互协同的伪孪生网络,实现判别特征的精细化识别.最后,所提算法在跨分辨率数据集MLR-Market-1501,MLR-DukeMTMC-ReID和CAVIAR上进行实验,Rank-1精度分别达到了91.3%,83.4%和48.5%,证明了所提算法对跨分辨率行人重识别任务的有效性.     

3分支多层次Transformer特征交互的RGB–D显著性目标检测

RGB深度图像（RGB–D）显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种3分支多层次Transformer特征交互的RGB–D显著性目标检测模型。首先,提出一个跨模态坐标注意力模块,该模块通过采用坐标注意力抑制RGB图像和深度图的噪声信息,从而提取出更为显著的特征信息用于后续解码。其次,通过特征融合模块将高层的3层特征图调整到相同的分辨率送入Transformer层,有效地获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,提出一个多层次特征交互模块,该模块有效地聚合多层次信息进行特征交互,从而能够更精准地定位显著性目标的位置,同时对显著性目标的边界进行细化。最后,设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。将模型在5个公开的基准数据集上与19种主流模型相比,实验结果表明：本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度;从P–R(precision–re...     

基于残差注意力机制的图像去雾算法

传统基于先验知识与基于学习的图像去雾算法依赖大气散射模型,容易出现颜色失真和去雾不彻底的现象。针对上述问题,提出一种端到端的基于残差注意力机制的图像去雾算法,该算法网络包括编码、多尺度特征提取、特征融合和解码4个模块。编码模块将输入的雾图编码为特征图像,便于后续特征提取并减少内存占用;多尺度特征提取模块包括残差平滑空洞卷积模块、残差块和高效通道注意力机制,能够扩大感受野并通过加权筛选提取的不同尺度特征以便融合;特征融合模块利用高效通道注意力机制,动态调整不同尺度特征的通道权重,学习丰富的上下文信息并抑制冗余信息,增强网络提取雾霾密度图像的能力从而使去雾更加彻底;解码模块对融合后的特征进行非线性映射得到雾霾密度图像,进而恢复无雾图像。通过在SOTS测试集和自然有雾图像上进行定量和定性的测试,所提方法取得了较好的客观和主观评价结果,并有效改善了颜色失真和去雾不彻底的现象。