基于残差编解码网络的红外图像自适应校正算法

针对基于场景的非均匀性校正算法存在非均匀性残余和鬼影等问题,本文提出了一种基于残差编解码网络的红外图像自适应算法.该算法针对自适应校正问题的特点,基于UNet结构,通过多尺度采样学习残差映射生成非均匀性残差图像,加入批标准化和PReLU激活函数提高校正效果,最后使用全局跳跃连接得到最终的校正结果.通过对模拟红外图像序列和真实红外图像序列校正的实验结果表明,相对于目前已有的非均匀性校正算法,该方法在PSNR(Peak Signal to Noise Ratio)和粗糙度的客观数据上都有所提升,主观视觉效果也更加清晰,细节保留程度高.     

应用多尺度多方向模板卷积的筒子纱缺陷检测

针对筒子纱不规则的纹理基元增加缺陷检测难度的问题,提出一种基于多尺度多方向模板卷积的筒子纱表面网纱缺陷检测算法。首先通过系统采集筒子纱的顶面纹理图像;其次对原图像进行OTSU阈值处理,并采用椭圆拟合确定纹理位置,利用极坐标变换将其展开;然后利用水平方向一维高斯差分算子提取边缘,通过改变高斯核的标准差获取多个尺度的边缘图像;进而将0°~180°角度区间量化成多个方向模板与各尺度的边缘图像进行卷积,并投票记录每个像素位置在各尺度下的多方向模板卷积结果的最大值;最后,选取经验阈值对最强卷积响应进行分割得到缺陷图像。实验结果表明,该方法可有效检测筒子纱表面的网纱缺陷,识别准确率达0.96。     

基于生成对抗网络的红外图像自适应校正算法

红外相机经过两点校正后会发生漂移,导致图像产生非均匀性噪声.传统的基于场景的非均匀性校正算法适应性较强,但会产生鬼影问题.基于深度学习的非均匀性校正方法,面对红外图像特殊的非均匀性噪声,随着网络深度增加,很容易出现图像模糊,对比度变小,细节丢失问题.针对此问题,提出一种基于生成对抗网络的非均匀性校正算法,网络分为生成网...