共查询到10条相似文献,搜索用时 359 毫秒
1.
针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。 相似文献
2.
3.
针对当前的激光三维图像重建方法存在的精度低、效果差,耗时长等难题,为了提高激光三维图像重建效果,提出基于深度卷积神经网络的激光三维图像重建方法。首先采集待重建激光三维图像,采用去噪算法对激光三维图像进行去噪操作,并对去噪处理后的激光三维图像进行增强操作,改善激光三维图像视觉效果,然后采用深度卷积神经网络对激光三维图像进行激光三维图像重建,最后进行了多幅激光三维图像重建仿真测试,结果表明,深度卷积神经网络的激光三维图像重建精度超过93%,重建后激光三维图像质量得到提升,激光三维图像重建时间控制在40 ms以内,可以快速实现激光三维图像重建结果,同时重建后的激光三维图像整体效果要明显优于当前经典重建方法,具有更加广泛的应用前景。 相似文献
4.
5.
6.
7.
由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间.目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限.针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法.首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异.然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近.接着,使用高通调制策略进行时间上的预测.最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较.实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快. 相似文献
8.
9.
卷积神经网络(Convolution Neural Network,CNN)用于人脸美丽预测,能学习到深层次的特征表达,但提取的是全局特征,忽略了人脸的局部信息,因此,泛化能力不强。为此,本文提出一种结合局部二值模式(Local binary pattern , LBP)和卷积神经网络的人脸美丽预测算法。首先,利用数据增强技术扩大数据库规模;其次,将LBP纹理图像和原始灰度图像进行通道融合;再采用1×1卷积操作进行通道特征图的线性组合,从而实现网络跨通道的信息整合,提升人脸美丽预测精度。基于大规模亚洲女性人脸美丽数据库(Large Scale Asian Female Beauty Database, LSAFBD)的实验结果表明,该算法在分类和回归预测中均取得了较好效果,优于其他模型的人脸美丽预测算法;表明在卷积神经网络中加入纹理图像能有效提升人脸美丽预测精度。 相似文献
10.
为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。 相似文献