固定目标伪装的数码迷彩设计

传统迷彩的边缘平滑、色彩分明、视觉区分度强,其设计过程往往脱离伪装目标的实际背景,不能很好地与背景相融合。数码迷彩在图案上呈现不规则的重叠,不同颜色间的边缘模糊、破碎,极易模拟自然背景。文章提出一种根据目标的背景生成数码迷彩的新方法。根据实际需求确定数码单元的尺寸,然后采用模板遍历的方法对背景图像中的主要颜色进行重新排布,最后生成数码迷彩。利用此算法生成的数码迷彩能够较好地保留背景的细节特征,并与目标的自然背景高度融合,从而达到良好的变形和光学伪装效果。     

基于拼片置乱与数学形态运算的伪装迷彩算法

为快速有效地生成针对实地环境伪装的数码迷彩,提出基于背景拼片置乱的迷彩生成方案。算法过程中结合了Logistic混沌映射置乱和图像FCM颜色聚类方法,并运用灰度数学形态学的"开-闭"复合运算对迷彩纹理进行修正,最终实现环境伪装数码迷彩的自适应生成。实验证明,该方法实时高效,生成的迷彩有效地摒弃了易辨识的局部图案特征而保留了环境纹理特征和环境颜色特征,具有较强的实地伪装隐蔽功能。     

基于分水岭方法的数码迷彩设计

迷彩是对抗现代侦查与精确打击,有效提高军事目标战场生存能力的防护手段之一,是作战保障的重要内容。数码迷彩能够有效破坏伪装目标的外形,使不同色彩间的边界模糊、破碎,具有良好的伪装隐身效果。文章提出了一种新的生成数码迷彩算法,它先对图案使用分水岭方法分割,确定出大致图案,然后提取出背景主色和确定数码迷彩斑块的大小,最后生成数码迷彩。由于图像本身会存在噪声,在分割时会造成许多虚假边缘,即过分分割现象。为了避免产生过分分割现象,文中采用预处理滤波的方法,在图像应用分水岭算法前滤除图像噪声。实验表明,利用此算法生成的数码迷彩相对于传统迷彩能够更好地与自然背景相融合,达到良好的光学伪装效果。     

基于调色板分析及误差扩散抖动的迷彩仿造

仿造迷彩是针对特定的环境背景生成的伪装迷彩。在迷彩纹理设计上,无规则的、点阵式的数码迷彩相对传统迷彩具有更好的迷惑效果。提出一种新的仿造数码迷彩方法,在调色板颜色分类排序及直方图合理分析的基础上提取四种主色,结合抖动半色调方法统计四主色比例,并运用随机像素点集的方式生成迷彩图案。实验证明,该方法生成的迷彩图与参照背景图能自然融合,达到较高的伪装隐蔽效果。     

基于光学伪装的数码迷彩技术

基于光学伪装的数码迷彩是一种通过提取自然背景的纹理、颜色和层次等信息,并以数码像素点阵图案的形式表现出来的新型迷彩。文章对数码迷彩的研究发展现状、数码迷彩设计技术、伪装效果评价方法等做了全面系统的介绍。     

基于改进K均值聚类分析的迷彩伪装色选取

伪装色是影响迷彩伪装效果的关键因素。提出一种基于改进K均值聚类分析的迷彩伪装色选取算法：在Lab颜色空间中选择色差尽可能大的标准伪装色作为初始聚类中心,由最小色差原则和相邻元素特征共同决定目标像素归属,最后将得到的背景优势色（最优聚类中心）转换为军标规定的迷彩伪装色。通过迷彩伪装图案设计实例对伪装色选取算法进行了实验分析,并通过边缘检测和识别跟踪算法对不同背景下的目标迷彩伪装效果进行了验证。结果表明,基于改进K均值聚类分析的迷彩伪装色选取方法能够满足迷彩图案具备较好伪装效果的要求。     

融合注意力机制的弱监督迷彩伪装目标检测算法

随着计算机硬件和人工智能技术的发展,强监督目标检测算法已经取得了很大的成果。然而,强监督目标检测算法需要在大规模、标注精度高的数据集上进行训练。但在某些特定领域,上述条件要求过于苛刻。例如,军事上常用的迷彩伪装目标的图像数据集就比公共数据集更难获得且标注难度更大。因此,采用对数据集要求更低的弱监督目标检测算法来实现迷彩伪装目标的检测任务。由于图像中迷彩伪装目标与背景融合度较大,导致原始浅层特征感知伪监督目标定位(Shallow feature-aware Pseudo supervised Object Localization, SPOL)算法的检测精度相对较低。本文的核心是在SPOL算法的基础上融合注意力机制,通过加入注意力模块,让模型更加关注迷彩伪装目标的区域,以此来提高迷彩伪装目标的检测精度。     

基于YOLO v5算法的迷彩伪装目标检测技术研究

迷彩伪装目标与周围环境高度相似,对迷彩伪装目标的检测任务比普通的检测任务更具挑战性,常规的检测算法对迷彩伪装目标检测任务不完全适用.文中对现有方法进行分析,以YOLO v5算法为基础,提出了一种针对迷彩伪装目标的检测算法.该算法结合注意力机制设计了新的特征提取网络,突出了迷彩伪装目标的特征信息;并且对原有的聚合网络进行了改进,增大了检测的尺度,使用非对称卷积模块强化了目标语义信息.在一种公开的迷彩伪装目标数据集上将该算法与7种算法进行对比,所提算法的mAP值较原始算法提升了4.4％,召回率提升了2.8％,在mAP值方面也比其他算法更具优势,从而验证了所提算法对迷彩伪装目标检测任务的有效性.     

基于循环生成对抗网络的图像风格迁移

图像风格迁移是指将学习到的油画图像风格应用到其他图像上,让图像拥有油画的风格,当前生成对抗网络已被广泛应用到图像风格迁移中。针对循环生成对抗网络CycleGAN在处理图像时纹理清晰度不高的问题,提出了加入局部二值模式LBP算法的方法,将LBP算法加入生成对抗网络的生成器中,增强了循环对抗生成网络提取图像纹理特征内容的效果。针对生成图像产生噪声的问题,在损失函数中加入Total Variation Loss来约束噪声。实验结果表明,循环生成对抗网络加入LBP算法和Total Variation Loss后能提高生成图像的质量,使之具有更好的视觉效果。     

基于主色共生矩阵法的数码迷彩纹理特征提取

提出一种基于主色共生矩阵法的数码迷彩纹理特征提取方法.对RWM的主色提取法和灰度共生矩阵法进行改进与综合,在RWM法中增加比例因子避免主要颜色提取错误,在灰度共生矩阵法中增加颜色因子,综合分析纹理特征.实验结果证明,采用主色共生矩阵法提取纹理特征,所设计的数码迷彩视觉伪装效果较好.     

Maneuvering target oriented digital camouflage image generation method

Since the digital camouflage generation method based on fixed single background image cannot fully meet the hidden need of maneuvering targets. In this paper, a method of generating digital camouflage image based on several background images is proposed. Firstly, according to the active range of the maneuvering target, several background images are collected. Secondly, in order to resolve the problem that the clustering algorithm is sensitive to the initial clustering center and easy to fall into local optimum, K-harmonic means (KHM) clustering algorithm is introduced and initial clustering center is determined based on color histogram. Again, KHM clustering is used to extract color features from several background images, the first clustering is extracted from a single background image, and the second clustering is extracted with several color features sets extracted from the first clustering of background images as input. Finally, the regular hexagon is used as the basic unit of the digital camouflage image to construct the spot template, and the digital camouflage image is generated by the lowest horizontal line algorithm. Example verification and camouflage effect detection show that the digital camouflage image generated by this method can effectively realize the concealment of maneuvering targets and has good camouflage effect.     

基于SAU-NetDCGAN的天气云图生成方法

天文台天气监测系统对天气云图存在巨大需求。为解决传统的生成对抗网络在扩充天气云图数据集时模型不稳定以及图像特征丢失等问题,提出一种基于SAU-NetDCGAN的双层嵌入式对抗网络天气云图生成方法,该方法由两层网络相互嵌套组成。首先,第一层嵌入式网络是将U型网络添加到生成对抗式网络的生成器中,该网络作为基础架构,利用编码器与解码器之间的跳跃连接增强图像的边缘特征恢复能力;接着,第二层嵌入式网络是将简化参数注意力机制（simplify-attention,SA）添加到U型网络中,该注意力机制通过简化参数降低了模型复杂度,有效地改善了图像暗部特征丢失的问题;最后设计了一种新的权重计算方式,加强了各特征之间的联系,增加了对图像细节纹理特征的提取。实验结果表明,该方法生成的图像在清晰度、色彩饱和度上与传统的生成对抗网络相比图像质量更好,在峰值信噪比、结构相似性的评价指标下分别提高了27.06 dB和 0.606 5。     

基于多尺度网络的运动模糊图像复原算法

动态场景的非均匀盲去模糊一直是图像复原领域中的一个难题。针对目前的模糊图像复原算法不能很好地解决多样性模糊源的问题,提出了一种端到端的基于多尺度网络的运动模糊图像复原算法。所提算法使用修剪过的残差块作为基本单元,且在每一级尺度上都采用相同的非对称编解码网络。为了更好地提取输入图像特征,在编码端使用引入注意力机制的残差模块,还加入了空间金字塔池化层。编码端和解码端中间的循环单元可以获取图像的空间信息,从而利用图像空间的连续性来进行非均匀运动模糊图像的复原。测试结果显示,在GoPro数据集上所提算法的峰值信噪比（PSNR）达到33.69 dB,结构相似性（SSIM）达到0.953 7,且能够更好地复原模糊图像的细节信息,而在Blur数据集上所提算法的PSNR为31.47 dB,SSIM为0.904 7。实验结果表明,与尺度递归网络和深度层次化多patch网络相比,所提算法取得了更优的模糊图像复原效果。     

多判别器循环生成对抗网络的素描人脸合成

素描人脸合成在娱乐和刑侦领域具有重要应用价值。为了解决传统素描人脸合成方法生成图像面部细节模糊,缺失真实感等问题,改进了CycleGAN网络结构,提出一种基于多判别器循环生成对抗网络的素描人脸合成方法。该方法选取残差网络作为生成网络模型,在生成器隐藏层中增加多个判别器,提高网络对生成图像细节特征的提取能力;并建立了重构误差约束映射关系,最小化生成图像与目标图像之间的距离。通过在CUHK和AR人脸数据库中的对比实验,证明了相比于原始CycleGAN框架该方法性能有明显提升;相比于目前领先的方法,所提方法生成的素描图像细节特征更清晰,真实感更强。     

基于多注意力多尺度特征融合的图像描述生成算法

针对图像描述生成中对图像细节表述质量不高、图像特征利用不充分、循环神经网络层次单一等问题，提出基于多注意力、多尺度特征融合的图像描述生成算法。该算法使用经过预训练的目标检测网络来提取图像在卷积神经网络不同层上的特征，将图像特征分层输入多注意力结构中，依次将多注意力结构与多层循环神经网络相连，构造出多层次的图像描述生成网络模型。在多层循环神经网络中加入残差连接来提高网络性能，并且可以有效避免因为网络加深导致的网络退化问题。在MSCOCO测试集中，所提算法的BLEU-1和CIDEr得分分别可以达到0.804及1.167，明显优于基于单一注意力结构的自上而下图像描述生成算法；通过人工观察对比可知，所提算法生成的图像描述可以表现出更好的图像细节。     

基于半监督学习的单幅图像去雨算法

在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比（PSNR）和结构相似度（SSIM）上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。     

基于高频小波损失的生成对抗人脸补全方法研究

基于生成对抗网络架构设计一种新的人脸补全模型。在生成网络中使用空洞卷积以增加特征图的感受野,提升网络性能;针对生成补全图像模糊,提出基于小波分解的损失函数设计方法,将图像转换到小波空间,提取高频信息作为l_1小波损失,有效提升人脸图像补全的质量。对VGGFace2人脸数据集下半部分人脸进行遮挡,作为训练数据集,以LFW数据集遮挡,进行人脸补全测试结果分析。实验结果表明,所设计算法的网络补全后的人脸结构相似性(SSIM)达到0.803 4,峰值信噪比(PSNR)达到20.946 7,有效提升了人脸补全的效果。     

基于密集Inception的单图像超分辨率重建方法

近几年,基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比,所提方法的结构相似性（SSIM）高了0.013 6;与基于多尺度残差网络的图像SR（MSRN）相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。     

基于通道注意力与条件生成对抗网络的图像去雾

针对当前去雾方法存在雾残留、颜色失真等问题, 结合生成对抗网络在图像超分辨率重建的优势, 提出基于通道注意力与条件生成对抗网络图像去雾算法(CGAN-ECA). 网络基于编码-解码结构, 生成器设计多尺度残差模块(multi-scale residual block, MRBlk)和高效通道注意力模块(efficient channel attention, ECA)扩大感受野, 提取多尺度特征, 动态调整不同通道权重, 提高特征利用率. 使用马尔可夫判别器分块评价图像, 提高图像判别准确率. 损失函数增加内容损失, 减少去雾图像的像素和特征级损失, 保留图像更多的细节信息, 实现高质量的图像去雾. 在公开数据集RESIDE实验结果表明, 提出的模型相比于DCP、AOD-Net、DehazeNet和GCANet方法峰值信噪比和结构相似性分别平均提高36.36%, 8.80%, 改善了颜色失真和去雾不彻底的现象, 是一种有效的图像去雾算法.     

改进字体自适应神经网络的图像字符编辑方法

在当今国际化的社会,作为国际通用语言的英文字符及中文环境下的拼音字符出现在众多公共场合。当这些字符出现在图像中时,尤其在风格复杂的图像中时,难以直接对其进行编辑修改。针对上述问题,提出了一种改进文字生成网络（FANnet）的图像字符编辑方法。首先,利用基于直方图对比度（HC）的显著性检测算法改进自适应字符检测（CAD）模型,准确提取出用户所选择的图像字符;接着,根据FANnet,生成与源字符字体几乎一致的目标字符的二值图;然后,通过所提出的局部颜色分布（CDL）迁移模型,迁移源字符颜色至目标字符;最后,生成与源字符字体结构和颜色变化均高度一致的目标可编辑修改字符,从而达到字符编辑目的。实验结果表明,在MSRA-TD500、COCO-Text和ICDAR数据集上,所提方法的结构相似性（SSIM）、峰值信噪比（PSNR）和归一化均方根误差（NRMSE）平均值分别为0.776 5、18.321 1 dB和0.435 8,相较于基于字体自适应神经网络的场景文本编辑器（STEFANN）算法分别提高了18.59%、14.02%和降低了2.97%,相较于多模态小样本字体迁移模型MC-GAN算法（输入1个字符时）分别提高了30.24%、23.92%和降低了4.68%;而且针对字体结构和颜色渐变分布比较复杂的实际场景图像字符,所提方法的编辑效果也较好。该方法可以应用于图像重利用、图像字符计算机自动纠错和图像文本信息重存储。