多尺度融合图像去雾方法

图像去雾能够使视觉系统适应不同的天气状况.为克服传统暗通道先验方法会在物体边界区域形成光晕效应的问题,提出一种用于估计有雾图像透射率的多尺度融合算法.应用不同大小的最小值半径得到多尺度的透射率估计值,再根据局部区域像素具有类似的透射率值这一现象,对透射率图进行多尺度融合,选择小透射图区域中最亮的像素来计算大气光值,最后使用大气散射模型恢复清晰图像.分别从视觉效果和量化指标两个方面,对比所提方法与传统的基于先验和基于深度学习的去雾方法在进行图像去雾后的效果.结果发现,针对4种典型场景,采用本研究算法去雾后的重构图像能够保留更多的结构、细节和颜色信息,避免了过分增强和边缘部分的雾残留问题,视觉效果均优于对比方法;量化指标峰值信噪比和结构相似性均高于对比方法,分别为15.65和0.78.

双通道深度图像先验降噪模型

相对于采用固定网络参数值的有监督深度降噪模型而言,无监督的深度图像先验(Deep Image Prior,DIP)降噪模型更具灵活性和实用性.然而,DIP模型的降噪效果远低于有监督降噪模型(尤其是在处理人工合成噪声图像时).为进一步提升DIP降噪模型的降噪效果,本文提出了双通道深度图像先验降噪模型.该降噪模型由噪声图像预处理、在线迭代训练和图像融合3个模块组成.首先,利用BM3D和FFDNet两种经典降噪方法对给定的噪声图像进行预处理,得到2张初步降噪图像,然后,将原DIP单通道逼近目标图像架构拓展为双通道工作模式.其中,第一通道以FFDNet初步降噪图像和噪声图像为双目标图像,第二通道则以BM3D预处理图像和噪声图像为双目标图像.在此基础上,按照标准的DIP在线训练方式让DIP网络输出图像在两个通道上分别逼近各自的目标图像,同时依据基于边缘能量定义的伪有参考图像质量评价值适时终止迭代过程,从而获得2张中间生成图像.最后,使用结构化图块分解融合算法将两张中间生成图像融合并作为最终的降噪后图像.实验数据表明,在合成噪声图像上,本文提出的双通道深度图像先验降噪模型在各个噪声水平上显著优于原DIP及其他无监督降噪模型(提升了约2.2 dB),甚至逼近和超过了新近提出的主流有监督降噪模型,这充分表明了本文提出的改进策略的有效性;在真实噪声图像上,本文提出的降噪模型优于排名第二的对比降噪方法约2 dB,展现出其在实际应用场景下独有的优势.

基于特征相似性的红外与可见光图像融合方法

单一图像无法全面描述目标的信息,实际应用价值低,针对当前红外与可见光图像融合方法存在的一些不足,如:融合质量差等,为了获得更加理想的红外与可见光图像融合效果,提出了基于特征相似性的红外与可见光图像融合方法。首先分析当前红外与可见光图像融合的研究进展,指出各种方法的局限性,然后采用红外图像和可见光图像,并对它们进行图像去噪、增强处理,采用卷积神经网络提取红外与可见光图像的特征,最后根据特征相似性进行红外与可见光图像融合,并对红外与可见光图像融合效果进行了测试,结果表明,本方法提升了红外与可见光图像融合质量,融合效果要明显优于其他红外与可见光图像融合方法。

基于异源传感器无人机目标图像融合技术研究

针对当前无人机图像采集单一、采集效果差等问题,文章对无人机图像融合的方法进行了研究和对比实验分析。提出了一种基于红外传感器和可见光传感器的无人机目标图像融合方法,首先对红外传感器和可见光传感器采集到的图像进行去噪、滤波和增强处理,然后对处理后的图像进行OpenSurf算法配准,最后对配准后的图像进行小波变换图像融合处理。实验结果表明:该方法能够较好地对异源传感器无人机目标图像进行处理,取得较好的图像配准和融合效果。

基于计算机视觉的图像拼接技术分析

本文主要以计算机视觉技术为基础,对图像拼接处理技术的应用措施进行分析,包括计算机视觉与图像拼接技术概述,以及计算机视觉技术模式下的图像拼接处理技术措施。希望通过本次的分析,可以为计算机视觉技术与图像拼接技术的良好融合以及计算机图像拼接处理质量的提升提供有力支持。

人体毫米波图像的分层增强降噪方法

针对人体毫米波安检图像存在的伪影重、背景噪声大、人体与携带物体成像差异弱等问题,提出一种新的分层增强降噪方法。通过阈值分割得到正面、背面的人体图像二值图,将两个二值图叠加,使用基于距离变换的形态学处理进一步得到更为准确的人体区域二值图。以人体区域二值图中的人体区域为基准,向外连续膨胀并获取不同的膨胀层,利用这些膨胀层做分层图像增强,向外增强程度依次递减,降噪程度依次递增,从而实现人体毫米波图像的增强降噪。该算法已应用于实际产品,与常规增强算法相比具有更好的处理效果和适用性。

生成对抗网络在图像修复中的应用综述

随着生成对抗网络的迅猛发展,许多基于传统方法难以较好解决的图像修复问题获得了新的研究途径。生成对抗网络凭借强大的生成能力,能从受损图像中恢复出完好的图像,故而在图像修复中得到较为广泛的应用。总结了近年来利用生成对抗网络修复受损图像问题的相关理论与研究,以受损图像的类别及其所适配的修复方法为主要划分依据,将图像修复的应用划分为图像补全、图像去模糊、图像去噪三个主要方面。针对每一方面,通过技术原理、应用对象等维度对图像修复的应用进一步细分。对于图像补全领域,从使用条件引导与潜在编码等角度探讨了基于生成对抗网络的不同图像补全方法;对于图像去模糊领域,阐释了运动模糊图像与静态模糊图像的本质不同及其修复方法;对于图像去噪领域,归纳了不同类别图像的个性化去噪方法。同时,对于每一类应用,分析了所采用的具体生成对抗网络模型的特点及其贡献。最后,总结了生成对抗网络应用于图像修复的优势与不足,并对未来应用场景进行了展望。

从局部到全局的零参考低照度图像增强方法

为解决现有的低照度图像增强方法存在的色彩失真、细节损失以及暗区增强不足和亮区增强过度导致低照度图像增强效果不理想的问题,提出了一种从局部到全局的零参考低照度图像增强方法。采用局部照度增强对低照度图像进行像素级增强,改进了自适应光照映射估计函数,提升了照度调整能力,避免了生成大量的迭代参数,提高了模型的推理速度;采用基于Transformer结构的全局图像调整对局部增强后的图像进行全局调整,解决了亮区照度增强过度的曝光问题和暗区照度增强不足的问题,提升了图像的整体对比度;优化损失函数,对低照度图像特征和增强图像特征进行相似性约束,提升了目标检测精度。实验结果表明,LOL数据集上的客观指标峰值信噪比和结构相似性达到了20.18 dB和0.80,MIT-Adobe FiveK数据集上达到了23.31 dB和0.87,ExDark数据集上增强后图像的目标检测精度提高了7.6%,有效提升了低照度图像可视化质量和目标检测效果。

基于K-SVD算法的数字图像自适应修复方法

为了提升数字图像的完整性和清晰度,提出一种基于K-SVD算法的数字图像自适应修复方法。通过FCM算法将数字图像划分成不同的图像块,将不同类别的数字图像依据K-SVD算法的稀疏编码和字典更新模块进行训练,获取各个不同类别数字图像块的字典,求出其稀疏系数,结合字典和稀疏系数更新数字图像中的每一类图像块,完成数字图像中每一类图像块的修复或重构,将修复好的图像块放回原数字图像中,实现数字图像的自适应修复。实验结果表明,该方法能够有效地恢复图像的细节和结构,修复后的数字图像均方根误差低,并且具有较高的峰值信噪比,同时,修复后的数字图像与原图像的结构相似性高达0.95,且在数字图像修复效率方面具备显著优势。

面向地物混杂背景的偏振光谱图像融合方法

针对偏振光谱图像融合方法在地物混杂背景遥感探测中多尺度变换融合图像存在边缘轮廓细节模糊、对比度不佳的问题,提出一种基于非下采样轮廓波变换的稀疏表示与引导滤波器相结合的图像融合方法,以改善融合图像的质量和视觉效果。首先,该方法通过非下采样轮廓波变换对光谱图像和偏振图像进行多尺度多方向分解,进而将图像分解成不同子带内的特征信息。其次,低频子带采用稀疏表示融合,从而降低融合图像中物体对比度损失。此外,采用引导滤波器融合高频子带,以增强图像轮廓细节信息。最后,对低频与高频融合系数进行非下采样轮廓波逆变换,最终得出融合图像。分析表明融合图像对比度相对于原始光谱图像与偏振度图像分别提升了54.5%和15.4%,更容易区分混杂背景下阴影中的物体。基于此方法对偏振光谱成像仪所采集的不同波长下的光谱与偏振图像进行融合,并实现真彩还原。真彩还原图像证明此融合方法在保留混杂背景下的环境信息的同时实现了物体和背景的有效区分,有效提高了偏振光谱遥感探测成像的图像质量,有助于提升偏振光谱遥感探测成像中图像信息的完整性和真实性,扩大其在复杂环境遥感探测和图像识别中的应用范围。

改进网格单应性投影变换的文物多镜头光谱图像拼接方法

针对文物多镜头光谱图像序列拼接时的累计误差和多个景深视差导致的特征相对位置偏移问题,提出改进网格单应性投影变换的拼接方法。引入正射彩色全景图像作为参考图像,避免了以单一分镜头光谱图像为基准的累计误差问题。提出SIFT-LBP特征匹配算法,利用LBP纹理对SIFT特征匹配进行筛选和补充,获得准确的特征匹配点对;采用网格单应性变换,以特征匹配点之间的距离为权重,计算目标网格像素点的偏移位置,减少特征相对位置偏移问题;采用直方图匹配加权融合方法融合分镜头光谱图像,以平滑图像重叠区域。与主流图像拼接方法相比较,该方法拼接的图像视觉效果更优,且峰值信噪比较主流方法提高12.81%,结构相似性提高13.12%,为文物保护与研究提供可靠的全景光谱图像数据。

面向双模态夜视图像的混合尺度融合算法

针对传统红外与可见光图像融合算法存在的细节模糊、对比度降低、背景信息缺失等不足,提出了一种基于混合尺度的红外与可见光融合方法。通过潜在低秩表示变换将源图像分解低秩子带和显著子带;利用非下采样轮廓波变换将低秩子带继续分解为低频分量与高频分量;针对显著子带采用基于卷积稀疏表示的方法进行融合;并结合全局均值、区域均值与能量的优势融合低频分量;利用权重决策图融合高频分量。基于自建库及公开库的实验结果表明,与其他5种图像融合算法相比,所提算法在充分继承源图像有效信息的同时,融合图像整体对比度更均衡,有效提升了融合图像的清晰度,包含更丰富的图像细节信息,在主客观评价上均取得了更好的效果。

基于内外混合图像先验与图像融合的DIP改进降噪模型

为提高无监督深度图像先验(DIP)降噪模型的降噪性能,该文提出了一种基于内外混合图像先验与图像融合的DIP改进降噪模型(IDIP),该模型由样本生成和样本融合两个相继执行的模块组成。在样本生成阶段,首先利用2个分别来自内部和外部先验且有代表性的降噪算法(模型)处理噪声图像以产生2张初始降噪图像。基于这2张初始降噪图像,使用空间随机混合器按照各自50%混合比例随机生成足够多的混合图像作为DIP降噪模型的第2目标图像并与第1目标图像(即噪声图像)构成双目标图像。然后,每次使用不同的随机输入和双目标图像,多次执行标准DIP降噪流程生成多张具有互补性的样本图像;在样本融合阶段,首先为了获得更好的随机性和稳定性,随机丢弃50%的样本图像。然后,采用无监督融合网络在样本图像上完成自适应融合,获得的融合图像的图像质量相对参与融合的样本图像得到再次提升,作为最终降噪图像。在人工合成噪声图像上实验表明:IDIP降噪模型较原DIP降噪模型在峰值信噪比评价指标上有约2 dB的提升,且较大幅度超过了其他无监督降噪模型,逼近了有监督降噪模型。而在实际真实噪声图像上,其降噪性能较各对比方法更具鲁棒性。

基于自编码器的红外与可见光图像融合算法

针对目前红外与可见光图像融合过程中,图像特征提取不充分、中间层信息丢失以及融合图像细节不够清晰的问题,提出了一种基于自编码器的端到端图像融合网络结构。该网络由编码器、融合网络和解码器3部分组成。将高效通道注意力机制和混合注意力机制引入到编码器和融合网络中,利用卷积残差网络(convolutional residual network,CRN)基本块来提取并融合红外图像和可见光图像的基本特征,然后将融合后的特征图输入到解码器进行解码,重建出融合图像。选取目前具有典型代表性的5种方法在主客观方面进行对比。在客观方面,较第2名平均梯度、空间频率和视觉保真度分别提升了21%、10.2%、7.2%。在主观方面,融合后的图像目标清晰、细节突出、轮廓明显,符合人类视觉感受。

熵最优与改进SCA的图像分割及其图像识别应用

针对传统图像分割效率低、精度差的不足,提出一种混合变异正余弦算法的多阈值图像分割方法。为提高SCA算法的寻优性能,设计拉丁超立方种群初始化改进种群多样性;以非线性转换因子动态调节算法搜索能力;融入惯性权重机制提升算法全局寻优;结合高斯和拉普拉斯分布混合变异对个体扰动,使算法跳离局部最优。将Cross熵作为适应度函数,利用HMSCA求解分割阈值。实验结果表明,该算法可以提升图像分割精度和效率。将其应用于火灾图像识别,能够实现火焰源与背景分离,得到更好的分割效果。

基于改进机器学习的超分辨率图像细节复原

相对于低分辨率图像,高分辨率图像需要增加的像素数目更多,且需要增加高频信息以提升图像的清晰度,当图像目标与背景之间对比度较大时,图像高频细节信息复原难度较高。为此,提出基于改进机器学习的超分辨率图像细节复原方法。对图像去噪,并结合采用双边滤波方法实现图像的对比度增强;利用改进字典的机器学习算法建立双层字典,结合稀疏表示算法获取一层的粗略复原图像;通过二层字典计算一层复原图像与原始图像之间的差值,建立高分辨率样本,并对其开展二层字典训练,通过训练结构实现超分辨率图像的细节复原。实验结果表明,研究方法应用下峰值信噪比可保持在20dB以上,细节复原均方差低于4×10-3,结构相似性指标更高,高分辨率图像的训练效果更好,特征对比明显,细节信息突出。

水下图像增强与复原技术进展与展望

近年来,水下图像增强与复原技术已成为促进水下目标检测、海洋生物识别、海底测绘等领域发展的重要手段,具有重要的学术意义与应用价值.首先,回顾并分析了水下成像机理,同时指出了当前水下成像技术由硬件设备、气候约束、人造光源以及粒子干扰这4个方面所带来的难点与挑战;其次,全面介绍了水下图像增强与复原技术相关工作,分析了2种技术的联系与区别,同时从技术路线的角度对当前主流水下图像增强与复原方法进行了详细的分类与讨论,并通过实验指明了不同分类方法的各自特点;再次,总结了常用的水下图像数据集与图像评价指标,从数据支撑以及质量评估的方面为当前水下图像增强与复原工作提供了全面翔实的技术指导;最后,预测并分析了未来水下图像增强与复原技术在应用场景、降质方式以及评价指标3个方面的可行发展方向,尤其指明了当前人工智能在水下图像增强与复原领域中所能发挥的巨大潜力以及实用价值.

基于矩阵乘法关联的分级图像秘密共享方案

针对目前图像秘密共享中缺乏集合内或集合间多级权限控制的细粒度问题,提出一种基于矩阵乘法构造分级恢复的图像秘密共享方案。利用图像所具有的矩阵属性,在对原始像素干扰最小的情况下,通过矩阵可逆乘法构建秘密图像之间的关联矩阵,引入效率较高的矩阵运算进行共享份额生成与秘密恢复。当参与者集合中必要参与者满足对应门限时,可恢复第一级秘密图像;当全体参与者满足整体门限时,可恢复第二级秘密图像。仿真结果表明,该加密算法具有良好的安全性与鲁棒性。

基于图像内凹度的矿井外因火灾识别及抗干扰方法

尽早发现矿井火灾并处置,可避免或减少人员伤亡和财产损失及次生事故的发生。井下没有日光、月光、星光及闪电等自然光源,影响矿井火灾图像识别的主要是矿井光源。圆形度能够排除圆形光源的干扰,但难以排除非圆形光源的干扰。矩形度能够排除矩形光源的干扰,但难以排除非矩形光源的干扰。在工程实际中,因摄像机的拍摄角度不同,矿井光源图像会出现变形,无法呈现理想的规则形状,使用圆形度和矩形度算法难以排除矿井光源的干扰。揭示了火焰图像轮廓外接图面积明显大于其图像实际面积,圆形灯、长方形灯和正方形灯等矿井实际光源图像轮廓外接图面积近似等于其光源图像实际面积等特点。提出基于图像内凹度的矿井火灾识别及抗干扰方法,计算目标图像面积与图像轮廓外接图面积的比值(即图像内凹度),根据火焰图像内凹度数值较小,而矿井光源图像内凹度数值较大,区分火焰与矿井光源。提出的内凹度方法不受摄像机距检测目标距离和图像大小、摄像机安装位置和摄像机拍摄检测目标的角度、矿井光源形状等影响,适应性强,识别准确率高。实验表明,内凹度识别方法计算得到的矿井干扰光源减去火焰图像平均差值最大,波动最小,区分度最好,受摄像机拍摄角度及距离影响最小,抗干扰能力最强,准确率为91.6%。矩形度识别方法计算得到的矿井干扰光源减去火焰图像平均差值较大,波动较小,区分度较好,受摄像机拍摄角度及距离影响较小,抗干扰能力一般,准确率为72.5%。圆形度识别方法计算得到的矿井干扰光源减去火焰图像平均差值最小,波动最大,区分度最差,受摄像机拍摄距离影响较小,受摄像机拍摄角度影响大,抗干扰能力最差,准确率为12.0%。因此,提出的内凹度识别方法,优于矩形度和圆形度,区分度最好,受摄像机拍摄角度及距离影响最小,抗干扰能力最强。

基于多层卷积的红外与可见光图像融合算法

针对复杂背景下纹理细节信息丢失、融合图像视觉感受较差等问题,提出了一种基于多层卷积的红外与可见光图像融合算法。该算法的网络框架分为编码器、解码器和融合网络3个部分。在编码器中引入高效通道注意力机制对源图像进行编码处理,融合多层卷积块、梯度卷积块、下采样卷积块以及卷积空间通道注意力机制等形成多层卷积融合网络(MCFN),通过该融合网络进行特征融合,利用解码器重建输出融合图像。选取了5种现有算法与所提算法用8种客观评价指标在两种数据集上进行比较,结果表明,所提算法融合后的图像目标突出、细节清晰、轮廓明显、指标提升显著,符合人体视觉感受。