基于光流计算与增强网络的颈椎CT图像层间插值算法研究

目的:为了解决人体颈椎CT序列图像横向点长度和纵向点长度不匹配带来的矢状面和冠状面结构变形问题,提出一种基于CT图像双向光流计算网络和CT图像双向光流增强网络的层间插值图像生成算法。方法:首先基于残差密集网络设计CT图像双向光流计算网络,计算上下层图像之间的双向光流;其次,利用CoTBlock模块改进UNet网络设计CT图像双向光流增强网络,提高双向光流精度并生成最终的层间插值图像。为验证算法的有效性,进行对比实验和消融实验验证。结果:提出的算法可以生成较高质量的层间插值图像,且在计算速度和模型参数量上有更好的表现。结论:该算法生成的插值图像毛刺伪影少、质量好,且经过层间插值后的人体颈椎CT序列图像更贴近人体颈椎的真实情况,有利于颈椎形态结构的研究和分析。

基于梯度的光流计算方法中梯度计算对性能的影响

基于梯度的方法是光流计算中很重要的一类方法,而梯度的计算对整个算法的性能有着重要的影响。文章考察了几种常用梯度算子对光流计算的影响,并给出了理论分析。实验结果证明理论分析是正确的。

小位移光流计算的中值公式

光流场反映了图像上每一点灰度的变化趋势,其计算的可靠性和效率已成为运动跟踪领域研究的热点问题。变分方法是用来实现光流计算的主流方法之一,但其计算效率较低。利用对偶方法虽然克服了变分方法中引入小规则参数的问题,计算速度有所提高,但并未有实质性改进。引入了中值公式计算光流,避免了复杂的迭代计算过程,提高了计算效率。首先简单介绍了光流计算模型中数据项和光滑项的不同模型假设,然后利用中值公式计算小位移光流场。通过实验对对偶方法和中值公式的实验时间进行比较,验证了中值公式的有效性和效率。

深度学习光流计算技术研究进展

图像序列光流计算是图像处理与计算机视觉等领域的重要研究方向.随着深度学习技术的快速发展,以卷积神经网络为代表的深度学习理论与方法成为光流计算技术研究的热点.本文主要对深度学习光流计算技术研究进行综述,首先介绍了有监督学习、无监督学习和半监督学习的光流计算网络模型与训练策略,然后重点阐述并分析了不同网络模型优化方法.针对光流计算模型的评估问题,分别介绍了Middlebury、MPI-Sintel和KITTI等数据库及评价基准,并对不同类型深度学习和传统变分光流模型进行对比与分析.最后,总结了深度学习光流计算技术在模型复杂度与泛化性、光流估计鲁棒性、小样本训练准确性等方面的关键技术问题,并指出了可能的解决方案与研究思路.

用改进Census变换实现光照变化鲁棒光流计算

针对当前光流算法在野外光照变化条件下计算精度不高的问题,提出一种基于改进Census变换的变分光流算法.该算法根据图像轮廓信息自适应选择变换窗口形状,以提高深度不连续区域图像子块信息描述的准确性;在变换窗口内构建完整的梯度流向量描述子,克服传统算法由于信息量不够而导致的不同图像子块区分度有限的问题;在构建二进制串时,与基准元素越近的点排在二进制串高位,减弱2帧图像因投影变形对光流求解的影响.在TV_L1变分光流计算框架下,用改进的Census变换描述子构建光流模型中的数据项.对图像进行高斯金字塔分解,并结合加权中值滤波进行分层光流估计.最后以Middlebury和KITTI数据库为测试平台,证明了文中算法的有效性.

基于小波的稳健光流计算方法

针对系统误差导致光流计算稳健性较差及精度较低的问题,该文提出一种基于小波多分辨理论的稳健光流计算方法。所提算法基于小波多尺度分辨率特性,将光照条件变化及传感器噪声引起的系统误差包含进光流计算中以改善光流计算的稳健性及估计精度,并通过总体最小二乘法求解超定小波光流方程组以获得光流矢量。仿真结果表明,与传统的Lucas-Kanade算法、Horn-Schunck算法及基于小波的全向图像光流估计方法相比,所提算法可显著改善光流估计精度及稳健性。

引入注意力机制的自监督光流计算

光流计算是诸多计算机视觉系统的关键模块,广泛应用于动作识别、机器人定位与导航等领域。但目前端到端的光流计算仍受限于数据源的缺少,尤其是真实场景下的光流数据难以获取。人工合成的光流数据占绝大多数,且合成数据不能完全反应真实场景(如树叶晃动、行人倒影等),难以避免过拟合等情况。无监督或自监督方法可以利用海量的视频数据进行训练,摆脱了对数据集的依赖,是解决数据集缺少的有效途径。基于此搭建了一个自监督学习光流计算网络,其中的“Teacher”模块和“Student”模块集成了最新光流计算网络:稀疏相关体网络(SCV),减少了计算冗余量;同时引入注意力模型作为网络的一个节点,以提高图像特征在通道和空间上的维度属性。将SCV与注意力机制集成在自监督学习光流计算网络之中,在KITTI 2015数据集上的测试结果达到或超过了常见的有监督训练网络。

一种局部和全局相结合的光流计算方法

光流场是计算机视觉的一个研究方向,微分法是计算光流场的一个常用方法,它分为全局方法和局部方法,全局方法能够得到100％的致密的光流场,而局部方法大多只能得到稀疏的光流场,但它在噪声情况下具有更好的鲁棒性。本文提出一种局部和全局相结合的方法,首先给出五点光流约束的局部方法,再结合全局方法,计算得到了既致密又鲁棒的光流场。

光流计算中的时域微分估计误差分析与逐次逼近计算模型

光流计算是实现视频序列中运动补偿滤波和视频对象三维运动分析的基础,也是检测与跟踪可见光图像和红外图像中运动目标的重要前提。而目前各种光流计算方法大多是基于一阶时空梯度的技术,都没考虑时域微分估计误差对计算准确性的影响。分析了光流计算中产生时域微分估计误差的各种因素,提出了光流的逐次逼近计算模型。通过位移预补偿方式减小了时域微分估计中的不准确性,极大地提高了光流计算精度。理论分析和大量对比实验证明,光流的逐次逼近计算模型比通常的光流计算方法具有更高的准确性。

小位移光流计算的对偶方法

基于光流计算的通用变分模型,建立小位移光流场计算的对偶方法。变分能量泛函中的数据项使用稳健估计的L1范数,规则项采用边缘保持的总变差项。采用对偶变量表示总变差项,克服基于传统总变差计算须引入小规则参数的问题,并得到较好的实验结果。该方法可应用到大位移光流计算和光流计算的高阶模型中。

基于光流计算的异常拥挤行为检测算法

面向人群场景中异常拥挤行为检测,提出基于光流计算的检测方法。该方法首先采用光流微粒矢量场提取人群运动特征;然后基于社会力模型计算光流微粒之间的相互作用力;最后对相互作用力进行直方图熵值处理来实现人群行为判别。仿真实验表明,本算法可以区分人群场景中异常区域内相互作用力的大小,对异常拥挤行为进行判别和定位。

小位移光流计算的Split-Bregman迭代方法

变分方法是计算光流场的有效方法,该方法能够计算稠密光流场,但计算效率较低。本文针对由稳健估计的数据项和TV(Total Variation)型光滑项构成的能量泛函,设计了其快速计算的Split-Bregman迭代方法。通过引入辅助变量和迭代参数,将原优化问题转化为交替优化的子优化问题,并与传统直接变分的方法进行了比较,实验结果表明Split-Bregman迭代方法可以有效提高运算速度。

基于FPGA的稠密光流计算系统

高质量的稠密光流算法计算复杂度很高,因此计算速度成为制约其在实际系统中应用的重要原因。针对这一问题,利用现场可编程门阵列(FPGA)的细粒度并行特性,实现了一种高质量的稠密光流算法CBG(CombinedBrightness-Gradient)的硬件加速器。实验结果表明,在FPGA工作频率200 MHz,计算全部像素对应的光流信息的情况下,该系统处理分辨率为316×252的图像序列的帧频可达40 frame/s。

基于梯度光流计算的计算机视觉技术

近30年来,计算机视觉技术得到了迅速的发展.然而,巨大的计算量仍是处理计算机视觉问题时的一个十分突出的问题,尤其在处理动态实时计算时更是如此.当今,在计算机硬件性能一定的条件下,解决这一问题就只能从算法上入手,降低算法的复杂性.本文从运动学计算的角度出发给出了如何根据光流来恢复运动和形状的一套简单方法.然后对各种方法进行了比较,从而得出在这一领域里解决实际问题时应如何选取计算方法的观点.最后还介绍了计算机视觉技术的应用及发展前景.

基于结构张量的变分光流计算方法

文章提出一种基于结构张量的变分光流计算方法。为了在光照突变下有良好的处理能力,设计的数据项由灰度守恒假设和二阶局部结构张量守恒假设组成,为了提高数据项的稳健性,引入非平方惩罚函数。为了使模型在图像边缘有不错的效果,设计的平滑项采用先各向同性平滑再各向异性平滑的策略,在低分辨率图像序列中采用各向同性平滑策略,在高分辨率图像序列中采用各向异性平滑策略。实验证明,本模型的光流计算结果比以往的变分方法有所改进。

基于光流计算的运动目标跟踪方法研究

本文在研究光流原理的基础上,采用光流计算和分析对运动目标进行了较为准确的跟踪。首先对图像进行预处理,包括图像的灰度化,阈值分割和边缘提取;其次通过改进的Lucas-Kanade光流法实现运动目标的检测;最后,求取目标特征点的重心和各点到重心的距离,通过设定合适的阈值,画出目标的跟踪矩形框,从而完成目标的跟踪。

一种优化梯度计算的改进HS光流算法

HS(Horn&Schunck)方法是光流计算中的经典方法之一。在经典HS方法中,图像中两点间的灰度变化被假定为线性的,而实际上灰度变化是非线性的。因此,在HS算法中最小均方差迭代的最终收敛点会产生偏移,从而导致光流计算结果的不准确。为此,详细分析了灰度估计不准确造成的偏差,提出了一种改进HS算法。实验部分给出了改进算法和其他经典光流计算方法的计算结果比较。实验结果表明,改进HS算法可以得到较好的计算结果,并能明显减少光流计算的迭代次数。

大位移变分光流计算的快速算法

目的多尺度方法的提出解决了传统HS(Horn Schunck)算法不能计算大位移光流的问题,但同时也增加了迭代运算的步数。为加快迭代收敛速度,研究大位移变分光流计算的快速算法,并分析其性能。方法将用于加快变分图像处理迭代运算的Split Bregman方法、对偶方法和交替方向乘子法应用到大位移光流计算中。结果分别进行了精度、迭代步数、运行时间的对比实验。引入3种快速方法的模型均能够在保证精度的同时,在较少时间内计算出图像序列的光流场,所需时间为传统方法的11%~42%。结论将3种快速方法应用到大位移变分光流计算中,对于不同图像序列均可以较大地提高计算效率。

基于MAD光流计算近地面大气光学湍流参数

提出一种基于绝对中位值偏差(MAD)的光流计算方法,并用于计算近地面大气湍流折射率结构常数Cn2。通过光流计算捕捉望远镜系统拍摄的前后多帧目标图像的抖动信息,得到传输路径上的到达角起伏方差均值,从而估算近地面大气湍流折射率结构常数。通过在合肥市进行了为期6天的观测实验,将模型估计的Cn2均值与观测路径上温度脉动仪的实测结果进行充分对比,最终得到估算值与实测值的平均偏差(BIAS)、方均根误差(RMSE)、相关系数分别为0.0004、0.2708、0.7930,充分证明所提方法可以有效估算近地面大气湍流折射率结构常数,为基于图像反演大气湍流参数提供参考。

基于深度学习和光流算法的电影高新技术格式制作AI插帧技术研究

传统的24FPS帧率格式影片在播放运动镜头时容易产生卡顿和闪烁的问题,进而引起观看不适。将24FPS电影升帧成60FPS是解决这一问题最为直接且有效的途径,但是目前电影行业并没有适配于电影特性的插帧技术。为了填补这一空白,本文提出了一种基于AI的电影插帧算法,通过实验开展24FPS升帧至60FPS非整数倍插帧技术的研究,结合运动建模和运动特性算法分析,实现插帧处理后的画面与插帧前原始画面一致,在保证镜头语言一致性的前提下实现帧率提升的研究应用目标。研究结果验证了本文提出的算法在数字电影高新技术格式制作方面提出了全新算法思路。