融合层次特征和注意力机制的轻量化矿井图像超分辨率重建方法

针对矿井图像灰暗模糊、边缘不清晰等问题,提出了一种融合层次特征和注意力机制的轻量化矿井图像超分辨率重建方法。首先设计一种残差坐标注意力模块,在残差块中融入坐标注意力机制,使网络获得更丰富的高频细节信息;其次采用层次特征融合机制,对不同网络层次的特征信息进行特征融合,促进边缘细节信息的重建。最后,再对融合后的特征进行降维以减少模型计算量和参数量。为了使模型在真实矿井场景中具有更好的泛化能力,构建了一种煤矿井下图像数据集CMUID用于网络模型的训练和测试实验。实验结果表明,本文算法的重建图像质量在客观指标和主观感受上均优于其他对比算法。当缩放因子为4时,与OISR算法相比,在煤矿井下数据集上PSNR和SSIM的平均值分别提升了0.318 5 dB和0.012 6,在公共数据集上PSNR和SSIM的平均值分别提升了0.1 dB和0.003 5;网络模型参数量减少了70.7%。     

基于偏振度优化与大气光校正的图像去雾

为提高偏振去雾算法对雾气场景的恢复能力，提出一种偏振度优化与大气光校正的偏振图像去雾算法。首先，依据雾气场景亮度分布，使用导向滤波将雾气图像分解为亮面残差和暗面残差；其次，扩大亮面残差对应的偏振度值，削减暗面残差对应的偏振度值以优化偏振度，该偏振度可将大气光图像模糊；最后，利用偏振度在亮面和暗面残差上的差异，对大气光强度进行校正，以使其随雾气的变化规律满足大气退化模型。实验结果表明：本文算法的去雾图像相较原雾气图像，对比度提高3.07倍、信息熵提高9.21%、标准差提高61.86%。且在不同浓度模拟雾气环境中，本文算法都有较为优异的SSIM、PSNR和CIEDE2000。相较于现有先进图像去雾算法，本文算法去雾效果明显，可以有效地复原雾气中场景的细节信息。     

混合残差学习与导向滤波算法在图像去雾中的应用

为解决雾天场景图像恢复过程中图像清晰度和对比度下降的问题,提出了一种结合残差学习和导向滤波的单幅图像去雾算法。使用雾天图像与对应的清晰图像构建残差网络;采用多尺度卷积提取更多细节的雾霾特征;利用导向滤波各向异性的优点,对残差网络去雾后的图像进行滤波以保持图像边缘特性,得到更加清晰的无雾图像。通过与DCP算法、CAP算法、SRCNN算法、DehazeNet算法和MSCNN算法相比,在合成雾天图像上,峰值信噪比值最高达到31.951 8dB,结构相似度值最高达到0.979 6,在自然雾天图像上的运行时间最低达到了0.4s,主观评价和客观评价均优于其它对比算法。实验结果表明,所提去雾算法不仅去雾效果较优,而且速度较快,具有较强的实用价值。     

基于多路径网络的权值调整图像语义分割算法

为提高图像语义分割准确程度,针对场景解析中类别边缘分辨清晰度,提出了一种基于多路径网络的权值调整图像语义分割算法。通过引入多路径网络和权值调整并对图像场景中的物体类别具有的特征进行分析,提高图像的语义分割的准确程度;通过采用ADE20K数据集进行训练,提高边缘信息的分割效果,使模型具有更好的泛化能力。此算法加快了网络收敛速度。     

基于深度残差网络的强辐照图像去噪方法研究

针对传统去噪方法难适用于强辐照环境下图像去噪问题,提出一种基于深度残差网络的强辐照图像去噪方法。首先利用深度残差网络自适应提取辐照图像的高维特征,构建图像去噪深度网络模型;然后利用数据增广技术扩增网络所需数据集;最后以交叉熵损失函数作为网络的评价指标,拟合出噪声图像和干净图像之间的映射关系。实验表明:该方法去噪后PSNR值能提高9 dB以上,且该方法具有强适应性;与现有主流去噪方法相比,所提方法去噪效果更优。     

多维注意力机制与选择性特征融合的图像超分辨率重建

针对图像超分辨率重建过程中提取低分辨率特征效果较差，大量高频信息丢失导致的边缘模糊和伪影问题，提出了融合多维注意力机制与选择性特征融合作为图像特征提取模块的图像超分辨率重建方法。网络由若干个基本块和残差操作构建模型的特征提取结构，其核心是一种提取图像特征的异构组卷积块，该模块的对称组卷积块以并行的方式进行卷积提取不同通道间的内部信息特征并进行选择性特征融合，互补卷积块通过全维度动态卷积从空域、输入输出维度和核维度捕捉遗漏的上下文信息，对称组卷积块和互补卷积块连接后的特征采用特征增强残差块去除冗余造成干扰的无用信息。模型通过5种消融实验证明其设计的合理性，在Set5,Set14,BSDS100和Urban100测试集上与其他主流的超分辨率重建方法进行对比，峰值信噪比（PSNR）和结构相似性（SSIM）定量数据均有提升，尤其在放大因子为3的Set5数据集上比次优算法CARN-M均提升0.06 dB，结果表明提出模型具有更优的性能指标和更好的视觉效果。     

基于Res2-Unet多阶段监督的图像降噪

为了提高基于深度学习的图像降噪效率,提出了一种基于Res2-Unet-SE的多阶段监督深度残差（Multi-stage Supervised Deep Residual,MSDR）降噪神经网络。首先基于该神经网络,将图像降噪分为多阶段处理过程;然后在各处理阶段,将不同分辨率图像块输入到Res2-Unet子网络中获取不同尺度特征信息,并通过通道注意力机制将自适应学习的特征融合信息传递到下阶段;最后将不同尺度特征信息叠加,完成高质量的图像降噪。实验选择BSD400数据集用于训练,通过Set12数据集进行高斯噪声的降噪测试;通过SIDD数据集完成真实噪声的降噪测试。通过与常见的降噪神经网络对比表明,对图像添加σ=15,25,50的高斯噪声时,经本文算法降噪后的图像PSNR比对高斯噪声消除性能较好的DNCNN分别提高0.03 dB,0.05 dB,0.14 dB;在σ=25,50时,相较于MPRNET分别提高了0.02 dB, 0.06 dB。对含真实噪声的图像,经本文算法降噪后的图像PSNR比CBDNET算法提高0.48 dB。实验分析表明,本文算法在图像降噪上具有较高的鲁棒性,不仅能从噪声...     

基于注意力和宽激活密集残差网络的图像超分辨率重建

针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题,提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先,四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块,并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图,且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时,在不增加参数情况下使得所提取特征的多样性更加丰富。最后,对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明,所提算法在BSD100数据集上4倍超分辨率时,相比LatticeNet模型的PSNR指标提升了0.14 dB,SSIM提升了0.001,在主观视觉方面,重建出的图像局部纹理细节也更加清晰。     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

基于改进高分辨率神经网络的多目标行人跟踪

针对行人多目标跟踪过程中目标被遮挡时产生的检测、跟踪失败问题,提出了一种改进型高分辨率神经网络作为检测网络。首先,为了增强网络对于行人目标的初始特征提取能力,在高分辨率神经网络的基础上,对网络的主干部分引入二代瓶颈残差块结构,提升感受野和特征表达力;其次,设计了添加二层高效通道注意力模块的残差检测块架构,并通过该架构替换了原有网络在多尺度信息交换阶段中的残差检测块,以提高了整个网络系统的测试性能;最后,通过选择适当的参数对网络进行了全面地训练,并通过多个测试集对算法测试。测试结果显示,本文算法相较于FairMOT在2DMOT15,MOT17,MOT20数据集上的跟踪准确度分别提升0.1%,1.6%,0.8%。本文算法可以良好地应用在目标较多且遮挡面积较大的特殊情景,同时对于较长时间视频序列的追踪稳定性也大大提高。     

全景海域图像中的圆形海天线提取

针对全景海域图像背景复杂且海天线呈近似圆形的特点,提出了一种基于分形维数和改进Hough圆变换的全景海天线提取算法。该算法首先通过地毯覆盖法计算海域全景图像的分形维数,并据此提取出全景采集装置等设备在全景图像中的成像,消除其对海天线检测的不良影响。针对经典的梯度Hough圆变换算法提取全景海天线时无法给出唯一正确解的问题,提出了一种改进的Hough圆变换算法来有效提取全景海天线。对400幅不同情况下采集的全景海域图像进行了实验。结果表明,提出的算法在理想情况、海天线部分缺失、低对比度和海天线大范围断裂等多种情况下均可以有效提取出全景圆形海天线,检测准确率达95.75%,适用性和鲁棒性良好。     

结合多特征的视频镜头检测方法

针对视频镜头边缘检测准确率低的问题,提出了一种新的基于多特征的视频镜头检测算法。首先按时序读取多帧图像,并转换为灰度图;进一步将帧图像均匀分块,计算每个图像块的平均梯度,构造视频动态纹理;比较相邻帧视频动态纹理的相关性及两帧SIFT特征的匹配程度,根据匹配结果得出预检测结果;接下来与步长低于人眼刷新频率的下一帧动态纹理及SIFT特征相比较,得到最终的结果。通过对多组不同类型的视频数据进行实验,均能取得较高的召回率和准确率。该文算法对结构较复杂的渐变镜头进行检测,也能取得较高的检测准确率和召回率。     

融合双注意力机制EfficientNet的沥青路面状态分类方法

针对现有EfficientNet模型应用于沥青路面状态分类时，卷积操作易导致高层特征信息丢失问题，在现有EfficientNet模型的深层结构中引入一种双注意力机制，包含通道注意力模块和位置注意力模块，借助Sigmoid线性单元（Sigmoid linear unit，SiLU）激活函数和余弦学习率衰减策略，提出一种融合双注意力机制EfficientNet （Dual attention network based on EfficientNet，DAEfficientNet）的沥青路面状态分类方法。首先，建立不同天气下5种沥青路面共5 938张图像作为数据集，积雪样本来自开源数据集（Canadian adverse driving conditions dataset，CADCD）。然后，对所提出模型进行训练，并得到沥青路面图像分类结果。最后，利用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 score和特异度（Specificity），将所提出模型与其他现有卷积神经网络模型进行分类效果对比分析。试验结果表明：所提出模型优于其他对比模型，能准确、有效地对不同天气下的沥青路面状态进行分类。     

强反射表面缺陷图像预处理

为了校正强反射表面图像的亮度不均匀性,抑制局部强亮度现象,同时使其保留足够多的原始图像信息,研究了强反射表面缺陷图像的预处理方法。分析了强反射表面的光学特性,研究了偏微分方程理论及同态滤波算法,在此基础上提出了一种基于偏微分方程的同态滤波算法,即采用热传导方程滤波算子对同态分解的图像进行处理。引入信息熵对不同尺度参数下的处理效果进行评价,从而确定热传导同态滤波的尺度参数,并将该算法与背景去除法、基于小波的同态滤波算法进行了比较。对比实验表明,采用提出的算法处理后得到的图像其灰度级均匀分布在1～6之间,信息熵值均在91%以上。该方法校正了图像亮度的不均匀性,提高了图像质量,同时能保留足够多的原始图像信息。     

结合成像几何特征的立体元图像阵列编码

为了解决集成成像系统中立体元图像阵列存储和传输的问题,本文提出了一种结合成像几何特征的立体元图像阵列编解码算法。首先,根据立体元图像阵列采集过程中的相关物理参数确定不同立体元图像中同名像点的偏移量,对立体元图像阵列中每行相邻立体元图像进行分组并确定编码顺序。然后,确定待编码立体元图像的预测图并计算待编码立体元图像与其预测图的残差。最后,对残差进行HEVC编码。实验结果表明,与传统的HEVC帧内预测编码算法,以及与将立体元图像阵列中的所有立体元图像组成一个视频序列进行HEVC编码的算法相比,在相同比特率的情况下,本算法解码图像的质量提高了10~25dB,说明本文提出的算法具有更高效的编码性能。     

雨雪天气下的激光雷达滤波算法研究

在雨雪等恶劣天气下,由于雨雪颗粒的遮挡,激光雷达的性能会受到严重影响,给三维目标检测带来了很大困难。针对这个问题,提出了一种基于马氏距离的动态离群点滤波算法;首先通过建立KD树,根据不同欧氏距离计算离群点的马氏距离,去除点云雨雪噪声;最后将该算法应用于目标检测。经过加拿大恶劣天气公开数据集(CADCD)和实际实验的验证,在中雪和大雪天气下,与DROR滤波方法对比,本文提出的滤波算法精确率分别相对提高了7.88%,7.72%;在实际雨天实验中,本文算法精确率比DROR滤波相对提高了10%。在目标检测应用方面,与仅采用Pointpillars的算法相比,采用该滤波的检测算法车辆和行人的检测精度也分别相对提高了19.26%,20.39%,在数据集和实际实验场景下均验证了本文算法的有效性。     

基于背景差分的高铁钢轨表面缺陷图像分割

高铁钢轨表面图像具有光照变化、反射不均、特征少等特点,使得缺陷自动检测极为困难。为了在高速运动过程中,从复杂的钢轨表面图像中分割出缺陷,根据钢轨表面图像具有沿钢轨方向像素值基本不变的特征,建立钢轨表面图像背景模型,提出了基于背景差分的钢轨表面缺陷检测算法,主要包括钢轨区域提取、背景建模差分、阈值分割和图像滤波4个步骤,其主要特点是将视频监控中的背景差分法推广到缺陷图像分割领域,同时借助自适应阈值分割和滤波技术,在一定程度上,解决了铁轨表面缺陷分割过程中图像光照变化、反射不均、特征少等不利因素的影响。实验仿真和现场测试结果均表明,该方法对块状缺陷能很好地识别,召回率和准确率分别达96%和80.1%。     

基于谱残差视觉显著性的带钢表面缺陷检测

针对带钢表面缺陷检测实时性要求高,采集的图像易受光照环境影响且缺陷特征弱等因素影响,提出一种基于谱残差视觉注意模型的带钢表面缺陷在线检测算法。首先,提出改进同态滤波方法对图像预处理,去除光照不均匀的影响,改善后续的分割结果。然后,构建谱残差视觉注意模型,通过对数频谱曲线差分得到缺陷显著图像。最后,提出加权马氏距离方法对显著图像阈值化增强,并利用连通区域标记法,标记出原带钢图像的缺陷位置。对提出的算法进行了实验验证,结果显示:该算法检测速度快,单幅图像平均检测耗时仅37.6ms,满足带钢在线实时检测要求。在同一缺陷数据库与灰度投影法,多尺度Gabor边缘检测法和隐马尔可夫树模型法进行了性能对比,结果表明:本文算法对带钢常见8类缺陷类型,平均检测率达到了95.3%,且漏检率和误检率较低,有效性高于对比算法。     

Segmentation of epithelium in H&E stained odontogenic cysts

An algorithm for the automated segmentation of epithelial tissue in digital images of histologic tissue sections of odontogenic cysts (cysts originating from residual odontogenic epithelium) is presented. The algorithm features an image standardization process that greatly reduces variation in luminance and chrominance between images due to variations in sample preparation. Segmentation of the epithelial regions of images uses an algorithm based on binary graph cuts where graph weights depend on probabilities obtained from colour histogram models of epithelium and stroma image regions. Algorithm training used a data set of 38 images of four types of odontogenic cyst and was tested using a separate data set of 35 images of the same four cyst types. The best parameters for the segmentation algorithm were determined using a response-surface optimizer. The best parameter set resulted in an overall mean (± std. dev.) sensitivity of 91.5 ± 17% and overall mean specificity of 85.1 ± 18.6% on the training set. Particularly good results were obtained for dentigerous and odontogenic keratocysts for which the mean sensitivities/specificities were 91.9 ± 6.15%/97.4 ± 2.15% and 96.1 ± 1.98%/98.7 ± 3.16%, respectively. Our method is potentially applicable to many pathological conditions in similar tissues, such as skin and mucous membranes where there is a clear microscopic distinction between epithelium and connective tissues.