一种图像监测处理装置

设计了一种薄雾天气环境下的图像监测处理装置,本装置可对采集到的图像进行是否需要去雾的判别,以及对需要去雾的图像进行去雾处理,并最终得到视觉效果优异的图像,同时由于本装置设置了图像存储模块,可对图像信息进行存储管理,进一步优化了系统的处理时效,且具有结构简单、易实现等优点.     

基于双向转换网络的域自适应单幅图像去雾方法

当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题,提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先,构建双向域转换网络,实现人工合成有雾图像与真实有雾图像之间的自适应域转换;然后,通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明,在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力,峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。     

基于深度学习的粮库测控技术的研究进展

粮库,负责国家及地方粮食储备,粮库测控技术发展与储粮安全息息相关。基于Faster R-CNN、YOlO、SSD、CNN、BRNN、双向LSTM、深度自编码器及各种优化、级联、融合等网络,阐述了深度学习在车辆检测、车牌识别、车型识别及车辆跟踪中的应用;结合BP、改进CNN、multi-CNN、双流卷积等网络,阐述了深度学习在人员识别、行为识别中的应用;依据R-FCN、Faster R-CNN、YOLO、GANPSO-BP、改进LSTM网络等技术,阐述了深度学习在粮库烟火识别、粮虫识别、粮堆温度预测、粮食籽粒计数、粮库图像去雾的研究进展。总结各种传统算法的优缺点,阐述深度学习在新一代粮库测控技术的研究进展及其优缺点,并做出展望。     

天空区域分割修正的图像去雾新算法

为了改进基于暗通道先验假设图像去雾算法的细节信息丢失、大气光强值估计偏低、天空区域去雾效果不佳等不足,笔者提出一种天空区域分割修正的彩色图像去雾新算法。新算法在暗通道先验算法的基础上,对暗通道与亮通道先验模型进行带参线性加权运算,提出加权平均融合COPLIP模型和MSR模型的天空区域修正新模型及实现算法。与现有去雾算法比较,实验结果表明新算法能够克服现有算法对于天空区域去雾效果不佳的问题,同时通过客观评价指标验证了新算法的有效性。     

提高特殊场景下图像质量的图像复原算法

本文首先分析基于暗原色先验去雾算法的基本步骤,然后提出一种提高特殊场景下图像质量的图像复原算法.该算法先对特殊场景下的图像进行反转操作,然后利用反转操作后的图像与雾天图像具有相似特征的结论,将改进的暗原色先验理论算法用于反转后的图像,从而使特殊图像的质量得到提高.本文通过改进暗原色先验去雾算法参数的获取,同时将图像中天空区域和非天空区域分开处理,得到了很好的视觉效果,也降低了算法的复杂度.     

基于马尔科夫随机场框架的单幅图像去雾*

雾或霾等天气会降低场景的能见度,给机器视觉的后续处理造成影响。针对图像雾霾退化的恢复、及现有基于马尔科夫随机场图像去雾算法的缺陷,提出了一种新的基于马尔科夫随机场和暗通道先验的图像去雾算法。该算法以雾天条件下退化模型为基础,通过介质传输图和原始无雾图像的约束条件,利用暗通道先验获取介质传输图的粗估计,构造MRF框架下的代价函数。为使去雾图像保持更多的纹理细节,引入纹理检测函数改进代价函数,最终求得去雾图像和介质传输图。实验结果表明,本文方法可以得到较好的去雾效果,同时保持较多的纹理细节和更快的运算时间。     

基于暗原色先验的图像去雾改进方法

本文基于大气散射模型, 建立了雾天图像复原的关系, 以暗通道原理作为基础知识, 复原雾天图像. 对不符合暗原色先验假设的大片浓雾及天空区域, 分析图像失真的原因, 通过引入容差参数来修正透射率, 防止天空区域的去雾程度过大, 从而提高含天空区域图像的复原效果. 为了避免大气光强过高, 去雾程度加强, 本文设置了大气光强的阈值, 并采用自动色阶算法对复原后的图像的色调分布进行相应调整, 使复原图像更自然, 增强其视觉效果. 完成图像去雾算法验证流程设计, 实现参数可调. 通过主观与客观的分析方式对3种算法进行性能验证与分析, 证明了改进后的算法优于前两种算法, 能够达到明显去雾的效果.     

基于改进循环生成式对抗网络的图像去雾方法

针对现有图像去雾方法存在的颜色失真、细节丢失以及去雾效果不自然等问题,提出一种改进的循环生成式对抗网络用于图像去雾。通过添加多尺度鉴别器作为判别器来改进原始网络结构,增强判别能力,引导网络产生更精细自然的无雾图像。同时重新设计损失函数,使用最小二乘代替交叉熵作为对抗损失,引入循环感知损失,结合原始循环一致性损失组成新的复合损失函数,提高图像颜色与细节恢复的质量。在D-HAZY和SOTS数据集上的实验结果表明：该方法能够生成较为自然的无雾图像,其主观效果和客观指标均优于对比方法,具有更好的去雾能力;与原始循环生成式对抗网络相比,峰值信噪比从19.052 dB提高至23.128 dB,结构相似性指数从0.787提高至0.867。与DehazeNet、AOD-Net与GCANet等主流去雾方法相比,峰值信噪比和结构相似性指数比排名第二的方法分别提升7.1%和4.3%。     

基于卷积神经网络的单图像去雾模型硬件重构加速方法

针对基于卷积神经网络（CNN）的单图像去雾模型在移动/嵌入式端部署难,不易用做实时视频去雾的问题,提出一种基于Zynq片上系统（SoC）的去雾模型硬件重构加速方法。首先,提出量化-反量化算法,对两个代表去雾模型进行量化;其次,基于视频流存储器架构和软硬件协同、流水线等技术以及高级综合（HLS）工具,对量化后的去雾模型硬件重构并生成具有高性能扩展总线接口（AXI4）的硬件IP核。实验结果表明,在保证去雾效果的前提下,可以实现模型参数从float32到int5(5 bit)的量化,从而节省约84.4%的存储空间;所生成硬件IP核的最高像素时钟频率为182 Mpixel/s,能够实现1080P@60 frame/s的视频去雾;单帧640×480的雾图去雾仅需2.4 ms,而片上功耗仅为2.25 W。这种生成带有标准总线接口的硬件IP核也便于跨平台移植和部署,从而可以扩大这类去雾模型的应用范围。     

快速视频去雾改进算法的FPGA实现

内窥镜去雾算法在医疗领域具有广泛应用,为临床医生提供清晰、实时的图像。去雾技术虽然已经取得较大的进步,但去雾算法的复杂度较高,在内窥镜等复杂情况下硬件实现较为困难。为了在硬件上实现内窥镜实时去雾效果,对暗通道先验算进行改进,降低硬件资源消耗和时间复杂度。该改进算法选择适合硬件的大气光照强度估计值、透射率补偿值以及采用流水线结构实现有雾图像的处理。采用Xilinx的ZYNQ7020实现该算法硬件电路,实时处理分辨率为640×480的视频图像,速度可达到260 fps,消耗LUT仅为1.28K,寄存器619个单元。实验结果表明,相比于传统算法,改进算法具有处理速度快、功耗低、可移植性强的特点,满足内窥镜需要实时处理视频的要求。