基于机器视觉的温度测量系统的设计及应用

针对温度控制中常用的基于铂电阻的温度采集电路设计复杂,抗干扰能力弱,铂电阻线性拟合繁琐,难以实现对温度的高精度测量等不足,本文介绍一个在VC++6.0平台上设计的基于机器视觉,自动读取水银温度计示数的温度测量系统。通过有效的图像处理算法,温度测量系统分辨率达到0.01℃,读数准确,工作可靠。该温度测量系统在研究大滞后大惯性温度控制实验中得到了成功的应用。     

基于刀切法与自适应加权的多传感器信息融合算法

针对加权平均、最优加权、自适应加权多传感器信息融合算法的不足,提出采用刀切法与自适应加权方法相结合的信息融合算法。该算法在自适应加权的基础上充分利用观测值与各个历史时刻的估计值,通过构造伪值分别对估计值与加权因子进行Quenouille估计。实验结果表明,在经过刀切法与自适应加权相结合后,数据处理的精确性和稳健性方面都优于普通的处理方法。     

图像识别技术在3D-RPG游戏开发中的应用

基于OGRE(Object-oriented Graphics Rendering Engine)设计开发一个3D-RPG(Role-Playing Game)游戏引擎RPGGE(RPG Game Engine)。在RPGGE中融入图像识别技术,使玩家可以通过摄像头识别手势来增加游戏交互。RPGGE开发包括渲染系统、输入输出系统、声音系统、识别系统。     

图形图像制作软件中的色彩模式分析

色彩模式是在数字处理过程中处理色彩的基本标准,其是以颜色模型为基础,利用数字定量对颜色进行描述的方法。针对图形图像制作软件中的色彩模式进行分析。     

适用于识别指定颜色的色调过滤视图

为便于快速识别RGB图像中的红、绿、蓝或黄颜色,提出一种用像素的色调和色调可信度定量地评估像素对于指定颜色的隶属度的方法和彩色图像的色调过滤视图的定义,推导出直接由图像的R、G、B色彩分量计算指定颜色的色调过滤视图的公式。实验结果表明,用色调过滤视图来识别图像中指定的颜色具有较好的效果,并且受拍摄光照条件的影响较小。     

基于灵敏度分析的FPGM剪枝算法研究

针对等比例剪枝导致的重要卷积层剪枝过度、残留大量冗余参数以及精度损失较大的问题,在FPGM剪枝策略基础上融入灵敏度分析进行网络剪枝。算法采用精度反馈来分析每一层卷积层的重要性,控制单层剪枝比例分析每一层不同剪枝比例对精度损失的影响,获取各个卷积层的灵敏度;结合FPGM策略分析卷积层内卷积核的重要程度按灵敏度的剪枝比例剪掉不重要的卷积核,达到对神经网络进行有效剪枝的目的。实验结果表明,所提方法在MobileNet-v1和ResNet50上剪枝率为50%的情况下,精确度仅下降1.56%和0.11%;所提方法在精度损失一致下,ResNet50上具有更高剪枝率和更低计算量。     

单幅图像去雨算法研究现状及展望

图像去雨算法通过对有雨图像进行分析和处理从而去除雨水条纹,恢复干净的背景场景,有助于提升计算机视觉任务识别精度,因此成为当下的研究热点。为系统地了解该领域的研究现状和发展趋势,首先介绍了典型的雨水合成模型,其次从基于模型驱动和基于数据驱动两个方面重点分析了典型图像去雨算法模型和方法;之后比较了去雨图像质量评价指标及雨水数据集;最后,对单幅图像去雨算法未来发展趋势进行了展望。     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

基于组反馈融合机制的视频超分辨率模型

视频超分辨率（video super-resolution,VSR）的目的是利用多个相邻帧的信息来生成参考帧的高分辨率版本。现有的许多VSR工作都集中在如何有效地对齐相邻帧以更好地融合相邻帧信息,而很少在相邻帧信息融合这一重要步骤上进行研究。针对该问题,提出了基于组反馈融合机制的视频超分辩模型（GFFMVSR）。具体来说,在相邻帧对齐后,将对齐视频序列输入第一重时间注意力模块;然后,将序列分成几个小组,各小组依次通过组内融合模块实现初步融合。不同小组的融合结果经过第二重时间注意力模块;然后,各小组逐组输入反馈融合模块,利用反馈机制反馈融合不同组别的信息,最后将融合结果输出重建。经验证,该模型具有较强的信息融合能力,在客观评价指标和主观视觉效果上都优于现有的模型。