基于Retinex-Net网络模型的渐晕图像校正

相机成像过程中会因为视角变化而产生渐晕效应,使图像出现中间亮、四周暗的现象。渐晕的存在使图像丢失部分边缘纹理信息,极大地影响机器视觉处理的性能。针对此问题,本文从校正图像清晰度和提高去噪性能两方面入手,对Retinex-Net网络模型进行改进。首先,在原模型基础上添加空洞卷积,以保持校正图像的高分辨率并扩大感受野。其次,将图像去噪改进为密集残差网络的方式,目的是密集提取渐晕图像的每一层特征,更多地保留图像的细节特性并抑制噪声。最后,构建了渐晕图像的数据集,并将本文提出的算法在测试集上进行校正性能验证。本文算法与改进前的原网络模型相比较,SSIM值提升了0.293,PSNR值提升了0.727,RMSE值降低了0.095。相较于最小化图像熵、自适应补偿Retinex、基于径向梯度对称性等校正算法,本文算法具有更好的校正性能,并且在视觉上更适合观察和理解。

面向无人机平台的轻量化目标检测网络

针对无人机端目标检测中存在图像尺度变化大、目标尺寸小和无人机机载嵌入式计算资源有限的问题,提出一种应用于无人机平台轻量化的目标检测网络。该网络以YOLOv5作为基准模型,首先增加检测分支以处理尺度变化的问题;然后提出基于归一化Wasserstein距离与传统IOU混合的小目标检测度量方法,用于解决小目标检测精度低的问题;随后提出FasterNet与C3融合的C3_FN轻量化网络结构,降低网络计算量,使其更适合无人机平台使用。最后将算法分别在仿真平台与嵌入式平台上利用无人机目标检测数据集VisDrone进行性能测试。仿真平台上的测试结果表明,本文提出的网络相较于基准网络在mAP0.5指标上提升了6.6%,mAP0.5-0.95指标上提升了4.8%,推理时间仅需45.9 ms,对比其他主流的无人机目标检测网络具有更好的检测效果。在嵌入式设备NVIDIA Jetson Nano上的测试结果表明,本文算法能够在有限的硬件资源下获得高精度接近实时的检测性能。

基于飞行时间技术的三维关联成像

为了提高强度三维关联成像的图像重构质量,将飞行时间技术与差分关联成像重构算法相结合,推导了强度三维关联成像的理论公式,并进行了数值模拟成像。采用532 nm脉冲激光作为光源,搭建了一套赝热光三维关联成像实验系统,实现了实验室环境下的200 pixel×200 pixel目标物体的三维图像重构。实验结果与数值模拟结果一致,在一定范围内,随着选取阈值参数值的增加,可以减少切片噪声叠加的影响,显著提高三维重构图像质量;适当提高光源激光功率,能够有效改善三维图像的重构质量与纵向距离的测量精度。