针对传统对数极坐标傅立叶变换(log-polar mapping based Fourier transform,LPMFT)在大尺度、大旋转及大平移变换情况下不能精确估计图像对之间的变换参数,提出基于层次化及最小二乘的图像配准方法(multi-resolution analysis and leas...针对传统对数极坐标傅立叶变换(log-polar mapping based Fourier transform,LPMFT)在大尺度、大旋转及大平移变换情况下不能精确估计图像对之间的变换参数,提出基于层次化及最小二乘的图像配准方法(multi-resolution analysis and least square optimization,MALSO):首先,使用小波变换将图像分解为多分层结构,并将每层的低频部分作为待匹配图像;其次,在每层中,引入窗口函数及自适应滤波函数以减少谱泄漏,混叠及插值误差的影响;最后,构建一个代价函数,并通过最小二乘法求解最优参数.实验表明,该方法既满足大尺度,大旋转及大平移参数准确估计要求,又比LPMFT对遮挡更具鲁棒性,有一定的理论及应用价值.展开更多
目的在沙尘天气条件下,由于大气中悬浮微粒对入射光线的吸收和散射,户外计算机视觉系统所采集图像通常存在颜色偏黄失真和低对比度等问题,严重影响户外计算机视觉系统的性能。为此,提出一种带色彩恢复的沙尘图像卷积神经网络增强方法,...目的在沙尘天气条件下,由于大气中悬浮微粒对入射光线的吸收和散射,户外计算机视觉系统所采集图像通常存在颜色偏黄失真和低对比度等问题,严重影响户外计算机视觉系统的性能。为此,提出一种带色彩恢复的沙尘图像卷积神经网络增强方法,由一个色彩恢复子网和一个去尘增强子网组成。方法采用提出的色彩恢复子网(sand dust color correction,SDCC)校正沙尘图像的偏色,将颜色校正后的图像作为条件,输入到由自适应实例归一化残差块组成的去尘增强子网中,对沙尘图像进行增强处理。本文还提出一种基于物理光学模型的沙尘图像合成方法,并采用该方法构建了大规模的配对沙尘图像数据集。结果对大量沙尘图像的实验结果表明,所提出的沙尘图像增强方法能很好地去除图像中的偏色和沙尘,获得正常的视觉颜色和细节清晰的图像。进一步的对比实验表明,该方法能取得优于对比方法的增强图像。结论本文所提出的沙尘图像增强方法能很好地消除整体的黄色色调和尘霾现象,获得正常的视觉色彩和细节清晰的图像。展开更多
基金Supported by National Natural Science Foundation of China(61571313,u1633126)National Key Research and Development Program(2016YFB08-00600)+1 种基金International Science and Technology Cooperation Project of Chengdu City(2015–GH02–00008–HZ)Young Talent Project in Science and Technology Innovation Program of Sichuan Province(2016017)
文摘针对传统对数极坐标傅立叶变换(log-polar mapping based Fourier transform,LPMFT)在大尺度、大旋转及大平移变换情况下不能精确估计图像对之间的变换参数,提出基于层次化及最小二乘的图像配准方法(multi-resolution analysis and least square optimization,MALSO):首先,使用小波变换将图像分解为多分层结构,并将每层的低频部分作为待匹配图像;其次,在每层中,引入窗口函数及自适应滤波函数以减少谱泄漏,混叠及插值误差的影响;最后,构建一个代价函数,并通过最小二乘法求解最优参数.实验表明,该方法既满足大尺度,大旋转及大平移参数准确估计要求,又比LPMFT对遮挡更具鲁棒性,有一定的理论及应用价值.
文摘目的在沙尘天气条件下,由于大气中悬浮微粒对入射光线的吸收和散射,户外计算机视觉系统所采集图像通常存在颜色偏黄失真和低对比度等问题,严重影响户外计算机视觉系统的性能。为此,提出一种带色彩恢复的沙尘图像卷积神经网络增强方法,由一个色彩恢复子网和一个去尘增强子网组成。方法采用提出的色彩恢复子网(sand dust color correction,SDCC)校正沙尘图像的偏色,将颜色校正后的图像作为条件,输入到由自适应实例归一化残差块组成的去尘增强子网中,对沙尘图像进行增强处理。本文还提出一种基于物理光学模型的沙尘图像合成方法,并采用该方法构建了大规模的配对沙尘图像数据集。结果对大量沙尘图像的实验结果表明,所提出的沙尘图像增强方法能很好地去除图像中的偏色和沙尘,获得正常的视觉颜色和细节清晰的图像。进一步的对比实验表明,该方法能取得优于对比方法的增强图像。结论本文所提出的沙尘图像增强方法能很好地消除整体的黄色色调和尘霾现象,获得正常的视觉色彩和细节清晰的图像。