基于双通道卷积神经网络算法的视频处理超分辨率增强方法

为提高视频清晰度,引进双通道卷积神经网络算法,设计了一种针对视频处理过程的超分辨率增强方法。将视频录入计算机,建立视频信息与输入特征之间的级联关系,提取视频处理中的图像边缘纹理信息;引进双通道卷积神经网络算法,使用3×3的滤波处理器,提取视频特征信息,将提取的信息映射到双通道3×3区域中,匹配视频的矢量信息;引进Pair-wise模型将输入的低分辨率图像作为模型的分支,通过训练分支得到一个针对处理视频特征的字典,并据此生成高分辨率图像块。实验结果证明,设计方法可以在提高视频清晰度的同时,提高视频峰值信噪比,达到优化视频处理效果的目的。

基于纹理与分形理论的气象卫星云图目标物识别

气象卫星云图上的目标物进行识别具有重大的实际意义。本文利用计算机图像处理和模式识别技术,结合分形理论对卫星云图上常见的三种云和晴空进行了纹理特征提取,设计神经网络进行了识别实验,结果证明这种方法是有效的。

基于图像处理与神经网络的岩石组构识别

针对岩石薄片组构鉴定的复杂性问题,基于岩石薄片数字图像的数值分析,提出一个自动进行岩石组构识别分类的系统方法:使用图像处理技术对岩石薄片的灰度数字图像进行特征提取,将其作为神经网络的输入,网络输出是图像对应的岩石组构类别;使用来自鄂尔多斯盆地苏里格地区的100幅岩石薄片图像进行实验,神经网络的训练集、验证集和测试集随机分为70、15和15幅图像,测试结果表明自动识别岩石组构的正确率达93.3%.该方法对于地学问题具有较好的综合判别能力,可以快速和准确地进行岩石组构识别.

基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。

一种肺部肿瘤CT图象序列的自动分割方法

肺部肿瘤序列图象的自动分割是计算机肺部肿瘤三维辅助诊断系统的关键技术之一,肿瘤与周围组织关系的复杂性造成分割困难.为了给医生提供准确的肺部肿瘤影像,运用纹理分析和径向基神经网络实现了肺部肿瘤CT图象序列的自动分割,并根据相邻层肿瘤图象灰度、位置的相关性,提出了一种自动获取多层肿瘤区域神经网络训练样本的阈值分割算法.该算法首先计算图象纹理统计参数,以组成特征矢量空间,然后利用自适应径向基神经网络对特征矢量进行分类来实现肿瘤序列图象的自动分割.实验结果表明,与基于灰度的区域增长法和基于梯度算子和形状算子的最优阈值的分割方法相比较,该方法不仅能充分利用肺部肿瘤序列图象的三维信息,还可最大限度地减少人工干预,且分割结果较好地表现了肿瘤形态特征,经临床医生评估,具有较好的临床指导价值.

基于多特征融合和卷积神经网络的无参考图像质量评价

为了更好地评价图像质量,解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题,提出了一种多特征融合的CNN模型。首先,将整幅图像进行不重叠分块,并提取每个分块图像的信息熵和纹理特征。然后,将提取计算的两特征相结合,计算各分块图像的重要性权重,以此衡量分块图像对失真图像质量的影响。最后,根据计算出的重要性权重修改损失函数,突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现,该算法的SROCC与LCC指标为0.962和0.960,相比原算法至少提升0.9%;在TID2008数据集上验证和对比实验发现,该算法获得的SROCC与LCC指标为0.922和0.926,相比原算法至少提升0.6%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。

基于图像傅里叶变换纹理特征和概率神经网络的气固流化床流型识别

提出一种基于图像傅里叶变换纹理特征和概率神经网络相结合的气固流化床流型识别的新方法。该方法利用高速摄影系统获取流型图像。首先对流型图像进行组合滤波去噪,然后运用长方环傅里叶周向谱能量百分比法来计算图像频率分布特征,从而建立流型图像的纹理特征向量,并结合概率神经网络进行训练,实现流型的识别。实验结果表明,该方法能有效地识别气固流化床中鼓泡床、节涌床、湍动床、快速流化床、稀相输送五种典型流型,整体识别率达到98%,为流型识别开辟一条新途径。

基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用

针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题,提出一种基于Gabor小波滤波和局部保持投影(LPP)降维算法相结合的泡沫纹理特征提取方法.首先,利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量;然后,利用LPP算法得到降维特征向量;最后,利用此降维特征向量通过反向传播(BP)神经网络进行不同工况下泡沫类别的识别,进而指导实际矿物浮选生产.实验结果表明,相对于传统的GLCM方法和Gabor小波纹理特征提取方法,该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.

基于小波-神经网络纹理图像识别的刀具状态监测

介绍了一种采集旋转工件图像的光学监测系统,提出通过二维小波分析工件纹理图像,提取纹理特征,设计了基于动态和静态神经网络的刀具状态识别系统,该系统可用于自动化加工中刀具诊断,仿真证明了有效性。

基于Curvelet变换与自适应PCNN的红外与可见光图像融合

根据红外与可见光图像的成像特点,提出一种基于Curvelet变换与自适应PCNN(Pulse Cou-pled Neural Networks)的图像融合新算法。首先对两幅原始图像进行快速离散Curvelet变换,得到不同尺度与方向下的子带系数;对低频系数采取加权平均融合规则,将高频系数作为PCNN的输入,选取区域能量测度为PCNN的连接强度,利用PCNN的全局耦合特性和脉冲同步特性选择高频系数;最后经Curvelet逆变换得到融合结果。实验结果表明,该方法得到的融合图像在边缘等细节上比传统方法具有更好的视觉效果,在熵、平均梯度、标准差等客观指标上都优于其它方法。

基于复杂网络时空特性的泡沫图像动态纹理特征分析

基于机器视觉的浮选过程监控方法已经被广泛应用于浮选过程中,泡沫表面纹理特征是过程监控的关键视觉特征之一。当前静态纹理特征只能从空间维度描述图像特征,在时间维度上刻画图像序列的内在变化特性存在不足,不能准确反映浮选泡沫浮选过程动态特性。提出了基于复杂网络时空特性的泡沫图像序列动态纹理特征方法。通过将每帧图像的像素点映射到网络各节点,利用邻接矩阵建立复杂网络模型和网络权值动态演化反应不同时刻的图像特征,基于复杂网络时空特性提取泡沫图像序列的动态纹理特征。结合实际生产数据进行仿真验证,实验结果表明该方法可准确识别浮选动态状况,为浮选生产过程的实时调节提供重要的指导信息。

基于小波-神经网络纹理图像的刀具状态监测

介绍了一种采集旋转工件图像的光学监测系统,提出通过二维小波分析工件纹理图像,提取纹理特征,设计了基于动态和静态神经网络的刀具状态识别系统,该系统可用于自动化加工中刀具诊断,仿真证明了其有效性.

基于纹理特征的超声图像乳腺肿块识别

针对乳腺超声图像,提出一种基于图像纹理特征提取的乳腺肿块识别方法,从而有助于使用计算机辅助鉴别的方法判断乳腺肿块是否发生癌变,辅助放射科医生对影像的性质作出预判。首先对乳腺超声图像进行最大响应滤波处理,在保证一定边缘组织结构完整的同时去除主要的噪声干扰。在此基础上,提取乳腺图像的一阶和二阶纹理特征,然后用人工神经网络对特征进行识别分类。在从医院拿到的真实数据集上验证本文方法的准确性,并分别从预处理、特征提取和分类方法3个方面与其他方法进行对比分析,结果表明,本文方法在降低算法复杂度的基础上提升了乳腺肿块的识别率。

一种QCN火焰图像特征提取的转炉炼钢碳含量实时预测方法

钢水碳含量是影响转炉炼钢出钢质量和冶炼效率的主要因素,而实现碳含量的连续实时预测是炼钢终点控制的关键和难点.针对不同碳含量对应火焰图像呈现出的随机自然纹理相似性较高的问题,根据炉口火焰纹理独有的多方向多尺度不规则特点,提出了四元数复杂网络(QCN)彩色纹理描述符.首先,利用四元数等距映射融合火焰图像颜色通道信息,且用幅值谱和二次量化后的相位谱描述映射后图谱以增强颜色信息描述;其次,采用复杂网络的方式,以相位为条件并利用幅值信息构造一种网络连接权重公式,于幅值谱构建炉口火焰图像的多尺度不规则彩色纹理复杂网络模型;最后,计算复杂网络的拓扑特征度和聚类系数,以其相关特征量化复杂网络拓扑连接模式,构建炉口火焰QCN特征,并通过KNN回归模型预测终点碳含量.结果表明,碳含量在±0.01%误差范围内的预测准确率为85.65%,在±0.02%误差范围内预测准确率达到91.83%,且所提算法满足实时性要求.

高速高精度带钢表面检测系统的设计与实现

针对带钢表面缺陷检测系统的速度滞后,精度偏低等问题,在分析成像理论和图像检测理论的基础上,设计并实现了一种带钢表面缺陷高速高精度在线检测系统.该系统首先采用大功率半导体均匀发光激光器技术、高速线扫描成像技术和基于图形处理器的Gabor纹理滤波技术实现了高速高分辨率的图像采集和处理,然后采用基于嵌套循环的K-折交叉验证、信息增益率和BP神经网络方法构建了高准确率的分类器,以达到对带钢表面缺陷高速高精度在线检测.实验结果表明,该系统满足了现有带钢生产速度的要求,具有较高的精度和准确率.

基于卷积神经网络的图像纹理的超分辨率重建

目前,深度学习已经在图像超分辨率重建上表现出不错的性能,但是对某些纹理细节还原度不高。针对此问题,提出了基于卷积神经网络的纹理的超分辨率重建算法。首先用梯度算子提取图像的纹理特征,再将图像按照纹理进行分类,最后用卷积神经网络对同一类别的样本集进行超分辨率重建。实验证明,该算法能够恢复一定的纹理信息,而且对同类纹理的重建结果优于已有算法。

低纤涤纶长丝加弹网络一步法工艺探讨

为填补低纤涤纶长丝FDY20D24f加弹网络一步法工艺空白,介绍了K5118型加弹网络机的主要技术参数及加弹网络一步法工艺,并以涤纶长丝FDY20D24f丝条为例进行了实地工艺理论试验和核心工艺参数分析。指出:经加弹网络工艺加工的FDY20D24f长丝丝束平滑、富有弹性和规律网络风格;但由于假捻器转速、网络喷嘴孔径限制,生产效率低、耗气成本高,制约了技术发展;提出了袖珍型摩擦式假捻器的设想。

融合深度学习与多尺度Retinex的水下图像增强方法

针对水下图像纹理模糊和色偏严重等问题,提出了一种融合深度学习与多尺度导向滤波Retinex的水下图像增强方法。首先,将陆上图像采用纹理和直方图匹配法进行退化,构建退化水下图像失真的数据集并训练端到端卷积神经网络(convolutional neural network,CNN)模型,利用该模型对原始水下图像进行颜色校正,得到色彩复原后的水下图像;然后,对色彩复原图像的亮度通道,采用多尺度Retinex(multi-scale Retinex,MSR)方法得到纹理增强图像;最后,融合色彩复原图像中的颜色分量和纹理增强图像得到最终水下增强图像。本文利用仿真水下图像数据集和真实水下图像对提出方法进行性能测试。实验结果表明,所提方法的均方根误差、峰值信噪比、CIEDE2000和水下图像质量评价指标分别为0.3020、17.2392 dB、16.8784和4.9600,优于5种对比方法,增强后的水下图像更加真实自然。本文方法在校正水下图像颜色失真的同时,能有效提升纹理清晰度和对比度。

基于结构-纹理分解和VGG深层网络的红外与可见光图像融合

针对当前红外与可见光图像融合方法中存在低频信息未充分利用,以及高频细节易混入噪声等问题,提出一种基于结构-纹理(ST)分解和VGG深层网络的红外与可见光图像融合方法。首先用均值滤波将输入图像分解为高-低频子带,并引入ST对低频子带二次分解,采用平均法则与邻域空间频率分别对结构和纹理进行预融合;同时,将输入图像送入VGG网络得到多层特征映射,并用Sigmiod函数实现高频子带的归一化预融合;最后利用预融合的高频、低频结构和低频纹理3个频带进行图像融合重建。实验结果表明,提出的方法能够融合图像的深层细节特征,有效保留纹理细节并抑制噪声,且在噪声评估、结构相似性、均方误差、峰值信噪比等客观指标方面具有明显优势。

利用图像熵和复杂网络的中国画分类方法

与以题款印鉴为主要依据的人工分类方法不同,采用图像内容特征作为计算机分类的信息来源,是数字化中国画管理的重要工作。针对数字化中国画存在的各种不规范问题和已有特征提取算法的一些不足,提出了基于图像熵的分块筛选方法,与复杂网络理论相结合来提取中国画的纹理特征,并使用支持向量机进行分类。实验结果表明,该方法能有效地提取中国画纹理特征并进行分类,且在图像不规范的情况下依然有较好的表现。