一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。

基于自适应稀疏邻域重构的无监督主动学习算法

在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的。作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价。然而,现有的大多数主动学习算法都是基于分类器的监督学习方法,这类算法并不适用于无任何标签信息的样本选择。针对这个问题,借鉴最优实验设计的算法思想,结合自适应稀疏邻域重构理论,提出基于自适应稀疏邻域重构的主动学习算法。该算法可以根据数据集各区域的不同分布自适应地选择邻域规模,同步完成邻域点的搜寻和重构系数的计算,能在无任何标签信息的情况下较好地选择最能代表样本集分布结构的样本。基于人工合成数据集和真实数据集的实验表明,在同等标注代价下,基于自适应稀疏邻域重构的主动学习算法在分类精度和鲁棒性上具有较高的性能。

以应用能力培养为导向的数字图像处理课程改革研究

针对目前数字图像处理课程教学中存在的教材内容固化陈旧、教学重理论轻应用、考核形式与课程性质和教学目标不一致等问题,提出以激发学习兴趣和培养应用能力为导向的教学改革方案,包括教学内容的调整优化、混合教学模式的创新应用、项目驱动式的课程实验设计以及能力测试为主的考核方式改革四个方面.实践表明,该方案能够克服传统教学方法所存在的弊端、提高学生的学习兴趣和学习效果,有利于培养学生的实践应用能力.

基于自相似性与多任务高斯过程回归的单帧图像超分辨率重建

在单帧图像超分辨率问题中,基于高斯过程回归的超分辨率算法没有挖掘相似图像片间的关联关系或者无差别地用相似图像片来扩充训练集合,都会导致重建的高分辨率图像中存在明显的噪声和伪影。对此提出了一种基于多任务高斯过程回归的超分辨率算法。该算法通过引入多任务学习思想,将输入的低分辨率图像进行分片处理,把每一个图像片的超分辨率过程视为一个任务。在对相似任务建模的过程中,通过最优化求解的参数集合来体现任务间的共性及差异,从而使模型的泛化能力和预测精度得以提高,在重建高分辨率图像清晰锐利的同时,噪声和伪影受到明显抑制。用常见的测试图像以及公开的图像测试集合进行的大量试验表明该算法在主观评价和客观评价两个方面均优于同类型算法及当前经典算法,峰值信噪比较其它常见超分辨率算法可提高约0.5dB。

基于组稀疏表示的在线单帧图像超分辨率算法

基于稀疏表示的图像超分辨率重建算法以近似随机抽取的方式选取字典中的原子来拟合图像片,而实际中的字典原子的选择体现出了很强的结构稀疏性,从而导致算法计算复杂且引入了大量的误差,影响重建图像的质量。针对该问题,提出了一种基于组稀疏表示的在线图像超分辨率重建算法。该方法引入组稀疏理论,仅利用输入的低分辨率图像作为样本来构建组稀疏字典,通过结合组稀疏性和几何对偶性来构建超分辨率图像算法的成本函数,并使用提出的一种迭代的方法进行求解。实验表明,该算法在视觉观察和参数比较上都优于当前主流的超分辨率算法。

基于最大化自相似性先验的盲单帧图像超分辨率算法

图像的自相似性质和图像质量之间存在着密切的关系,清晰的自然图像中几乎所有的图像片都在其自身或较低尺度内存在着重复。然而,在存在噪声或模糊等降质处理的图像中,这一性质明显减弱。针对这一现象,提出一种最大化自相似性先验的盲单帧图像超分辨率算法。该算法通过迭代计算求解超分辨率图像和降质过程的模糊核,使得到的超分辨图像中的任一图像片在输入的低分辨率图像中都以最大的概率存在。这一算法不仅能够准确地计算降质过程的模糊核,得到高质量的高分辨率图像,而且其先验知识随着输入图像的不同而自动进行调整,使得算法具有更强的鲁棒性。大量实验表明,该算法的PSNR,SSIM参数结果较主流算法都有着明显的优势。

一种最佳线性估计与多假设结合的分布式视频压缩感知重构算法

针对分布式视频压缩感知系统存在编码端的低采样率易导致解码端重构效果不理想的问题,综合考虑视频帧间的时空相关性以及帧内不同图像块所具有的不同块特征,提出了一种最佳线性估计与多假设预测相结合的分布式视频压缩感知重构算法。算法在编码端采用分块压缩感知进行随机测量,在解码端增加了相似判别、测量值补充以及平滑判别三种机制。通过此三种机制对非关键帧块进行细化分类,并根据分类结果对不同的图像块采用不同的测量值补充及重构策略,进而提高重构质量。在标准视频序列集上的仿真实验结果表明,本文提出的算法重构视频信号的峰值信噪比(PSNR)比传统的多假设预测重构算法平均高出2~3 dB,尤其在编码端测量率低于0.2的情况下,PSNR高出4~5 dB。

基于Mask R-CNN的人脸检测与分割方法

针对现有主流的人脸检测算法不具备像素级分割,从而存在人脸特征具有噪声及检测精度不理想的问题,提出了一种基于Mask R-CNN的人脸检测及分割方法。通过ResNet-101结合RPN网络生成候选区域,再利用RoIAlign算法实现像素级的特征点定位,旨在提高定位精度。根据全卷积网络生成相应的人脸二值掩码,实现图像中人脸信息与背景的分割。此外,构建了一个具有分割标注信息的人脸数据集用于训练相应模型。在通用人脸检测数据集的实验结果表明,该方法具有较好的人脸检测效果,并能在准确检测的同时实现像素级的人脸信息分割。

基于深度学习的视觉目标跟踪算法浅析

视觉目标跟踪是计算机视觉研究领域的一个基础性问题,随着近年来人工智能的迅速兴起,目标跟踪技术的研究得到越来越多的关注.深度学习技术具有强大的特征表征能力,在图像分类、物体识别、自然语言处理等应用上比传统方法取得了更好的效果,因此逐渐成为图像视频研究的主流技术.简要概述传统目标跟踪算法及其存在的问题,然后从深度模型的角度,对近几年基于深度学习的视觉目标跟踪算法进行分类,重点介绍、分析和对比主要的深度学习跟踪框架及其优缺点,并使用OTB2015数据集测试各算法的性能,最后总结深度学习跟踪方法现有的挑战,并对进一步研究提出展望.