基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

图像盲复原算法研究现状及其展望

当点扩展函数未知或不确知的情况下，从观察到的退化图像中恢复原始图像的过程称为图像盲复原。近年来，图像盲复原算法得到了广泛的研究。本文首先根据点扩展函数的特点，将图像盲复原算法分为单通道盲复原算法、空间不变多通道盲复原算法和空间变化图像盲复原算法等3种类型；然后讨论了3种算法的研究现状并指出了现有各种算法的优缺点，最后通过研究总结出以下结论：现有算法的改进以及新的算法研究、基于非线性退化模型的算法研究、去噪处理算法研究、实时处理算法以及算法的应用研究是今后进一步研究的发展方向。     

一种改进的NAS-RIF图像盲复原算法

文中给出了一种用于图像盲复原的基于非负支撑域受限递归滤波算法(NAS-RIF)的改进算法.即将零相位RIF和小波去噪技术引入到NAS-RIF图像盲复原算法中,且在NAB-RIF图像盲复原算法计算当中,采用了共轭梯度法进行了计算优化;如此算法抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果以及提高算法的收敛速度.由实验结果可以看出,改进后的算法具有更好的抗噪性能和复原效果.     

一种改进的NAS-RIF图像盲复原算法

文中给出了一种用于图像盲复原的基于非负支撑域受限递归滤波算法(NAS-RIF)的改进算法。即将零相位RIF和小波去噪技术引入到NAS-RIF图像盲复原算法中,且在NAS-RIF图像盲复原算法计算当中,采用了共轭梯度法进行了计算优化;如此算法抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果以及提高算法的收敛速度。由实验结果可以看出,改进后的算法具有更好的抗噪性能和复原效果。     

劣质SAR图像退化模型研究

为了改善SAR图像的质童,提出了劣质SAR图像的退化模型.根据在斑点非完全发育的非平稳域,SAR图像受斑点噪声污染或线性模糊退化两种主要因素降质的特点,设计了两种具有代表性的复原流程,并采用复小波域层内层间相关性斑点抑制算法和维纳去卷积盲复原算法进行复原.实验结果表明,复原后图像的视觉效果和PSNR值均有明显的改善.     

基于二阶加权差分的湍流退化图像快速复原

针对航天飞行器成像系统大气湍流扰动条件下退化图像的快速复原需求,对二维卷积理论进行了探讨,构造了移位算子。提出了基于二维卷积理论和移位算子的复杂背景图像大气湍流退化图像的相邻帧快速复原算法,该算法主要将基于二阶的加权差分极小作为空间相关性约束应用在湍流退化图像的复原校正过程中,自定义几个二阶加权差分项,推导了二阶加权差分算子矩阵快速构造的理论方法。在此基础上,将点扩展函数的非线性估计转化为基于递归迭代的线性方程快速求解,为大气湍流干扰所引起的退化图像的复原校正提供了一种快速的有效方法。实际场景大气湍流退化图像的复原校正实验结果表明,该方法对湍流退化图像的复原效果好,且算法稳定,速度较快。     

基于空间自适应正则化和Hopfield网络的图像盲复原方法

本文在研究空间自适应正则化和Hopfield神经网络图像复原算法的基础上，综合两者的优点，提出了一种退化图像的盲复原方案，先对退化图像利用SAR算法进行先验辨识，再利用基于连续函数的全并行自反馈改进Hopfield神经网络算法进行精确的复原。仿真证明，此方案的盲复原结果图像的质量有很大改善。     

双目标的CNN无参考图像质量评价方法

为有效提取与人类视觉感知高度相关的图像质量特征，提出了一个估计图像退化类型和质量评分的双目标卷积神经网络（CNN）结构。该网络结构有次序地分步提取用作退化类型分类和用作估计质量评分的特征，使网络更充分地挖掘图像退化类型信息并强化其对质量评分估计任务的辅助作用，进而提升了网络对图像质量特征的学习能力，同时实验表明两步特征提取的方式能加速网络的收敛。通过在标准图像质量评价数据库LIVE和TID2008上的对比实验，结果表明该算法在图像退化类型和质量评分两个任务中，整体性能均明显优于其他经典评价方法。     

三维显微图像PML超分辨率复原算法

针对显微镜透明厚样本成像原理,将Possion模型的最大似然二维图像复原算法进行三维拓展,为提高图像分辨率,应用三维显微图像复原.对已知三维清晰图像进行了退化处理,并且使用该三维拓展算法对退化图像进行复原处理.仿真实验结果表明,算法能使复原图像散焦信息的干扰得到有效的排除,获得更多的细节和信息,信噪比得到明显改善,频谱均值提高,与原清晰图像的频谱相关性较好,有较强的超分辨率复原能力,复原效果优于线性方法.     

基于改进CycleGAN的视频监控人脸超分辨率恢复算法

针对有监督超分辨率算法训练过程需要大量成对图像、处理真实低分辨率图像视觉恢复效果差等问题,提出了一种基于改进CycleGAN的半监督算法Cycle-SRNet.首先,利用退化模型获得与真实低分辨率人脸相似的图像,用于训练网络参数;其次,通过重建模型恢复出具有真实效果的高分辨率人脸图像;最后引入感知损失函数保持人脸结构相似性,以更好地恢复面部特征.实验结果表明,该算法不需要成对的图像进行网络训练,在视觉效果上能够将模糊的视频监控低分辨率人脸图像恢复成清晰可辨的人脸图像,在FID、PSNR和SSIM指标上超越了SRCNN、SRGAN、CinCGAN等方法.     

基于视觉感知的梯度结构相似度图像质量评价*

尽管SSIM(Structural Similarity)图像质量评价算法结构简单,评价性能优于一般客观评价算法,但该算法没有考虑人类视觉系统HVS(human visual system)对视觉感知的影响,且其算法定义中对“结构信息”的表述过于简单,并不能完全描述自然图像的结构信息。在SSIM算法的基础上,结合亮度和对比度掩蔽等视觉感知信息构造视觉感知（Visual Perception）函数,提出基于视觉感知的梯度结构相似度评价方法VI_GSSIM（Visual Perception and Gradient based SSIM, VI_GSSIM）。该方法通过图像质量与图像内容和失真类型的相关性,结合图像的误差可视性与内容可视性构造视觉感知函数,对HVS底层视觉系统建模,同时利用梯度重新定义结构信息,得到基于视觉感知的梯度结构相似度模型,对图像进行质量评价。实验结果表明提出的VI_GSSIM算法比SSIM更符合人眼的视觉特性,尤其适合评价降质较严重的图像。     

沙尘图像色彩恢复及增强卷积神经网络

目的 在沙尘天气条件下,由于大气中悬浮微粒对入射光线的吸收和散射,户外计算机视觉系统所采集图像通常存在颜色偏黄失真和低对比度等问题,严重影响户外计算机视觉系统的性能。为此,提出一种带色彩恢复的沙尘图像卷积神经网络增强方法,由一个色彩恢复子网和一个去尘增强子网组成。方法 采用提出的色彩恢复子网(sand dust color correction, SDCC)校正沙尘图像的偏色,将颜色校正后的图像作为条件,输入到由自适应实例归一化残差块组成的去尘增强子网中,对沙尘图像进行增强处理。本文还提出一种基于物理光学模型的沙尘图像合成方法,并采用该方法构建了大规模的配对沙尘图像数据集。结果 对大量沙尘图像的实验结果表明,所提出的沙尘图像增强方法能很好地去除图像中的偏色和沙尘,获得正常的视觉颜色和细节清晰的图像。进一步的对比实验表明,该方法能取得优于对比方法的增强图像。结论 本文所提出的沙尘图像增强方法能很好地消除整体的黄色色调和尘霾现象,获得正常的视觉色彩和细节清晰的图像。     

基于前景语义信息的图像着色算法

图像可分为前景部分与背景部分,而前景往往是视觉中心。在图像着色任务上,由于前景的类别多且情况复杂,着色困难,以至于图像中的前景部分会存在着色暗淡和细节丢失等问题。针对这些问题,提出了基于前景语义信息的图像着色算法,以改善图像着色效果,达到图像整体颜色自然、内容颜色丰富的目的。首先利用前景子网提取前景部分的低级特征和高级特征;然后将这些特征融合到全景子网训练中,以排除背景颜色信息影响并强调前景颜色信息;最后用生成损失和像素级别的颜色损失来不断优化网络,指导生成高质量图像。实验结果表明,引入前景语义信息后,所提算法在峰值信噪比（PSNR）和感知相似度（LPIPS）上有所提升,可有效改善视觉中心区域着色中的色泽暗淡、细节丢失、对比度低等问题;相比其他算法,该算法在图像整体上取得了更自然的着色效果,在内容部分上取得了显著的改进。     

基于邻域结构相似性的混合噪音线性滤波算法

本文提出一种基于像素邻域结构信息相似性的混合噪音线性滤波算法(GLMF)。该算法是对线性混合滤波器(LMF)的一种改进,它利用图像中存在着大量冗余信息的特性,恢复被混合噪音染污的像素,在判断邻域内像素的相似性时,除考虑像素灰度值的相似性之外,又考虑了像素邻域结构的相似性,用像素灰度值的梯度来表示邻域结构信息。仿真实验证明,用GLMF去噪的视觉效果和峰值信噪比(PSNR)均优于已知的同类滤波器。该算法适用于恢复被高斯噪音和随机脉冲噪音混合污染的数字图像。     

基于并联卷积与残差网络的图像超分辨率重建

现有的图像超分辨率重建算法可以改善图像整体视觉效果或者提升重建图像的客观评价值,然而对图像感知效果和客观评价值的均衡提升效果不佳,且重建图像缺乏高频信息,导致纹理模糊。针对上述问题,提出了一种基于并联卷积与残差网络的图像超分辨率重建算法。首先,以并联结构为整体框架,在并联结构上采用不同卷积组合来丰富特征信息,并加入跳跃连接来进一步丰富特征信息并融合输出,从而提取更多的高频信息。其次,引入自适应残差网络以补充信息并优化网络性能。最后,采用感知损失来提升恢复后图像的整体质量。实验结果表明,相较于超分辨率卷积神经网络（SRCNN）、深度超分辨率重建网络（VDSR）和超分辨率生成对抗网络（SRGAN）等算法,所提算法在重建图像上有更好的表现,其放大效果图的细节纹理更清晰。在客观评价上,所提算法在4倍重建时的峰值信噪比（PSNR）和结构相似性（SSIM）相较于SRGAN分别平均提升了0.25 dB和0.019。     

基于双注意力机制信息蒸馏网络的图像超分辨率复原算法

针对超分辨率复原技术中网络层数不断加深导致的网络训练困难、特征信息利用率低等问题,设计并实现了一种基于双注意力的信息蒸馏网络(IDN)的图像超分辨率复原算法.首先,利用IDN较低的计算复杂度及信息蒸馏模块提取更多特征的优势,通过引入残差注意力模块(RAM)并考虑图像通道之间的相互依赖性来自适应地重新调整特征权重,从而进...     

基于混合注意力的Transformer视觉目标跟踪算法

基于Transformer的视觉目标跟踪算法能够很好地捕获目标的全局信息,但是,在对目标特征的表述上还有进一步提升的空间.为了更好地提升对目标特征的表达能力,提出一种基于混合注意力的Transformer视觉目标跟踪算法.首先,引入混合注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;然后,通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;最后,在Transformer编码器中加入所构建的卷积位置编码层,为跟踪器提供精确且长度自适应的位置编码,提升跟踪定位的精度.在OTB100、VOT2018和LaSOT等数据集上进行大量实验,实验结果表明,通过基于混合注意力的Transformer网络学习特征间的关系,能够更好地表示目标特征.与其他主流目标跟踪算法相比,所提出算法具有更好的跟踪性能,且能够达到26帧/s的实时跟踪速度.     

适合跨域目标检测的雾霾图像增强

目的 室外监控在雾霾天气所采集图像的成像清晰度和目标显著程度均会降低,当在雾霾图像提取与人眼视觉质量相关的自然场景统计特征和与目标检测精度相关的目标类别语义特征时,这些特征与从清晰图像提取的特征存在明显差别。为了提升图像质量并且在缺乏雾霾天气目标检测标注数据的情况下提升跨域目标检测效果,本文综合利用传统方法和深度学习方法,提出了一种无监督先验混合图像特征级增强网络。方法 利用本文提出的传统先验构成雾气先验模块;其后连接一个特征级增强网络模块,将去散射图像视为输入图像,利用像素域和特征域的损失实现场景统计特征和目标类别语义相关表观特征的增强。该混合网络突破了传统像素级增强方法难以表征抽象特征的制约,同时克服了对抗迁移网络难以准确衡量无重合图像域在特征空间分布差异的弱点,也减弱了识别算法对于低能见度天候采集图像标注数据的依赖,可以同时提高雾霾图像整体视觉感知质量以及局部目标可识别表现。结果 实验在两个真实雾霾图像数据集、真实图像任务驱动的测试数据集(real-world taskdriven testing set, RTTS)和自动驾驶雾天数据集(foggy driving dense)...     

深度特征融合注意力与双尺度的运动去模糊

目的 拍摄运动物体时,图像易出现运动模糊,这将影响计算机视觉任务的完成。为提升运动图像去模糊的质量,提出了基于深度特征融合注意力的双尺度去运动模糊网络。方法 首先,设计了双尺度网络,在网络结构上设计高低尺度通路,在低尺度上增加对模糊区域的注意力,在高尺度上提升网络的高频细节恢复能力,增强了模型去模糊效果。其次,设计了深度特征融合注意力模块,通过融合全尺度特征、构建通道注意力,将编码的全尺度特征与解码的同级特征进行拼接融合,进一步增强了网络的去模糊性能和细节恢复能力。最后,在双尺度的基础上,引入多尺度损失,使模型更加关注高频细节的恢复。结果 在3个数据集上,与12种去模糊方法进行了对比实验。在GoPro数据集上得到了最优结果,相比SRN （scale-recurrent network）方法,平均峰值信噪比提升了2.29 dB,能够恢复出更多的细节信息。在Kohler数据集上,得到了最高的峰值信噪比（29.91 dB）。在Lai数据集上,视觉上有最好的去模糊效果。结论 实验结果表明,本文方法可以有效去除运动模糊并恢复细节。