基于像素重排比对的灰度图彩色化算法研究

灰度图的快速彩色化能够快速自动实现灰度图像的上色处理,广泛应用于医学、微生物识别等领域中。提出一种基于像素重排比对的灰度图像彩色化算法,其原理是按像素值分布分别进行重新排列渲染彩色图和被渲染灰度图,并对重排后的彩色图进行均衡化处理,适当弱化过亮和过暗的饱和区比例,利用颜色转移算法进行像素值的比对匹配来实现灰度图的彩色化。对381张灰度图的实验结果表明,该方法思路简洁,染色过程和效果快捷有效,可进一步用于多目标物的自动染色增强。

用于低剂量CT图像去噪的多级双树复小波网络

基于卷积神经网络(CNN)的图像去噪方法能有效去除低剂量计算机断层扫描(CT)图像伴随的伪影和噪声,从而确保CT设备输出高质量图像同时降低辐射,这对患者健康和医学诊断具有重要意义。为了进一步提高低剂量CT图像的质量,提出一种小波域去噪网络MDTNet。首先,基于双树复小波变换(DTCWT)构造多级编解码去噪网络,在多个尺度上提取特征以保留更多高频细节;然后,利用扩展的像素重排技术替代卷积上下采样,实现多级输入和特征融合,从而降低计算复杂度;最后,通过大量训练找到最佳的去噪模型,即二级MDTNet配合LeGall滤波器和Qshift_b滤波器,并选择较大尺寸的CT图像作为训练数据。使用AAPM数据集评估MDTNet的性能,实验结果表明,MDTNet能有效去除条纹状伪影和噪声,在定量和定性评估中性能均优于同类型去噪方法。与FWDNet相比,对于1 mm的切片,MDTNet的平均峰值信噪比(PSNR)和结构相似性指数(SSIM)分别提高了0.0887 dB和0.0024;对于3 mm的切片,分别提升了0.1443 dB和0.003。对于单张512×512像素的低剂量CT图像去噪,MDTNet在GPU上仅需0.193 s。MDTNet在保持高效率的同时保留了更多的高频细节,能够为低剂量CT图像去噪提供一种新的框架。

视频图像编码中的重排DCT方法

为了提高离散余弦变换(DCT)在视频图像编码中的效率,根据DCT对非水平/非垂直残差信号较敏感的特点,从改变残差信号分布的角度出发,提出一种重排DCT方法.对待编码的残差图像块进行像素位置重排,使得残差信号的方向与水平或垂直方向相一致;对重排后的图像块进行2维DCT,从而减少DCT系数的高频分量,提高压缩效率.实验结果表明:在不考虑重排信息的情况下,重排DCT比传统DCT性能提高0.20～0.30dB;在考虑重排信息的情况下,重排DCT比传统DCT性能提高0.05～0.20dB.

基于多尺度像素特征融合的实时小交通标志检测算法

交通标志检测技术是先进驾驶辅助系统中重要组成部分。真实的驾驶环境中要求交通标志检测系统具备极高的实时性与准确性。轻量级网络MobileNetv2-SSD能够满足检测的实时性,但准确性不足以满足实际需求。本文将MobileNetv2-SSD作为基础网络,提出一种基于像素重排的多尺度像素特征融合方法,并在网络的检测层引入高效通道注意力机制,实现特征增强。在保证算法的实时性的同时,有效提升了小交通标志的检测性能。实验结果表明,本文算法模型能够在真实环境下准确实时地检测小交通标志。在长沙理工大学中国交通标志检测数据集CCTSDB上取得93.2%的mAP,模型大小仅为17.3M,检测每张图像的时间为0.022 s。

基于可逆神经网络的图像超分辨率重建算法

近年来,卷积神经网络在单幅图像超分辨率重建SISR任务中展现出良好的效果,已成为该领域内应用最广泛的算法,但该算法未能有效弱化一对多的病态问题和减小重建图像解空间范围,因此对图像重建质量提升的效果越来越有限,目前已面临瓶颈问题,很难有较大的性能提升。为有效减小重建图像的解空间,提升重建图像性能,提出了基于可逆神经网络的图像超分辨率重建算法,通过模型设计,将图像退化和重建过程设计为一个可逆变换过程,有效约束了图像解空间,可逆卷积结构的应用使算法获得最合适的通道排布规则,从而有效提升了模型性能。在主流数据集上的实验结果表明,提出的算法相对于现有的SISR算法在图像重建精度上有了极大的提升,获得了最佳的PSNR和SSIM。