基于循环生成对抗网络的图像去雾算法

大气散射模型与有雾图像及对应清晰图像间的映射模型不适配,导致使用大气散射模型进行图像去雾处理时,图像存在颜色偏差、纹理细节粗糙等问题。基于模拟生物视觉系统的反馈原理,提出一种端到端的循环生成对抗网络算法,以解决误差累积造成的去雾图像低质的问题。通过生成模块将循环神经网络的隐藏状态作为反馈信息,以指导低级模糊特征信息生成更加丰富的高级特征。循环结构能够保证先前的网络层可以使用到后面网络层的高级特征信息,从而减少误差累积。此外,该算法能够根据判别模块的损失来评估重建图像的质量。实验结果表明,与GCANet算法相比,所提算法在SOTS测试集上的平均峰值信噪比和结构相似性,在室内分别提升3.41%和0.57%,在室外分别提升3.48%和1.39%,且在真实世界的数据集上进行图像去雾后,在视觉上避免了颜色失真和光晕问题。

基于循环卷积神经网络的模块化文字识别

为了解决光学字符识别(OCR)过程中,因文字采集质量偏低导致文字识别精度低的技术问题,提出了一种将传统方法与神经网络相结合的OCR技术。本文针对图像中的文字待识别区域进行文字识别:首先将待识别图像处理成无损位图文件;随后将无损位图文件进行方向校正、去噪、字符切割等预处理操作;最后基于预处理后的文本图像进行文字识别。实验表明,本文提出的方法,降低了OCR系统处理数据的负荷、提升了识别精度。不仅节约了时间成本和硬件成本,而且可以有效的识别文字图像中的密集文字和模糊文字。