结合密集残差块和注意力的真实图像去噪网络

为有效去除真实图像噪声并保留图像边缘信息,提出一种结合密集网络思想和并行极化自注意力机制的真实去噪算法。使用3条并行结构处理不同尺度的特征信息,其中每条分支由两个密集注意力块串联而成,形成残差结构。使用选择性核融合机制,获取不同深度下的特征信息,将其融合并使用注意力机制去除冗余信息,获取干净图像。实验结果表明,该算法在SIDD、DND、PolyU测试集上的峰值信噪比分别为39.32 dB、39.52 dB和37.36 dB,结构相似性分别为0.908、0.951和0.952,在SIDD和PolyU测试集上的图像通用质量指标值为0.992和0.982,在去噪任务上可以达到较好的性能,提高了图像视觉的质量。

基于高阶交互的渐进式真实图像去噪网络

针对真实图像噪声水平未知、噪声分布复杂等特点,提出一种多尺度渐进式去噪算法,进一步提升针对真实图像去噪算法的泛化性和鲁棒性,有效去除噪声并保留纹理细节,在保障空间精度的同时丰富语义信息。该模型整体遵循多尺度结构,并行的3条卷积流表现为3个子网,每个子网采用单一尺度通道,子网间进行拼接,保证信息最大限度地传递。最后子网的输出通过改进深度卷积块实现多尺度特征再利用,并与该子网原始特征进行融合以达到更高效的去噪。通过实验证明,该算法在SIDD、DND、PolyU数据集上的峰值信噪比分别达到38.69、39.12、37.24 dB,另外结构相似性、图像通用质量指标和视觉信息保真度指标表现优异,可以验证该算法不论在定量或定性分析上都有良好的表现,达到较高的性能。

基于傅里叶分析法的音频电网频率检测系统的设计

随着数字化时代的到来,以数字化形式存储的数字音频有着易存储、易复制等优点,在给生活带来极大便利的同时也存在易被篡改的问题,因此音频的完整性对于调查取证有着十分重要的意义。基于此,笔者根据ENF提取技术的研究现状,利用Beyound Compare和Matlab设计出基于傅里叶分析法的音频检测系统,该系统可以高效地提取音频中电网频率并实现音频完整性的检测。

基于密集空洞空间金字塔池化和注意力机制的皮肤病灶图像分割方法

皮肤是人体最大的器官,很多内脏疾病会直接体现在皮肤上,准确分割皮肤病灶图像具有重要的临床意义。针对皮肤病灶区域颜色复杂、边界模糊、尺度信息参差不齐等特点,本文提出一种基于密集空洞空间金字塔池化(DenseASPP)和注意力机制的皮肤病灶图像分割方法。该方法以U型网络(U-Net)为基础,首先重新设计新的编码器,以大量残差连接代替普通的卷积堆叠,在拓展网络深度后还能有效保留关键特征;其次,将通道注意力与空间注意力融合并加入残差连接,从而使网络自适应地学习图像的通道与空间特征;最后,引入并重新设计的DenseASPP以扩大感受野尺寸并获取多尺度特征信息。本文所提算法在国际皮肤影像协会官方公开数据集(ISIC2016)中得到令人满意的结果,平均交并比(mIOU)、敏感度(SE)、精确率(PC)、准确率(ACC)和戴斯相似性系数(Dice)分别为0.9018、0.9459、0.9487、0.9681、0.9473。实验结果证明,本文方法能够提高皮肤病灶图像分割效果,有望能为专业皮肤病医生提供辅助诊断。