多尺度距离注意力纹理图像修复网络

随着图像修复技术的发展,现有的图像修复方法在平坦图像上的修复表现良好,然而针对于复杂纹理图像的修复效果不佳。为了解决这个问题,得益于卷积神经网络处理纹理信息的强大能力,提出了一种多尺度距离注意力图像修复网络(MDAN),该网络构建了一个对称型的注意力结构来生成合适的特征。采用交互注意力机制将多头注意力各个头之间联系起来,并且引入了多距离融合的距离先验。在特征匹配的过程中不仅考虑特征是否相似,还考虑特征间距离的影响。在公开数据集DTD上进行实验,MDAN模型的效果优于当前主流的方法。

基于FastFlow的复杂纹理图像异常检测

为了提高FastFlow的缺陷检测准确率和分割能力,分析FastFlow在复杂图像异常检测上性能下降的原因,提出一种基于FastFlow的改进模型SAFlow(Self-Attention-Flow)。为了解决异常检测准确率低的问题,首先,采用ResNet18为特征提取器,FastFlow为主干网络,均值方差阈值分割作为分割方法;其次,添加一条特征信息添加分支,包含特征金字塔(FP)模块与自注意力(SA)机制模块,旨在给予网络更多的特征信息参考;最后,采用K-sigma动态阈值作为生成的热力图分割阈值,使分割结果更准确。实验结果表明,与FastFlow模型相比,SAFlow在4个复杂纹理图像数据集上的Pixel-AUC(Area Under Receiver Operating Characteristic Curve)精度分别提升了4.98、3.05、1.44和3.88个百分点;在总数据集上,Pixel-AUC平均精度提升了3.34个百分点。所提网络结构使样本数据最后形成的正态分布更具有代表性、更集中,分布中异常负对数似然得分更高,异常检测准确率更高,解决了复杂纹理图像中异常缺陷的检测问题难点。

基于深度强化学习算法的全视角人脸纹理图像生成方法

由于人脸的面部特征复杂且纹理结构多样,传统方法往往受到完整性、纹理真实性、清晰度以及鲁棒性等方面的局限。因此,本研究提出基于深度强化学习算法的全视角人脸纹理图像生成方法。首先,对全视角人脸面部区域进行细致划分,建立坐标系以精确提取各区域的关键纹理结构特征点。随后,将这些特征点输入深度强化学习模型中,通过算法优化整合成一套全面的全视角特征点集合。利用马尔科夫权重场进一步处理特征点,通过计算联合概率,并结合重叠区域约束条件,生成了细节丰富、纹理清晰的全视角人脸纹理图像。实验结果表明,所提出方法生成的图像具有较高的峰值信噪比和较高的纹理清晰度,且鲁棒性较好,有效满足了高质量人脸纹理图像生成的需求。

基于变分水平集的多尺度纹理图像分割方法

为了更有效地对纹理图像进行多尺度分割,我们提出了一种混合模型。该模型使用全变分模型来控制纹理图像的多尺度表示,并且引入局部自相似性以及局部高斯分布拟合函数作为边界提取项,最终得到一个混合的多尺度纹理图像分割模型。实验结果表明,所提模型能够在不同尺度下对纹理图像进行较好地分割,使分割过程更加符合人类视觉的感知机制,并且当图像受到不同程度的高斯噪声污染时,该模型也能够对目标边界进行精确地提取。

基于传感器阵列的纹理图像表面缺陷识别算法

针对目前方法对纹理图像进行缺陷识别时,由于未能利用结构方差直方图对纹理图像进行全局的特征提取,导致图像在进行缺陷识别时的小波系数收敛特性差、覆盖性能低、识别效果差的问题,提出基于传感器阵列的纹理图像表面缺陷识别算法。该算法首先将传感器阵列与小波去噪算法相结合对纹理图像进行去噪处理;利用灰度分布法将图像中的像素进行区间划分,通过结构方差直方图对图像的全局特征进行提取;再采用卡方距离对纹理图像像素之间的距离进行计算,最后通过最近邻分类器对计算结果进行分类,从而实现对纹理图像的表面缺陷进行识别。实验结果表明,运用上述算法对缺陷进行识别时的小波系数收敛特性好、覆盖性能高、识别效果好。

基于混合尺度非局部注意力的纹理图像超分辨率

相较于一般图像,纹理图像细节特征尺度小、密度大,导致低分辨率下会丢失更多高频信息,影响超分辨率重建的效果.基于此,提出一种利用混合尺度非局部注意力的纹理图像超分辨率方法.首先,在跨尺度非局部注意力的基础上提出等尺度非局部注意力,用于在整幅图像中挖掘等尺度相似特征块的高频信息,为解决2种注意力并行部署带来的计算操作与参数量较多的问题,设计参数共享的方法,将2种注意力合并为混合尺度非局部注意力(MSNLA);其次,通过通道投影的方式将MSNLA生成的不同尺度的相似特征与输入特征图融合;最后,利用非局部特征融合重建的方法将MSNLA提取到的特征组合后进行超分辨率重建.实验结果表明,在DTD数据集上,该方法相较于CSNLN算法的PSNR提高了0.16 dB,模型参数量减少了约10.3%,并且重建图像取得了更好的视觉效果.

一种基于二维局部二值模式的纹理图像分类方法

局部二值模式(Local Binary Pattern,LBP)在纹理分类中受到越来越多的关注,传统的基于局部二值模式的图像识别方法在LBP直方图统计时仅仅考虑到LBP模式值本身的数量统计,却忽略了模式值之间的相关性.针对这一问题,本文提出一种二维局部二值模式(Two Dimensional Local Binary Pattern,2DLBP)方法,并用于纹理图像识别.首先以旋转不变均匀LBP特征图为基础,引入滑动窗口和LBP模式对的概念,统计LBP模式图的上下文信息,构造出2DLBP特征;然后改变LBP中的半径参数,构造图像的多分辨率2DLBP特征,并利用支持向量机(SVM)的分类方法进行纹理分类;最后选取Brodatz、CURe T、UIUC、FMD四个公开纹理库分别进行纹理分类测试.理论验证表明该方法具有良好的通用性,可以与LBP的其他变型结合成为新的图像特征构造方法.同时,实验结果表明,本文提出方法具有较好的纹理图像分类能力.

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.

基于整数小波系数的纹理图像检索方法研究

提出了一种用整数小波系数检索纹理图像的方法.纹理图像的主要特征表现在细节部分,而高频部分的小波系数体现了图像的细节,所以从这些小波系数中提取的特征,能够表征纹理图像的主要特性;实验结果表明,用该方法检索纹理图像,能够达到较好的检索效果,并且对亮度不敏感,这一特点是传统的纹理分析方法难以达到的.

基于分形理论和Kohonen神经网络的纹理图像分割方法

分形理论作为描述自然现象的一种模型，受到人们越来越多的重视。该文提出采用分形维数和多重分形广义维数谱q－D（q）作为纹理特征，采用自组织神经网络Kohonen网络作为分类器的图象分割方法。通过对纹理图象的分割实验，结果令人满意，证实该方法的有效性。

一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点 .现有的纹理分割方法大多集中于研究灰度纹理图像 ,文中提出一种基于分形理论和 BP神经网络的彩色纹理图像分割方法 .该方法将彩色图像由 RGB色彩空间转换为 HSI色彩空间 ,根据亮度计算分数维、多重分形广义维数谱 q- D(q)和“空隙”等纹理特征 ,同时加入归一化的色度和饱和度作为另外两个分类特征 ,采用经过有监督训练的 BP神经网络作为分类器 .通过对纹理图像的分割实验 。

复数轮廓波变换纹理图像检索系统

针对基本轮廓波变换纹理图像检索系统检索率低下的问题,提出了一种基于复数轮廓波变换(CCT)的纹理图像检索系统。该系统采用的复数轮廓波变换由双树复小波变换级联临界下采样方向滤波器构成,特征向量采用子带系数的能量和标准偏差连接而成,以Canberra距离为相似度度量标准;比较了基于同样架构的基本轮廓波变换(CT)、无下采样轮廓波变换(NSCT)、半下采样轮廓波变换(CTS)和CCT纹理检索系统的性能。实验结果表明:在特征向量长度、检索时间、所需存储空间基本相同的情况下,基于CCT的检索系统比CT、CTS和NSCT检索系统具有更高的检索率;各种轮廓波变换分解结构尺度数对检索率也有较大的影响。

窄带主动轮廓模型及在医学和纹理图像局部分割中的应用

提出一种新的基于二值水平集的窄带主动轮廓模型用于局部分割.通过对二值水平集进行形态学膨胀和腐蚀操作,提出一种稳定灵活可控的窄带控制方案,该方案可使得曲线进化精度从一个像素宽度灵活变化到任意大小.考虑到局部分割一般要求初始轮廓置于待分割目标内部并不断膨胀进化直至目标边缘,本文提出用形态学闭运算作为新的曲线平滑方案.与传统的高斯平滑和曲率平滑方案相比,形态学闭运算不仅能够更好地促进曲线的膨胀进化,而且有利于保持水平集函数的二值性.此外,本文提出的方法是一种通用的自然框架,可以根据不同的需求设计不同的速度函数.为了证明所提出的局部分割框架的有效性和鲁棒性,本文以医学图像和纹理图像为例分别设计了两个速度函数:一个是融合了磁共振脑图像的非严格对称信息的速度函数用于大脑皮质下结构的局部分割;另一个是融合了局部熵和局部梯度算子的速度函数用于纹理图像的局部分割.在合成图像、医学图像和纹理图像上的实验证明了本文方法在局部分割中的有效性和鲁棒性.

基于小波包分解的纹理图像去噪

噪声对图像的后续处理影响较大,常用的去噪方法虽然可以去除变化平缓的图像中的噪声,但对细节较多的纹理图像的去噪效果却不太理想.文中基于信号和噪声在小波分解中呈现出来的不同特性,提出了一种新颖的小波包去噪算法.采用该算法对纹理图像进行最优小波包分解,并计算每个子频带的两个范数,然后根据范数值区分信号和噪声,从而达到去除噪声的目的.实验结果表明,该算法对皮革图像具有较好的去噪效果,不仅可以去除纹理图像中的大部分噪声,而且可以较好地保留图像纹理信息.

基于图形硬件的纹理图像编码与实时绘制算法

真实感绘制对于细节的要求越来越高,应用程序通常采用多幅或大幅分辨率很高的纹理图像,有限的内存空间就成了一个制约的瓶颈.针对纹理图像的特点和可编程图形硬件的特殊要求,该文提出了一种新的面向绘制的编码算法——增量式纹理编码算法及相应的解压绘制算法,有效地解决了纹理存储容量和真实感之间的矛盾,并利用可编程图形硬件实现了实时解压绘制.该算法在图像压缩编码过程中,动态添加码表内容,只有当已有码表内容不能表示当前图像区域时,才增加码表内容.这种方法不仅能够对于自相似性较强的纹理图像取得很高的压缩比,而且由于码表的动态更新特性,可以对图像序列进行流式编码.在绘制纹理时,该算法充分利用了现有可编程图像硬件的特性,实现了实时解压绘制.文中分别对于静态图像和动态图像序列进行了实验,结果显示,此方法能灵活有效地对各类纹理图像进行编码.

基于DCT压缩域的纹理图像分类

该文提出了一种在基于离散余弦变换(DCT,Discrete Cosine Transform)压缩域进行纹理图像分类的方法。此方法主要利用了DCT域能量具有方向性的特点,直接在游程长编码(RLE,Run LengthEncoding)形成的码流中根据这种方向性来提取、组织特征矢量,对纹理图像进行分类。此方法只需对压缩图像进行简单的Huffman解码,要处理的数据量较少,处理速度快。实验结果表明,这种分类方法具有较高的准确性。

基于双密度小波变换的纹理图像检索

为了进一步提高纹理图像的检索性能,提出了一种基于双密度小波变换算法.该算法根据双密度小波分解变换的特点,从系数角度出发首先对子带进行组合,然后提取一阶和二阶统计矩并将结果作为纹理的特征用于图像检索.由于组合双密度小波变换采用了过采样,具有时移不变性,所以据此生成的算法具有特征数少、检索精度高等特点.对比实验结果表明,该算法的检索精度比单小波和双密度小波变换分别提高了10%和7%,性能最好的是一阶和二阶统计矩组合的方法.

一种自然纹理图像生成的新方法

提出了一种新的自然纹理图像生成方法 ,对传统的纹理图像统计模型和结构模型进行了改进 ,能够用来模拟和生成多种自然景物的纹理图像 .实验结果证明 。

一种新的基于高斯混合模型的纹理图像分割方法

提出了一种新的结合了小波变换的高斯混合模型纹理分割方法。该方法包括预处理、小波变换、模型训练、计算后验概率和标记图像等5个阶段,并分析了将高斯混合模型引入纹理分割需要注意的几个方面。试验结果表明,该算法具有较好的分割性能。