焦炭显微光学组织自动检测与提取方法研究

焦炭显微光学组织结构测定是一种重要的焦炭质量评价方式,针对焦炭显微图像边缘模糊对比度低且存在光晕伪影等问题,设计一种基于语义分割和全连接条件随机场的焦炭显微光学组织自动检测与提取方法。首先,利用偏光显微镜、工业相机和上位机等搭建焦炭显微光学组织测定平台;其次,利用残差模块和注意力模块改进Unet网络模型,加强显微光学组织区域的输出权重,实现对焦炭光学组织的自动检测与分割;最后,使用全连接条件随机场对显微光学组织的空间特性进行建模,细化分割边缘,精确提取焦炭显微光学组织。实验结果表明,所提方法的精确度、召回率、F1分数和准确率分别达到了0.967、0.959、0.963、0.965,优于其他对比语义分割网络,证明该方法具有较高的分割性能,能够实现对焦炭显微光学组织的自动检测与提取。     

改进的联合型图像超分辨率重建算法

针对传统锚定邻域回归(anchored neighborhood regression, ANR)的图像超分辨率方法缺乏灵活性、且对图像的细节没有很好的恢复能力的缺点,提出一种锚定邻域回归和卷积神经网络(convolution neural network, CNN)相结合的图像重建方法。首先,在ANR中提出使用弹性网络回归模型,使算法具有特征选择的特点。其次,在CNN的图像预处理部分使用lanczos3插值方法,加快了运算速度,在特征提取中提出使用具有自门控特性的Swish函数作为激活函数,用于提高测试准确度。最后,在重建图像的评价方面提出了图像的相关系数,并用于对重建图像做进一步的有效性评估。实验结果证明,所提方法平均峰值信噪比(PSNR)达到了32.68,平均结构相似性(SSIM)达到0.938 0,平均相关系数达到0.982 8。算法有效地恢复了图像的细节部分,图像质量得到了进一步提升。     

基于多分辨率特征提取网络的图像相似度学习

图像相似度学习旨在提取图像特征并构造新的相似性学习算法以对图像之间的关系建模.近年来,深度学习网络以能够自动学习特征的优势被广泛用于图像相似度学习中.针对深度学习网络提取的特征过于简单,导致相似度学习效率较低,且训练受到数据集大小的限制等问题,在改进的双分支网络和双通道网络基础上,结合数据增强和多分辨率特征提取方法,设...     

单图像超分辨率方法综述

图像超分辨率是指从低分辨率图像生成对应的高分辨率图像。它在人脸识别、数字高清电视、视频通信等领域应用广泛。为了对图像超分辨率技术进行深入探索和总结,本文首先回顾了单图像超分辨率的历史,综述了基于非学习的超分辨率方法,其中展开介绍了基于插值和基于重建的方法,接着重点介绍了基于学习的方法,详细分析了基于深度学习的图像超分辨率,具体总结了SRCNN、ESPCN、SRGAN这三种图像超分辨率方法,并将其与递归结构、密集结构、注意力机制网络结构进行对比,之后分析了损失函数和上采样方式在图像超分辨率中的作用,介绍了常用数据集和图像评价指标,展示了图像超分辨率的可视化结果。最后,总结了现有单图像超分辨率方法的进展和不足。     

特高压换流站保护系统全景监视图像超分辨率重建方法研究

针对特高压换流站全景监视系统运行环境导致的视频图像抖动、镜头出现积灰等问题,以及基于深度学习的高分辨率图像重建算法存在细节特征失真和计算复杂度较高的缺陷,提出一种基于多尺度卷积块和残差网络的图像超分辨率重建方法,通过增加具有较小内核的深度卷积层来获取图像的鲁棒细节特征,并在训练过程中加入残差网络,加快网络收敛速度,解决消失梯度,改善图像重建质量。对部分标准数据集和特高压换流站全景监视图像数据集进行了图像超分辨率重建和目标识别实验研究,与超分辨率卷积神经网络(super-resolution convolutional neural network, SRCNN)和快速超分辨率卷积神经网络(fast SRCNN, FSRCNN)方法相比,所提算法的结构相似指数均值分别增加了0.004 3和0.0298,峰值信噪比分别提高了0.17 db和0.83 dB。实验结果表明所提方法重建了细节信息更逼真的高分辨率图像,可以满足换流站全景监视的需求。     

组合NMF和PCA的图像哈希方法

图像哈希函数在内容认证、数据库搜索和数字水印中有广泛的应用。本文提出了一种新颖的基于非负矩阵分解（NMF）和主成分分析（PCA）的感知哈希方法,通过对哈希生成两阶段框架的详细分析,NMF被设计用来捕获图像的局部信息,而PCA用来捕获全局信息和信息压缩,图像之间的相似程度通过哈希的归一化相关值来确定。该方法在两阶段中都采用了伪随机处理,增强了算法安全性。实验表明建议的方法对JPEG压缩、图像滤波等内容保持操作具有较好的稳健性,同时有较好的分类能力。     

多注意力机制引导的双目图像超分辨率重建算法

由于水下环境复杂,采集的水下图像通常是退化的低质图像。因此本文提出一种多注意力机制引导的双目图像超分辨率重建算法,选择性挖掘学习图像特征信息,实现高质量图像重建。针对水下图像分辨率低问题,引入双层注意力机制来加强重要细节特征的学习;然后针对双目图像的视差特性,提出一种视差注意力机制来充分学习左右目图像的先验信息,有效提高了图像质量。在Middlebury数据集2倍和4倍重建图像的信噪比分别为33.3dB和28.39dB,表明本文算法可以在提高图像空间分辨率的同时保留图像细节信息;同时该算法在拍摄的真实水下图像上的重建效果优于其他算法,表明其能实现更高质量的水下图像超分辨率重建。     

基于层次交互动态注意力与序列学习的图像 超分辨率重建

针对图像超分辨率中网络关注度不足、模块间协同性弱和深层特征表征消失等问题,提出了一种结合层次交互动态 注意力与序列学习单元的多级残差聚合超分辨率重建模型。模型采用多层次特征融合与跳跃连接的网络结构,结合不同层 次的特征,捕获从低到高的不同级别的信息,生成更丰富和准确的表征。模块里通过残差连接避免梯度消失,实现深度网络 的平滑损失空间和灵活增加。提出动态层次融合注意力模块动态计算各个特征的重要性权重,进行有选择性的特征融合,并 通过序列学习单元捕获更长范围的上下文信息。提出多尺度特征融合模块将不同感受野的特征信息提取融合,以挖掘更深 层的特征表示。模块尾部引入轻量化无参注意力机制自适应加权特征图,恢复图像高频细节。实验结果表明,相较于主流算 法,提出的算法在各种公开测试集(Set5、Set14、BSD100、Urbanl00、Mangal09)上进行3倍超分辨率重建评估,平均峰值信噪 比提升约0.47 dB, 平均结构相似性提升约0.0068。且在遥感图像超分辨率重建方面展示出实际应用潜力。证明其在图像 超分辨率重建方面的优越性。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。