面向大气湍流畸变场景的卷积图像校正方法

大气湍流引发的折射率在时间和空间上的随机波动,会使远程成像系统捕获的图像出现时空模糊和几何畸变,严重削弱了图像的视觉效果和应用价值。针对这一问题,许多学者尝试采用多帧幸运区的方法和基于卷积神经网络的深度学习方法来修复大气湍流引起的图像畸变。然而,在强湍流情况下,这些方法通常模型训练难度较大,湍流自适应性校正能力较为薄弱。为了解决上述问题,经研究提出了一种改进的深度学习网络来提升湍流畸变校正的性能。该网络采用Transformer端到端的网络结构,利用多头自注意力跨通道捕获局部上下文信息;对一级校正网络采用蒙特卡洛Dropout策略进行训练,通过模型不确定性来提取传统方法难以捕获的退化区域;利用提取到的不确定性映射作为引导信息,输入第二级校正网络提升校正准确性。在基于时空模糊加几何畸变的合成湍流退化图像集上进行了实验,证明了提出方法的有效性。

基于集值映射的近似算子

介绍了Gomolinska提出的基于集值映射的粗糙集模型,证明了基于一般二元关系的广义近似算子以及覆盖近似算子都是基于集值映射的近似算子特例,且多数的近似算子可以借助基本近似算子通过复合运算产生。

CD格上的近似算子

Pawlak近似算子具有多种推广形式。讨论了完全分配格上的近似算子。通过近似空间中的不确定性映射,分别引入了三种形式的上近似算子及下近似算子,讨论了它们的基本性质及其与已有近似算子之间的关系。研究结果表明,目前文献中出现的多种近似算子可以作为完全分配格上近似算子的特例。