基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

基于HSV空间的井壁图像增强模型

由于矿下环境恶劣,获取的井壁图像会存在噪声大、对比度低等问题。因此,设计一种能够去噪、提升对比度的矿井图像增强网络（Mine Image Enhancement Network,ME-Net）。首先,将井壁图像从红-绿-蓝（Red-Green-Blue,RGB）颜色空间转换到色调-饱和度-亮度（Hue-Saturation-Value,HSV）颜色空间,提取出色调H、饱和度S和亮度V。其次,保持H不变,对S进行自适应伽马校正;在U-Net网络中,结合密集空洞卷积（Dense Atrous Convolution,DAC）、高效通道注意力（Efficient Channel Attention,ECA）,编码单元和解码单元对亮度V进行增强。最后,融合H、S、V分量,并将增强后的效果图由HSV空间转换至RGB空间,得到最终的结果。实验表明,ME-Net算法能够自适应提升亮度的同时降低图像的噪声。     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

煤矸的轻量级智能分选网络

针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution, GC)线性生成ghost映射的特性,剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低了46.6%的参数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上述两个数据集中分别提升了0.22%、0.17%。通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%...     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.     

集成SVM的图像椒盐噪声去除方法

针对传统图像去噪方法出现纹理细节模糊的问题,提出一种利用误差多样性集成子SVM的图像椒盐噪声去除方法SVM-WCEC。首先,在训练图像上移动3×3窗口,提取每个窗口中心像素点的局部二值和加权差分特征作为输入训练子SVM,利用加权计数值对各子SVM投票,选择得票数最多的子SVM组合作为分类器模型;然后,用相同特征提取方法遍历含噪图像提取特征输入分类器模型,将像素点分为噪点和信号点;最后,在3×3滤波窗口内,用非线性的权重均值滤波估计噪点灰度值,和直接输出的信号点灰度值重构得到去噪后图像。在图像集BSD68上实验结果表明:与现有先进方法DAMF相比,SVM-WCEC的平均PSNR/SSIM值提高了1.808 0dB/0.150 4。实验数据充分说明:SVM-WCEC在去噪同时能很好地保留图像的纹理信息,获得较高的PSNR、SSIM和更好的视觉效果。     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.     

二次加权引导滤波融合双色彩空间模型的立体匹配

立体匹配一直以来都是双目视觉领域中研究的重点 和难点。针对现有立体匹配算法边 缘保持性差、匹配精度低等问题,提出了一种二次加权引导滤波融合双色彩空间模型的立体 匹配算法(Secondary Weighted Guided Filtering fusion double color model,SWGF)。首 先在代价计算阶段提出了一种双色彩空间模型,从两个颜色空间进行像素颜色匹配代价计算 ,增强像素在低纹理区域的特征;然后在代价聚合阶段基于HSV颜色空间利用不同窗口中像 素纹理不同加入一个边缘保持项,从而使正则化参数进行自适应调整。在一次引导滤波之后 ,我们使用Census变换得到的汉明距离和初始视差完成一次代价更新,再次对其进行代价聚 合,随后计算视差并对视差进行左右一致性检测、空洞填充和加权中值滤波等优化,最后获 得视差图。本文算法在Middlebury测试平台上测试结果表明SWGF算法误匹配率仅为 4.61%,可以大幅提升立体匹配的精度,同时增强其边缘保持性。     

An edge-adaptive demosaicking method based on image correlation

To reduce the cost, size and complexity, a consumer digital camera usually uses a single sensor overlaid with a color filter array(CFA) to sample one of the red-green-blue primary color values, and uses demosaicking algorithm to estimate the missing color values at each pixel. A novel image correlation and support vector machine(SVM) based edge-adaptive algorithm was proposed, which can reduce edge artifacts and false color artifacts, effectively. Firstly, image pixels were separated into edge region and smooth region with an edge detection algorithm. Then, a hybrid approach switching between a simple demosaicking algorithm on the smooth region and SVM based demosaicking algorithm on the edge region was performed. Image spatial and spectral correlations were employed to create middle planes for the interpolation. Experimental result shows that the proposed approach produced visually pleasing full-color result images and obtained higher CPSNR and smaller S-CIELAB*ab?E than other conventional demosaicking algorithms.