PCNN简化模型结合快速自适应双边滤波的裂缝图像去噪算法

传统图像去噪算法在解决裂缝图像去噪这一问题时仍然存在边缘细节模糊、算法效率低等不足。针对这一问题,提出了一种脉冲耦合神经网络(PCNN)简化模型结合快速自适应双边滤波的裂缝图像去噪算法(PCNN-FABF)。该算法在利用PCNN的特性来确定噪声点的同时,通过简化PCNN中的参数来提高运算效率。然后利用快速自适应双边滤波对已确定的噪声点进行去噪。快速自适应双边滤波相较于普通双边滤波来说,既能较好地保持图像的细节信息,还能进一步提高算法的运行效率。为了验证所提算法的有效性,将所提算法与其他4种去噪算法进行对比实验,并且采用峰值信噪比和运行时间作为主观评价指标。实验结果表明,所提算法的裂缝图像去噪效果优于对比算法,同时所提算法的峰值信噪比和运行时间均优于其他对比算法,这说明了所提算法能较为完全地去除裂缝图像中的噪声,而且能较好地保留图像细节信息,还能提高去噪效率。

水下声呐图像轻量级目标检测模型

水下AUV搭载声呐进行探测成为水下目标检测的主流方式,水下环境的复杂及声呐成像方式导致声呐图像分辨率较低,使用形态学目标检测等传统方法时检测精度与实时性不高,深度学习如YOLO等算法直接用于水下声呐图像目标检测时仍然面临样本少、模型参数多等挑战,为此,本文提出一种声呐图像水下目标轻量化检测模型。针对低分辨率声呐图像数据特点以及水下AUV自动检测对实时性的要求,以YOLOv4模型为主要框架,进行模型裁剪、替换优化特征融合模块、目标预测框K均值聚类以及改进损失函数等,将构建的检测模型应用于声呐目标检测。所构建的声呐图像水下目标检测轻量化模型的mAP相对于SSD、YOLOv3、YOLOv3-DFPIN、YOLOv4-tiny分别提高了0.0659、0.0214、.0402和0.1701。在mAP相较于YOLOv4、CenterNet、EfficientdetD0分别低0.0186、0.0093、0.0074的情况下,FPS分别相对于YOLOv4提升一倍多、相对于EfficientdetD0提升近5倍、相对于CenterNet提升近一倍。同时,本文提出的模型兼具高精度和实时性的优点。实验结果表明,本文提出的特征提取网络能够减小网络参数冗余,提高模型效率和检测速度,结合自适应空间特征融合模块增强了不同尺度之间特征的相互融合和重用,提高了低分辨率声呐图像目标检测的精度。