基于多域融合及神经架构搜索的语音增强方法

为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

融合空间域和频率域信息的图像去模糊

现有的图像去模糊方法通常直接采用图像的空间域或频率域信息恢复清晰图像,忽略了空间域信息和频率域信息的互补性.利用图像的空间域信息可以有效地恢复物体结构,而利用图像的频率域信息可以有效地恢复纹理细节.本文提出了一种简单、有效的图像去模糊框架,可以充分利用图像的空间域和频率域信息,产生高质量的清晰图像.首先采用两个结构相同但独立的网络分别从图像的空间域和频率域中学习模糊图像到清晰图像的映射关系;然后使用一个单独的融合网络,充分融合空间域和频率域的图像信息,进一步提升清晰图像的质量.3个网络链接形成一个端到端的、可学习的大网络,不同网络之间相互影响,通过联合优化最终得到高质量的清晰图像.在公共图像去模糊数据集GoPro、Kohler以及RWBI上,本文方法的峰值信噪比、结构相似度、平均绝对误差3个指标都优于9个先进的图像去模糊方法.大量的实验结果验证了本文提出的融合空间域和频率域信息的图像去模糊方法的有效性.

基于深度学习的红外图像检测技术优化

红外目标检测具有全天候、可探测距离远、不受大气和光照条件影响等优点,特别适用于无人驾驶汽车在夜间弱光条件环境,可实现较好的检测效果,具有广阔的应用前景。但红外图像存在分辨率低、边缘模糊、对比度差的问题,导致检测精度下降。因此,以Flir数据集为基础,首先利用线性空间域滤波技术实现红外图像增强,提高图像边缘清晰度,并利用部署了BiFPN特征网络的YOLOv5算法训练图像。结果表明,增强后的红外图像训练模型精确度提升12.1%,召回率提升6.7%,平均精确度0.5提升20.7%,平均精确度0.5:0.95提升4.9%,证明该研究可有效提升红外图像的检测精度。

空间转换与自适应灰度校正的低照度图像增强

在低照度场景下采集的图像存在整体亮度偏低、对比度较差、细节信息丢失等问题,影响其在图像增强应用领域中的性能。为提高低照度成像质量,并使图像结构完整且纹理细节自然清晰,提出一种空间转换与自适应灰度校正的低照度图像增强算法。采用带有灰度校正的自适应压缩多尺度Retinex算法对原始图像进行处理,得到均衡化图像,避免在传统Retinex算法对图像进行全局处理时产生图像过亮或过暗的现象,通过空间转换方法处理获得的均衡化图像,分别得到频率域平滑图像和空间域锐化图像,以提高图像的整体亮度和对比度,从而保留图像中物体边缘的细节信息。在此基础上,采用多聚焦融合算法将原始图像、频率域平滑图像和空间域锐化图像进行融合,得到最终图像。实验结果表明,相比SSR、CLAHE、MBYC等算法,该算法的均值、方差、信息熵和平均梯度分别平均提升1.63%、0.89%、0.17%和1.91%,能有效提升低照度图像的亮度、清晰度和对比度,增强图像边缘信息和纹理细节信息。

非织造图像多聚焦图像融合算法及其应用

非织造布的厚度大于显微镜的景深会造成采集到的显微图像存在部分区域模糊的多焦面问题。结合图像的空间域和频率域特征,提出了一种基于空间域清晰度评价和频率域小波变换的多聚焦图像融合算法,旨在获得清晰的全聚焦非织造图像,并基于此融合结果测量非织造布内纤维直径分布。通过与单一的空间域、频率域以及一种基于优化的多聚焦图像融合方法比较,结果表明,所提出的多聚焦图像融合方法在人类视觉特性和客观评价方面都能获得良好的效果。

多源DEM空间域加权最优融合方法研究

全球许多区域都拥有不同类型、来源和精度的数字高程模型（DEM）数据，为利用多源DEM的互补信息开发出质量更高的DEM，提出多源DEM的空间域加权最优融合方法。以秦岭典型高山峡谷地貌类型区为试验样区，选取相同位置的航天飞机雷达地形测绘任务（SRTM）与先进星载热发射和反射辅射仪全球数字高程模型（ASTERDEM）数据，并以1：5万DEM作为参照数据，通过重采样、数据配准、系统误差消除等步骤形成融合数据源，以均方根误差（RMSE）性能指标最优为准则遍历权重系数，生成融合DEM。将融合前后的数据分别与参照数据作精度比较，总体统计与抽样剖面检查表明：融合DEM精度较源数据均得到了提高，该融合技术为应用多源DEM生成精度和可靠性更高的DEM产品提供了可行方案。

基于改进拉普拉斯能量和的快速图像融合

为了得到优质的融合图像,提出了一种改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)多聚焦图像融合算法。该算法在传统SML计算每个像素点的变步长拉普拉斯算子值仅有的水平和垂直方向的基础上,增加了斜对角线上的四个方向。同时通过分析NSML算法的计算过程,发现存在大量的重复计算,从而提出了基于积分图像的快速NSML图像融合方法。该方法通过简化NSML的计算过程,大大减少了图像融合处理过程消耗的时间,提高了图像融合的效率。实验结果表明,快速NSML方法在达到极佳融合图像质量的同时,提升了算法的实时性。

多源DEM数据融合

数字高程模型（DEM）是国家空间数据基础设施的框架数据，其产品种类和获取方式多样，应用多源数据融合技术提升DEM产品质量受到越来越多的关注。本文论述了DEM数据融合的国内外研究现状，从数学基础配准、异常值检测、精度评估、空洞填补等方面阐述了数据融合预处理关键技术；对DEM数据融合的空间域融合、频率域融合、稀疏表达融合方法进行了分析与比较，指出了该领域的相关问题及进一步的研究方向。

频域高频调制融合法

高频调制融合法是一种应用较广的影像融合方法,其技术关键在于设计合适的低通滤波器。通常的滤波是在空间域进行的,笔者提出在频域中采用Butterworth滤波器进行低通滤波。文中给出了SPOT全色影像和TM多光谱影像的融合结果,通过与常用的几种融合方法得到的影像比较,证明了提出的方法在提高原TM多光谱影像空间分辨率的同时,较好地保留了多光谱影像频道的光谱信息,并且信息量也有很大提高。

基于空域图像局部多向梯度模的图像融合方法

针对传统像素级图像融合方法割裂像素间联系的问题,提出了一种基于局部多向梯度模的图像融合方法:先对源图像进行分块,然后用方向导数构造的多向梯度滤波器组对图像块进行多向梯度滤波,从而提取出不同方向的边缘特征,通过比较对应块图像总的梯度模的大小来判断属于清晰还是模糊的像素,以此达到融合图像目的。通过实验,证明了该方法简单、有效,对于多聚焦图像的融合具有很好的效果和很好的稳定性。

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.

基于空域和频域特征的无参考图像质量评价方法

针对无参考图像质量评价方法提取图像特征不充分的问题,提出了基于空域和频域特征的无参考图像质量评价方法(SFIQA)。对失真图像进行可操控金字塔分解;在两个尺度上提取36维空域特征,在3个尺度上提取6维频域特征,融合这两种特征构建42维的图像特征;将图像特征输入到支持向量机中进行训练评分,得到失真图像的评分。将文中方法与其他性能良好的无参考图像质量评价方法在LIVEMD数据库和RBORSID数据库上进行了主客观一致性比较实验,实验结果表明,文中方法具有很高的主客观一致性。

顾及分割效果的QuickBird影像融合方法对比研究

影像融合是实现高空间分辨率遥感影像中全色数据与多光谱数据优势互补的基本途径,已有的融合方法比较侧重融合图像的视觉效果,较少考虑针对融合影像的分割、分析等后续处理与应用环节。以北京市某地区的QuickBird影像为研究数据,将融合、分割实验研究结果与定量分析相结合,从光谱和几何特征两方面对现有基于像素的主流融合方法IHS、PCA、HPF(高通滤波)、Wavelet-PC(WPC)、Ehlers(ELS)及GS(正交变换)进行对比研究,结果表明,不同融合方法针对同一数据源得到的融合影像在目视效果与定量指标两个方面均存在明显的差异,若顾及后续分割与分析,则以GS融合法的综合效果最佳。

小电流接地系统单相接地故障选线空间域图像生成及融合方法

为发挥深度学习算法特征自学习及其在图像处理领域的优势,避免当前小电流接地系统单相接地故障选线中人工提取故障特征信息缺失的问题,提出了一种通过生成故障电流全信息空间域图像,再利用图像识别与分类算法实现故障选线的方法。所提方法首先使用三相电流构建三维空间域图像,并分别在3个平面上进行投影得到多幅投影图像,解决了获取二维图像的关键问题;然后对投影图像进行二次像素级图像融合,得到了相应的RGB彩色图像,最后使用深度学习算法对图像进行识别与分类从而实现故障选线。将所提方法与已有方法的故障选线结果进行对比,结果表明所提方法在多种因素影响下,均不损失故障信息,图像故障特征更明显、分类准确率更高,且具有抗噪声能力,证明其用于小电流接地系统单相接地故障选线具有可行性。

基于联合规整化约束的图像盲复原

在图像复原研究中加入合适的规整化约束能够有效地提高复原效果。目前普遍将空域上的梯度稀疏性或小波域上的系数稀疏性作为规整化项,但二者并未同时使用。本文提出了对图像采用一种新的空域局部阈值处理和小波域处理的联合规整化复原算法。本算法结合了二者的优点,能够更加充分地利用图像特征信息。实验结果表明,本方法得到的结果有较好的图像质量和较高的算法鲁棒性,能更有效地抑制噪声和伪迹。

基于时空域信息融合的视频拷贝检测算法研究

为了有效利用视频独有的时空域特性来提高视频拷贝检测算法的鲁棒性和精度,提出一种基于时空域信息融合的快速拷贝检测算法。该算法包括基于时空域信息融合的指纹提取算法、基于倒排索引的匹配搜索算法和结合异步滑窗策略的基于匹配状态机的匹配搜索算法。指纹提取算法首先将视频分段形成时空域信息帧,然后对该信息帧进行分块,提取DCT系数后,利用其中值进行阈值化得到视频指纹。基于倒排索引的搜索算法根据指纹的二值性特点建立倒排索引表,然后通过索引表快速查询指纹。结合异步滑窗策略的基于匹配状态自动机的搜索算法,利用与最近邻之间的匹配状态来改变搜索范围和步长,而异步滑窗策略通过对在线和离线过程采用不同的提取策略,减少搜索量,加快搜索速度。实验结果表明,提取的指纹对噪声模糊、添加字幕、空间偏移、旋转、掉帧具有较好的鲁棒性,同时提出的搜索方案在时间效率上也有较大的提升。

图像融合在域内的算法研究进展

图像作为信息的主要载体,人们可从图像中获取更多后期决策的依据。由于获取图像的条件不同,导致在进行多幅图像融合时采取的方法不尽相同。如何从同一场景的不同图像中获取更为丰富的信息成为图像融合的关键问题。首先,对各种类型的图像融合进行总结得出图像融合的具体概念。其次,概述图像融合的经典理论及方法,根据处理对象将融合方法分为基于变换域的方法和基于空间域的方法并对其进行对比分析。接着,分析表征融合图像质量的主要评价标准特点和选取依据。最后,从医学诊断、遥感观测、摄影技术和监测应用等领域综述图像融合技术取得的突破,并重点对比分析各领域所用方法的优势与不足,探索现有融合方法的改进策略以及图像融合应用领域的推广。

基于能量分割的空间域图像融合算法研究

针对空间域图像融合存在不同图源差异性信息提取、融合权重选取困难等问题,提出了一种新的空间域图像融合算法。利用矩阵相似的基本原理,对红外图像矩阵进行对角化变换,计算可见光图像矩阵在主要特征向量上的映射,采用加权融合的方法处理特征值矩阵,对融合矩阵进行对角化逆变换重构融合图像。实验结果表明,算法在充分保留源图像有效信息的同时,融合图像的整体灰度得到了明显的改善,具有良好的图像质量评估指数和更加优秀的视觉效果。

多源跨域数据融合的无线通信网络流量预测

精准地预测无线通信网络流量能够辅助运营商进行精细化运营,更高效地配备与部署基站资源,从而满足大量涌现的各种业务需求。然而,高度复杂的时空依赖性以及多源跨域因素的影响使得无线通信流量的精准预测面临着巨大的挑战。首先,对无线通信流量从时间属性、空间属性、社会属性、以及自然属性进行相关性分析,数据分析表明,无线通信流量具有多源跨域性;其次,基于对无线通信流量多重属性的全面分析,提出了一种改进的密集全连接网络模型MST-DenseNet。该模型利用单个DenseUnit结构的卷积操作捕获无线通信流量的空间相关性,利用多个并列的DenseUnit结构捕获无线通信流量在不同时间尺度上的相关性,同时考虑跨域数据对流量的影响,最终将通信流量自身的时空特征与跨域数据中的社会特征、自然特征高效融合,实现对无线通信流量的精准预测。在实际蜂窝数据集上与现有模型进行预测误差的对比,结果表明MST-DenseNet具有更高的预测精度。