基于Criminisi算法的图像修复研究

数字图像修复在2000年首次提出,关键应用领域包括文物保护和电影特效制作,其中Criminisi算法备受研究关注。本文针对Criminisi算法仅适用于纹理信息丰富或大区域破损图像修复的局限性展开研究,结合权重与距离参数更新Criminisi算法的优先权计算公式和匹配块匹配策略,提出一种新的Criminisi改进方法,以提高算法的适用范围和修复的图像质量。本文引入权重系数以度量优先权公式中置信度项和数据项的信息,同时引入待修复块与全局最佳匹配块间的欧氏距离作为匹配块搜索新策略,通过调节比例系数调整不同应用场景的搜索策略,以增强匹配块与待修复块的相似性。最后,本文使用PSNR作为客观评价指标,在Matlab平台完成不同图像修复任务和应用场景的修复对比实验,结果表明,本文方法不仅有效提高修复图像的平均PSNR,还能更好地适应不同修复任务及其应用场景,为数字图像修复领域的深入研究与应用提供一定价值的参考。

基于CF-PSPnet的主波束效应的校正研究

射电天文成像过程中,需要对观测得到的脏图进行反卷积操作得到“干净”的图像,而这图像中包含着主波束效应,未得到主波束效应校正的图像在偏离中心区域的地方会出现强度衰减的现象,而且距离中心越远,衰减现象越明显。传统的主波束校正方法虽然能够完成校正,但对于图像边缘区域尤其是微弱结构的细节恢复的不是很理想。因此,本文提出了CF-PSPnet的深度学习的模型,引入了注意力机制,多特征融合等操作,实现了对观测图像中不同级别特征的融合与提取,从而达到对主波束校正的需求。经本文实验后得出,CF-PSPnet解决了传统图像域校正方法中存在的缺点,有着不错的校正效果。下一代的射电天文望远镜有着更高灵敏度,动态范围与空间角分辨率,本文方法为其主波束效应校正提供了一种更具潜力的解决方案。

利用改进灰狼算法优化二维综合孔径天线阵列

相同灵敏度或分辨率下单孔径天线所需的成本和实现难易程度都远高于孔径阵列,同时相同配置下多天线组成的阵列望远镜性能一定优于单天线望远镜,因此优化阵列十分重要。Kiehbadroudinezhad等人利用遗传算法进行优化已取得不错效果,由于遗传算法存在计算成本高、稳定性差等问题,因此本文提出了改进的灰狼算法(Grey Wolf Optimizer, GWO)进行了优化改进,并与VLA_A这个现实中表现良好的Y型阵列作对比。实验表明对于27根天线阵列优化,提出的改进的灰狼算法比遗传算法更有效地分配uv域,其最终优化综合孔径天线阵列的DV Density为0.3048,该值小于VLA_A的DV Density和遗传算法优化所得的结果。

星系图像超分辨率重建技术研究

SKA1-low接收到的无线电信号转换为图像数据后,由于各种因素的干扰会导致图像的分辨率模糊不清,使得天文学家难以从中获取清晰完整的星系信息。针对这一现象,本文计划在生成对抗网络SRGAN的基础上,对其基础模块进行调整优化,使之更利于重建SKA星系图像。本文采用改进SRGAN的星系图像超分辨率重建算法在星系图像数据集上进行训练及测试,实验结果在原模型上PSNR值提升了3.02 db,SSIM值提升了0.0551 db;此外,本文另从定性与定量两方面与SRResCCGAN、IMDN、LAPAR、及BebyGAN等主流模型作对比,从定量角度分析,PSNR值分别提升了1.96 DB、1.59 DB、4.88 DB、0.81 DB,SSIM值分别提升了0.1103、0.056、0.0381、0.0141,两种主流评价指标数值均有所提升;从定性角度分析,本文模型相较于其他经典模型,重建所得图像的边缘信息更加清晰,更有效地复原了星系图像的细节信息。

注意力特征融合VGG-16网络的胸透病理识别方法

美国国立卫生研究院发布了一个名为“Chest-ray8”的胸部X光图像数据库,这些图像共标记八种类型的疾病。从临床图像中识别病理,开发人工智能辅助诊断系统,帮助医生识别病理一直是一项具有挑战性的任务,为更好地解决这一问题,本文提出注意力特征融合VGG-16网络的胸透病理识别方法。首先,X光图像通过VGG-16特征提取网络得到特征向量;然后,特征向量分别通过通道注意力机制得到不同通道加权系数的特征向量A、空间注意力机制得到不同区域系数的特征向量B,将特征向量A和特征向量B以及第一层卷积层输出的特征向量C进行向量拼接;最后将拼接的向量输入全连接层输出分类结果。实验结果证明,本方法实现多分类正确率达到75.94%,相比基线VGG-16高3.75%;和其他使用“Chest-ray8”数据库进行二分类病理识别方法相比,本文模型实现了病理的多分类问题。为深度学习技术应用于胸部X光不同病理的计算机辅助诊断系统提供了可行性。