基于FPGA的图像自适应AWB系统设计与实现

为了解决常见自动白平衡(Auto White Balance, AWB)方法的场景适应能力不足且实时性较差等问题,提出了一种基于颜色通道直方图重构的自适应AWB方法,并使用现场可编程门阵列(FPGA)对所提出的算法进行硬件电路实现,在校正图像白平衡的同时也确保了系统高速实时处理图像。首先对图像进行限制对比度自适应直方图均衡化(CLAHE)处理来提高图像对比度,然后对图像进行灰度级区间的通道分区统计,对不同场景类别的图像采用颜色直方图匹配或平移的重构方式做自适应处理。实验结果表明,该算法在处理图像白平衡时,相比基于光源估计的AWB算法,色温校正准确率提高了14%,对不同色彩场景有更好的适应性,具有实时处理能力。     

基于人像检测的实时图像智能裁剪

针对现有图像智能裁剪算法在处理人像图片时，存在误将主要人物整个人或部分身体部位裁减掉等致使图像关键信息缺失和构图不佳的问题，本文提出一种基于人像检测的实时图像智能裁剪方法。该方法将图像裁剪分为人像检测和智能构图两个阶段，旨在将提取的人像坐标信息作为智能裁剪算法的输入，然后结合基于美学的构图法则对图片进行自动构图，确保裁剪结果中人像信息的完整性并提升图片的构图美感。实验结果表明，本文在Center-Net基础上改造的轻量级检测网络，运算量减少了86%，精度提升了3.34%，便于将该裁剪算法应用于移动端设备。整个裁剪算法的FPS达到了77，并且裁剪后的人像信息完整，图片整体构图得到改善。     

基于亮度均值的动态直方图均衡算法

基于子行驱动下的图像显示因低灰阶数据的丢失造成图像对比度的下降,直方图均衡算法是一种常用的提高图像对比度的增强方法,但由于均衡化后的亮度饱和效应,增强后的图像不适于应用于电子显示设备.因此提出一种基于灰度级频数,亮度均值为强调因子的动态直方图均衡算法,在提高图像对比度的同时,保持均衡前后图像的亮度稳定性.     

生成对抗网络在数据异常检测中的研究

针对许多检测模型受到数据不平衡和异常数据的复杂性等因素影响问题,提出一种以生成对抗网络(gener-ative adversarial network,GAN)为基础的数据异常检测方法.该方法利用InfoGAN网络训练生成正常数据和异常数据,构造一个推理神经网络作为生成数据与原始数据的标签生成器,之后利用第二个GAN网...     

增强彩色电子纸饱和度的误差扩散优化

为解决彩色电泳电子纸因粘滞阻力等引起的显示颜色饱和度低、边缘模糊等问题,本文提出基于HSL空间的彩色电子纸边缘增强误差扩散算法,以提高图像显示质量。该算法首先将去噪图像利用边缘检测算子得到边缘增强图像,结合边缘增强图像像素邻域平均灰度、像素与邻域灰度差异和像素邻域相似度得到新RGB图像像素值。接着,新RGB图像通过阈值处理过程得到16色阶RGB图像。最后,16色阶RGB图像转换到HSL空间,建立HSL和RGB色彩空间的转换模型,根据像素点的亮度和饱和度计算出调整因子,从而增强RGB图像饱和度。该算法与传统的误差扩散算法相比,信噪比PSNR提高了3.9%～26.7%,UCIQE提高了10.1%～48.2%,相似度SSIM提高了13.2%～25.4%。主观评价参考ITU-R BT.500-1标准设计实验计算Z得分,最终本文算法处理后图像在彩色电子纸上显示的图像细节和颜色更加接近原图,整体视觉效果更好。     

基于Transformer人像关键点检测网络的研究

为解决目前基于卷积网络的关键点检测模型无法建模远距离关键点之间关系的问题,提出一种Transformer与CNN(卷积网络)多分支并行的人像关键点检测网络,称为MCTN(multi-branch convolution-Transformer network),其利用Transformer的动态注意力机制建模关键点之间的远距离联系,多分支并行的结构设计使得MCTN包含共享权重、全局信息融合等特点。此外,提出一种新型的Transformer结构,称为Deformer,它可以将注意力权重更快地集中在稀疏且有意义的位置,解决Transformer收敛缓慢的问题;在WFLW、300W、COFW数据集的人像关键点检测实验中,归一化平均误差分别达到4.33%、3.12%、3.15%,实验结果表明,MCTN利用Transformer与CNN多分支并联结构和Deformer结构,性能大幅超越基于卷积网络的关键点检测算法。     

多尺度增强特征融合的钢表面缺陷目标检测

针对轻量级目标检测算法在钢表面缺陷检测任务中识别精度低的问题,提出一种多尺度增强特征融合的钢表面缺陷目标检测算法。该算法采用提出的自适应加权融合模块为不同层级特征自适应计算融合权重,将深层语义与浅层细节进行加权融合,使得浅层特征在不丢失细节信息的同时获得丰富的深层语义。利用提出的空间特征增强模块从3个独立方向强化融合特征,通过引出残差旁路增强网络结构的稳定性,使卷积过程能够挖掘到更多的关键信息。根据先验框与真实框的整体交并程度为模型选择更为合适的训练样本。实验结果表明,该算法的检测精度达到80.47%,相比原始算法提升6.81%。该算法的参数量为2.36 M,计算量为952.67 MFLOPs,能快速且高精度检测钢材表面的缺陷信息,具有较高的应用价值。     

基于多层次特征提取的轻量级超分辨率重建算法

针对目前基于深度学习的超分辨率算法特征提取较为单一、结构复杂且参数庞大的问题,提出了一种基于多层次特征提取的轻量级超分辨率重建算法。该算法采用了多层次特征提取的方式,首先提取图像的浅层特征;其次,使用包含多个并行卷积的深层特征提取模块提取图像的深层特征。设计了一种带学习权重的多尺度特征融合重建模块,以充分利用提取出的多层次信息重建图像。实验结果表明,其重建图像的峰值信噪比和结构相似性在多数情况下领先于目前主流算法;与对比算法相比,在参数量和运算时间上均保持领先,证明了网络的轻量化特性。     

电润湿电子纸的实时动态显示驱动系统实现

为了实现电润湿电子纸显示器实时播放视频,本文设计了DVI视频图像编解码系统加上FPGA时序控制的显示驱动系统。DVI系统负责获取信号源并进行图像编解码,FPGA负责视频图像数据的缓存处理以及驱动波形的控制。本文提出的多灰度动态对称驱动波形,可改善油墨分裂现象,并且在增加灰度等级的同时抑制电荷捕获现象。实验表明：该系统成功改善了油墨分裂、电荷捕获等问题,成功驱动1024x768分辨率的电润湿显示器跟随PC端进行实时视频播放,视频的帧率达到60帧/秒,像素的最高灰度达到15阶,满足电润湿电子纸动态显示视频的要求。     

基于YOLACT与Transformer相结合的实例分割算法研究

为提高单阶段实例分割的检测精度和改善小目标漏检、错检情况,提出一种基于YOLACT改进的YOLACTR算法。该算法首先利用CNN与Transformer相结合,设计一种新的头部预测网络,对特征进一步提取,并使用双向注意力来关联同一实例的掩码信息并区分不同实例之间的掩码特征,注重特征点周围的关联信息,使得检测框的预测更加准确;然后利用多级上采样和设计的CS注意力模块结合形成掩码分支,使其融入多种不同尺度信息,并利用CS注意力来关注不同的尺度信息。在MS COCO数据上,YOLACTR算法与YOLACT算法相比,其边框和掩码检测精度分别提升了7.4%和2.9%,在小目标检测上分别提升了18.9%和13.5%。实验表明,YOLACTR算法可以在多目标复杂场景下,提升检测和分割精度以及分类的准确度,改善小目标和重叠目标漏检、错检的问题。