基于改进机器学习的超分辨率图像细节复原

相对于低分辨率图像,高分辨率图像需要增加的像素数目更多,且需要增加高频信息以提升图像的清晰度,当图像目标与背景之间对比度较大时,图像高频细节信息复原难度较高。为此,提出基于改进机器学习的超分辨率图像细节复原方法。对图像去噪,并结合采用双边滤波方法实现图像的对比度增强;利用改进字典的机器学习算法建立双层字典,结合稀疏表示算法获取一层的粗略复原图像;通过二层字典计算一层复原图像与原始图像之间的差值,建立高分辨率样本,并对其开展二层字典训练,通过训练结构实现超分辨率图像的细节复原。实验结果表明,研究方法应用下峰值信噪比可保持在20dB以上,细节复原均方差低于4×10-3,结构相似性指标更高,高分辨率图像的训练效果更好,特征对比明显,细节信息突出。

基于地铁隧道高分辨率图像的裂缝信息提取

随着运营年限的增长,地铁隧道会逐渐产生各类病害,裂缝是一种典型的病害现象。由于大部分裂缝的特征不突出,且受到地铁隧道内部电缆设备、划痕、蜘蛛网等线状干扰物的影响,现有裂缝检测方法在高分辨率图像下效果不佳。本文以衬砌裂缝为研究对象,基于自主研发的隧道相机系统,实现对隧道表面信息的无损数据采集,获取4096×2168像素的高分辨率图像数据;明确裂缝识别的干扰因素,基于病害特性构建干扰数据集及真实纹理数据集;以掩码-区域卷积神经网络(Mask R-CNN)模型为基准框架,采用K-means和遗传算法对区域建议网络(RPN)网络进行参数优化;利用对比试验和消融试验说明本文算法的检测效果和表现性能。结果表明,本文算法能实现高分辨率图像下隧道裂缝的识别和长度测量,漏检和误检概率更低,对细长、特征不太明显的裂缝具有较好的检测性能,裂缝测量值可为地铁的运营维护提供参考。

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA(Dataset for Object deTection in Aerial Images)数据集上进行了实验验证,在U-Net(一种基于卷积神经网络的语义分割算法)和ResNet-34(一种深度残差网络)两种不同的主干网络设置下,召回率和检测速度均超过了RPN(Region Proposal Network,区域提议网络)算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。

基于机器学习的电力调度机房静态健康度超分辨率图像识别方法

针对电力调度机房运行态势不一,终端信号灯色彩难以识别的问题,提出了基于机器学习的电力调度机房静态健康度超分辨率图像识别方法。设定残差阈值,采用模糊最大熵方法,计算电力调度机房静态图像目标类和背景类的最佳分离点,引入模糊隶属度函数,运用RGB极大比值法,提取与增强超分辨率图像信号灯的色彩特征,构造最佳分类面,设置分类约束条件,依据二次分类器函数,识别电力调度机房静态健康度。实验结果表明,该方法能够提高电力调度机房静态图像质量,色彩特征识别效果较佳,确保电力调度机房静态健康度识别准确性。

原子分辨率图像揭示手性界面态

美国劳伦斯伯克利国家实验室领导的国际研究小组,拍摄了第一张原子分辨率图像,直接可视化了手性界面态电控制过程和状态。手性界面态是一种奇异的量子现象。最新研究有助促进量子计算和节能电子学发展。相关论文发表于新一期《自然·物理学》杂志。

基于注意力机制的残差特征聚合网络超分辨率图像重建研究

针对单图像超分辨率算法级联残差块的输出特征仅在局部作用的问题,提出了一种结合注意力机制的残差特征聚合网络。该网络通过跳跃连接将各残差块输出不同层次的特征聚合到残差组的尾部,实现特征的充分提取与复用,扩大网络的感受野并增强特征的表达能力,使得不同层次的特征图更充分地参与到图像重建中。同时,为增强特征信息空间上的相关性,引入增强空间注意力机制以改善残差块的性能。大量实验表明,此模型可以获得良好的超分辨率性能。在×4倍SR任务中与RCAN,SAN和HAN等主流方法相比,在5个基准测试集上取得的峰值信噪比平均提升0.07 dB,0.06 dB,0.006 dB,结构相似度平均提升0.0012,0.0011,0.0008,重建图像质量明显提高,细节更加丰富,充分说明了所提方法的有效性与先进性。

结合可逆网络的超高分辨率图像的风格迁移

针对处理超高分辨率图像时面临的内存成本和风格迁移过程中过度风格化,提出了一种结合可逆网络的超高分辨率图像的风格迁移方法。该算法采用可逆的Glow模块作为基本单元构建可逆神经网络模块,并将图像分为小块处理;在风格迁移模块中使用具有通道注意力机制的残差模块和缩略图实例化归一化模块(TIN),以保证各模块风格一致;提出基于全局-局部的损失计算方式,能够有效地处理局部的结构特征。实验结果表明,相较于当前通用的各种神经风格迁移网络,所提算法不仅能够避免图像在编码和解码过程中的信息丢失问题,而且能以更低的内存成本实现更优的风格迁移。

基于多任务卷积神经网络的红外与可见光多分辨率图像融合

红外与可见光图像融合一直是图像领域研究的热点,融合技术能弥补单一传感器的不足,为图像理解与分析提供良好的成像基础。因生产工艺以及成本的限制,红外探测器的分辨率远低于可见光探测器,并在一定程度上因源图像分辨率的差异阻碍了实际应用。针对红外与可见光图像分辨率不一致的问题,提出了用于红外图像超分辨率重建与融合的多任务卷积网络框架,应用于多分辨率图像融合。在网络结构方面,首先设计了双通道网络分别提取红外与可见光特征,使算法不受源图像分辨率的限制;其次提出了特征上采样模块,先用双线性插值方法增加像素个数,再通过多层感知器精细化拟合像素平滑空间与高频空间的映射关系,无需重新训练模型即可实现任意尺度的红外图像上采样;接着将线性注意力引入网络,学习特征空间位置间的非线性关系,抑制无关信息并增强网络对全局信息的表达。在损失函数方面,提出了梯度损失,保留红外与可见光图像中绝对值较大的滤波器响应值,并计算该值与重建的融合图像响应值的Frobenius范数,无需理想的融合图像作为真值监督网络学习就能生成融合图像;此外,在梯度损失、像素损失的共同作用下对多任务模型进行优化,可以同时重建融合图像和高分辨率红外图像。算法在RoadScene数据集上进行训练,与其他4种相关算法在TNO数据集上进行对比,主观性能上该方法可以输入任意分辨率的源图像,融合图像红外目标突出、可见光细节纹理丰富,在源图像分辨率相差较大时能重建特征清晰的高分辨率红外图像,模型泛化性能强;客观性能上在信息熵、差异相关性总量、空间频率等多个评价指标上表现优异,结果表明重建的融合图像信息丰富、信息转化率高、清晰度高,验证了算法的有效性。

基于双向循环网络的变色龙视觉超分辨率图像重建

针对使用均方误差(Mean Square Error,MSE)作为目标损失函数,导致重建的超分辨率图像在失真与感知质量上难以兼得的问题,提出基于双向循环网络的变色龙视觉重建模型(Super-resolution Bidirectional Recurrent Neural Network,SRBRNN)以改善重建效果.首先,鉴于变色龙可以同时注视两个不同方向的非凡视觉功能,SRBRNN模型借助双向循环神经网络结合序列演进前向与反向给输出提供不同方向时间信息的思想,实现重建过程中失真与感知质量的兼顾;其次,SRBRNN模型定义了特征演进和退化序列,并设计了低分辨率图像到高分辨率图像演进和高分辨率图像到低分辨率图像退化网络,将演进网络和退化网络对应应用为原双向循环网络的前向循环和反向循环网络;最后,利用双向循环机制重建超分辨率特征.用SRBRNN算法在Set5、Set14、BSD100基准测试集上进行实验,实验结果表明在峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity, SSIM)评估指标及主观质量评分上,SRBRNN算法性能优于其他主流算法.

高分辨率图像分类方法在直播汽车车型识别场景中的应用

面临汽车市场疲软带来的销量下降、客户结构改变带来的获客成本增加和线下流量稀缺等压力,传统车企迫切地需要进行数字化改革,汽车直播逐渐成为汽车厂商引流的重要方式。为精准捕捉销售线索和分析产品反馈,直播平台和车辆销售方需要将正在直播的车型与每个直播观众的反馈及直播数据相对应,因此有效识别正在直播中的车型成为亟待解决的问题。直播过程中通常会在车牌位置显示车型,这是一个高分辨率图像中的强信号场景,而传统图像处理方法对此类场景的训练效果不佳。本文借鉴目标检索方法,针对标注数据有限的强信号场景,采用相对简单的图像分类模型,应用迁移学习以解决标注样本少且资源有限的问题,并创建基于IoUB Loss损失函数的边界框回归以更精准地确定车牌区域,最终将该模型应用于汽车直播场景。以抖音直播平台奥迪汽车直播过程中的车辆图像进行训练,本文模型在测试集图像数据中的预测精度达47.4%。将本文模型与传统图像处理模型和经典Faster RCNN模型进行对比,发现本文模型已具备相较经典Faster RCNN模型更优的效果,具有一定的现实作用,可协助直播平台和车辆销售方在业务中更为简单高效地处理直播车型识别问题。

基于微搜索的高分辨率图像前景遮罩提取算法

高分辨率图像抠图问题本质是前景背景像素对的大规模组合优化问题,目前相关研究成果较少.文中针对前景背景极相似时容易出现前景遮罩抠反的问题,设计决策集分解策略,实现高分辨率图像抠图问题的有效分解.此外,设计优化信息传递策略,获取子问题间的权重关系,建立图像抠图问题的优化序列.在优化信息传递策略的基础上,提出基于微搜索的前景遮罩提取算法.算法通过对有效决策子集的搜索代替对决策集的搜索,解决高分辨率图像抠图问题中的前景遮罩抠反问题,为大规模组合优化问题分析提供借鉴.选用alphamatting基准数据集作为测试数据,与典型的抠图优化算法对比分析,验证文中算法可以解决前景背景信息极为相似时的前景遮罩抠反问题,并且在高分辨率图像抠图问题维度显著降低的情况下,提高前景遮罩提取精度.

基于K均值的超分辨率图像噪声识别方法

现有的大部分噪声识别算法都是基于图像中只存在单一类型高强度噪声的假设,很少有研究者对于常见的低强度混合噪声进行研究,该文研究基于K均值的超分辨率图像噪声识别方法。采用加权均值算法灰度化处理超分辨率图像并提取出图像特征。通过粒子群算法建立聚类中心求解函数,自适应调整粒子惯性因子、学习因子及其适应度程度,寻找出全局最优聚类中心,结合K均值进行图像特征分类,确定具有噪声特征的类别,得到超分辨率图像噪声识别结果。实验结果表明,所提方法能够有效识别出各种类型超分辨率图像噪声,保证识别效果与速度。

超分辨率图像重建方法综述

由于广泛的实用价值与理论价值,超分辨率图像重建(Super-resolution image reconstruction,SRIR或SR)技术成为计算机视觉与图像处理领域的一个研究热点,引起了研究者的广泛关注.本文将超分辨率图像重建问题按照不同的输入输出情况进行系统分类,将超分辨率问题分为基于重建的超分辨率、视频超分辨率、单帧图像超分辨率三大类.对于其中每一大类问题,分别全面综述了该问题的发展历史、常用算法的分类及当前的最新研究成果等各种相关问题,并对不同算法的特点进行了比较分析.本文随后讨论了各不同类别超分辨率算法的互相融合和图像视频质量评价的方法,最后给出了对这一领域未来发展的思考与展望.

有限空间低照度低分辨率图像中人脸检测

为在有限空间低照度低分辨率监控图像中检测人脸,采用了模板匹配算法进行研究.用直方图均衡化增强和空域高通滤波方法对原始监控图像进行了处理;根据脸部固定结构特点,构造了平均人脸模板,并用模板匹配的方法来检测图像中的人脸.结果表明,空域高通滤波使图像的整体灰度和对比度降低,正面平均脸模板在匹配检测中适应侧面人脸的角度变大,而直方图均衡化图像的处理结果则相反;在此图像监控系统中,直方图均衡增强化适用于图像的输出模块;而空域高通滤波图像中的人脸检测的整体正确率比原图像的提高了2倍.

Piella像素级多分辨率图像融合框架的扩展及其算法

为了优化加权多分辨率图像融合的算法结构,在Piella像素级多分辨率图像融合框架基础上,提出一种只用匹配测度控制决策模块的加权多分辨率图像融合扩展模式,改变了传统加权多分辨率图像融合模式必须由活性测度和匹配测度共同决定决策因子的格局。相对于传统模式,提出的扩展模式去除了活性测度,相应的算法结构更为简单。以相关信号强度比作为匹配测度,给出了一种基于扩展模式的加权多分辨率图像融合算法。对红外和可见光图像的融合实验表明,该算法融合性能优于传统加权多分辨率图像融合算法,其边缘融合质量指标(EFQI)和加权融合质量指标(WFQI)分别提高了2.9%和1.8%;而且计算复杂度更低,计算决策因子所需的乘法和加法运算次数分别减少了66.7%和33.3%。

一种改善超分辨率图像重建中边缘质量的方法

超分辨率图像重建技术指通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像来重建一幅高质量高分辨率图像．凸集投影(POCS)算法是一种广泛使用的超分辨率图像重建方法．本文提出了一种适用于POCS算法的改善高分辨率重建图像边缘质量的方法．该方法将中心在边缘像素的点扩散函数(PSF)与一个指数型权值函数相乘,使得修改的PSF系数沿着边缘正交的方向减小．实验结果表明,这样的修改有效地保持了边缘的特性,明显地提高了重建图像的质量．

超分辨率图像重建引起的噪声放大与滤波

总结了图像序列相位关系对超分辨率图像重建效果的影响规律,对超分辨率图像重建引起的高斯噪声和散粒噪声的放大予以研究.通过叠加不同方差的高斯噪声的图像序列重建实验,得到结论维纳滤波可以有效地滤除放大后的高斯噪声,但是超分辨率图像重建后散粒噪声放大成为"波纹"形状的噪声,传统的中值滤波法不能有效地滤除放大后的"波纹"形状噪声.根据算法处理的是图像序列的特点,提出了基于图像序列的中值滤波法,在滤波前通过图像序列的冗余信息判断图像序列上哪些点是受到噪声污染的,对受到噪声污染的点予以非线性"截断"滤波,而未受噪声污染的点则不进行滤波,比传统的中值滤波更有效地滤掉了"波纹"形状的噪声,而且不会带来图像平滑.

多分辨率图像的分式层次处理

讨论了对多分辨率图像进行连续平滑处理的方法 .用二维 Haar小波变换生成的多分辨率图像可表示成离散的四叉树 .为实现图像在不同层次间的平滑变换 ,在离散的整数倍缩放的基础上提出的线性插值算法可实现图像的分式层次的缩放与编辑 .实验结果表明 ,文中提出的算法可用于大规模图像空间的显示漫游 .

超分辨率图像恢复研究综述

介绍超分辨率图像恢复的概念、起源、应用和先决条件,以及超分辨率图像恢复包含的图像处理步骤和计算上需要有效处理的两个问题;综述国内外超分辨率图像恢复研究现状,对超分辨率图像恢复的主要方法及空域方法中的主要类别进行评述,并介绍超分辨率图像恢复算法的评价方法;最后对超分辨率图像恢复的研究前景进行展望。

超分辨率图像恢复方法综述

由于成像技术及工艺的限制,从硬件方面提高超分辨率需要花费高昂的费用,因此考虑从软件方面实现图像的超分辨率。对现有的超分辨率图像技术进行了介绍,然后在此基础上提出了算法的研究方向和展望,对超分辨率图像恢复技术的研究有一定意义。