基于局部熵-局部对比度和双区域直方图均衡化的红外图像增强

为了改善红外图像的视觉效果,突出细节信息,同时抑制噪声。提出了结合改进的LC显著性检测和双区域直方图均衡化的红外图像增强方法。首先使用结合局部熵加权的LC显著性检测算法得到显著图。然后使用K-means算法对显著图进行自适应分割得到前景区域和背景区域。最后对前景区域进行结合局部方差的改进直方图均衡化,对背景区域使用限制对比度直方图均衡化增强。实验结果表明,与当前主流算法相比,本文算法主观效果更佳,且峰值信噪比、结构相似性、信息熵等客观评价参数均有所提升。

基于注意力机制的自然场景文本检测

针对自然场景文本检测中没有明确全局特征的重要性,导致文本检测过程中存在文本的误检、漏检问题,提出了基于注意力机制的自然场景文本检测方法。该方法在CTPN网络的基础上,利用ResNet网络及特征融合技术提取更深层次的多层网络文本特征;同时将注意力机制引入改进后的特征提取网络中,通过从所有位置聚集的相同特征来增强原始特征,并获取注意力权重,对全局注意力进行汇集,明确需要关注的特征。其次,针对自然场景下文本定位精度不高的问题,使用GIoU损失代替坐标损失,同时引入Focal Loss损失函数对原有损失函数进行改进。实验表明,该方法在自然场景文本图片检测中获得了83%的召回率、87%的准确率和85%的F值,保证了文本检测过程中文本信息的完整性。

基于DenseNet的自然场景文本检测

针对自然场景中由文本背景复杂、文字大小不同而引起的文本检测准确率不高的问题,提出了一种基于DenseNet改进的文本检测方法。首先使用DenseNet网络提取更深层次的文本特征,通过引入协调注意力,将位置信息嵌入通道注意力中获取大区域特征;其次对DenseNet网络使用特征融合技术,使改进后的网络能够提取文本信息更丰富的特征,降低了漏检和误检文本的概率。结果表明:该模型在数据集ICDAR2011和ICDAR2013中的准确率分别达到了0.88和0.89,证实了该改进方法的有效性。