基于傅里叶卷积和多特征调制的图像修复网络

目的解决大面积破损难以修复且修复过程中感受野、特征空间信息利用不足,导致修复后的孔洞区域与背景之间出现结构、纹理、风格不一致的问题。方法基于傅里叶卷积和多特征调制的修复网络FFC-MFMGAN,傅里叶卷积在网络的浅层便具有较大的感受野,尤其是在宽掩码时能够跳过掩码区域,捕获到有效特征,多特征调制生成网络能够分别利用完整区域的信息和随机样式操纵,增强与未受损区域的语义连贯性,以及大空洞率下修复的多样性。结果在Place 2数据集上,将文中方法与其他图像修复方法进行了对比实验,经过测试,各类指标均得到明显改善,峰值信噪比提高了1.4%,结构相似性提高了4.5%,平均绝对误差降低了12.6%,基于学习的感知图像块相似性降低了9.1%。结论FFC-MFMGAN网络能够较好地修复大面积不规则孔洞,同时增强修复图像的全局结构性和清晰度,对实际包装印刷图像的缺陷修复也有一定参考价值。

基于3D特征动态融合的点云特征提取网络

针对目前用于点云配准的点云特征提取方法并未充分提取点云中的有效信息等问题,提出了一种基于3D特征动态融合的点云特征提取网络(3D feature dynamic fusion and residual u-net,DFRUNet)。该网络通过3DFDF(3D feature dynamic fusion)模块将编码和解码模块的特征动态融合,以充分提取点云中的有效信息;同时采用SE-Res(squeeze and excitation residual)模块来提取点云特征,通过动态调整显著区域的权重,对该区域特征进行重点提取,以提高所提取特征的质量。将网络所提取特征映射到高维空间中,采用随机采样一致性(random sample consensus,RANSAC)算法完成点云配准。实验结果表明,在3DMatch数据集上,该算法特征匹配召回率(feature-match recall,FMR)达到了96.3%,相较于经典的FCGF算法提高了0.011。配准召回率(registration recall)达到了82.2%,提高了0.014。该方法充分提取了点云中的有效信息,达到了更高的召回率,对其他点云配准研究具有参考价值。

改进的K-Means高通量dPCR荧光图像分类算法

目的 为实现高通量dPCR荧光图像阳性点高精确度分类,提出一种改进的K-means高通量dPCR荧光图像分类算法。方法 首先,将预处理后的荧光图像进行像素灰度值统计,依据图像亮度自适应选择波峰波谷作为聚类中心,通过马氏距离度量确定像素簇类;然后,将粗分类结果进行开、闭运算及删除小面积对象等形态学处理;最后,利用3次连通域统计方法完成细分类、位置标识和计数。结果 选取4种通道825幅荧光图像进行检验,平均精确率达到99.06%,召回率达到98.97%,分类效果良好。结论 文中提出的改进K-means分类算法可以实现对高通量dPCR荧光图像的高精度分类和计数,对其他荧光图像分类识别具有一定借鉴意义。