基于CBAM-YOLOv3的指针式仪表检测识别方法

针对指针式仪表自动检测和读取示数时背景环境复杂、目标检测性能不足和读取示数误差大等问题,提出了一种基于CBAM-YOLOv3的指针式仪表自动检测和读数的方法。在YOLOv3(You Only Look Once-v3)基础上,引入注意力机制模块CBAM(Convolutional block attention module),通过检测提取表盘区域,根据边界框位置信息剔除绝大部分背景。利用霍夫变换确定指针和表盘位置,采用模板匹配法寻找刻度起始点。以表盘中心为原点建立直角坐标系,根据指针和刻度间的角度关系读取示数。实验结果表明:仪表自动检测精度达到了99.72%,读数平均相对误差为0.44%。该算法具有较高的检测精度和较低的读数误差。

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。

基于贝塔过程联合字典学习的图像超分辨重建

为了提高图像超分辨效果,针对以往稀疏字典超分辨算法仅适用于单特征空间的问题,提出基于贝塔过程联合字典学习(BPJDL)的图像超分辨重建(SRR)方法。首先,根据图像退化模型生成训练样本图像,分别对高、低分辨率图像进行7×7分块,并利用吉布斯采样对图像块进行采样,生成字典训练样本。然后,依据贝塔过程先验模型,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,通过训练和更新字典,得到同时适用于两个特征空间的字典映射矩阵。最后,进行图像超分辨稀疏重构。实验结果表明:本文方法能以更小尺寸的稀疏字典重建超分辨图像,与当前最先进的稀疏表示超分辨算法相比,结果图像主观视觉上纹理细节信息更丰富,客观评价参数峰值信噪比(PSNR)提高约1.5 dB,结构相似性(SSIM)提高约0.02,超分辨重建时间降低约50 s。

利用图像翻转和复域编码的离轴干涉载频消除（英文）

提出一种利用图像翻转和复域编码消除离轴干涉载频影响,进而实现相位恢复的方法。方法通过旋转样品干涉图180°,得到翻转干涉图。样品干涉图与翻转干涉图首先被复数域编码为一幅合成的干涉图。继而进行傅里叶变换,可通过带通滤波器提取频谱中相互分离的共轭项用于相位恢复。通过逆傅里叶变换,可以获得含有样品干涉图和翻转干涉图的相位分布、载频信息的结果。通过除法运算,载频得以在无需复杂运算、解包裹、系统先验信息的情况下被消除。通过仿真和实验验证了算法的可行性。实验结果表明该方法可获得精确的相位恢复结果。在恢复薄相位样品时,该方法的恢复时间仅为原图像翻转方法的23.32%。