基于下采样的改进的织物图像预处理方法

预处理对织物疵点检测来说是必不可少的,通过对传统的下采样预处理方法进行分析,指出其中的不足之处:图像下采样窗口大小是试凑得到的,针对此不足,根据织物纹理的周期性提出了一种确定下采样窗口的简单方法,加快了图像预处理的速度,并通过实验证明了此方法的优越之处。

下采样迭代和超分辨率重建的图像风格迁移

提出一种基于下采样迭代和超分辨率重建的图像风格转移算法,即在输入端对输入图像进行下采样,以加速整个图像风格迁移网络的迭代速度,在输出端进行超分辨率的重建,最终输出高分辨率的图像。实验结果表明,该方法减少了整个网络的迭代时间,输出的超分辨率图像也有较好效果。

基于LBC的计算机生成图像盲鉴别算法

针对现有的计算机生成图像盲鉴别算法选用的分类特征维度较高、通用性差等问题,提出了一种基于局部二进制计数模式的计算机生成图像盲鉴别算法。首先,将原始图像由RGB颜色空间转换为HSV颜色空间;然后,提取HSV颜色空间图像及其下采样图像的局部二进制计数模式矩阵,求取矩阵归一化直方图;最后,将上述直方图作为分类特征送入SVM分类器,实现计算机生成图像的盲鉴别。实验结果表明,该算法可以有效地鉴别自然图像和计算机生成图像,与现有算法相比具有更高的识别率和较低的特征维度。

基于改进的遗传算法和SVM的图像DCT变换域水印技术

由于一些不可避免的因素,现有的数字图像水印技术或多或少的存在各种缺陷,在图像采样、水印嵌入、图像合成、水印提取等各个环节都存在值得商榷的地方。采用支持向量机(SVM)模型,通过对大量不同纹理与亮度块的训练,使得图像块通过SVM得出相应的类别,从而实现水印强度的可变嵌入,并且,通过保留个别最佳个体进一步改进遗传算法,同时改变采样方式,在图像分块的DCT域中嵌入水印。实验证明,该方法使得嵌入水印图像与原始图像有较高的PSNR值,同时对JPEG、高斯噪声、旋转、低通滤波、直方图均衡化等具有较好的抗攻击能力。

改进卷积神经网络SAR图像去噪算法

合成孔径雷达(SAR)通常会被一种称为散斑的乘性噪声干扰,这使得图像的解释变得困难。为解决这一问题,提出一种改进卷积神经网络SAR图像去噪方法。对图像进行下采样再对下采样子图像进行卷积提取特征,这可以有效扩大感受野提高去噪效率;为了减少梯度消失问题和提高模型去噪性能,网络又引入了跳跃连接和残差学习策略;利用仿真和实测数据对网络进行测试与评估,实验结果表明提出的方法具有良好的去噪效果和较高的计算效率,对比其他去噪方法,该方法不仅去噪效果好,而且效率更高。

基于代数多重网格的天波超视距雷达跨尺度地海杂波识别方法

天波超视距雷达(天波雷达)在远程预警领域发挥着关键作用.基于天波雷达地海杂波识别的坐标配准利用地海杂波识别结果形成地/海分界线或地形轮廓,将其与先验地理信息匹配为目标定位提供坐标配准参数,可提升天波雷达目标定位精度.为满足不同类型目标检测、波束驻留与扫描等要求,天波雷达通常采用不同信号时宽、相干积累点数,使地海杂波谱数据具有多分辨率多尺度特性.针对不同分辨率/尺度地海杂波谱数据分别设计分类器存在训练数据不均衡、维护成本高等问题.本文基于代数多重网格与插值相关图像下采样思想,建立不同尺度地海杂波谱数据之间的代数关系,提出了一种跨尺度深度卷积神经网络地海杂波分类器.其允许使用经过训练的低分辨率地海杂波分类器对高分辨率数据进行分类,分类正确率不低于88.26%;也允许使用经过训练的高分辨率地海杂波分类器对低分辨率数据进行分类,分类正确率不低于92.53%,而无需针对不同分辨率/尺度数据分别设计分类器.