高分辨率融合降水驱动下的WRF/WRF-Hydro耦合模拟研究

为了满足陆面水文模式和数值大气模式耦合构建降雨径流模拟系统的需求,构建了基于天气雷达与雨量站观测降水的3种高分辨率降水数据(雷达估测降水、雨量站插值降水和基于雷达与雨量站观测数据的融合降水),采用雨量站插值降水和融合降水数据对陆面水文模式WRF-Hydro的关键产汇流参数进行率定,探讨了不同降水驱动WRF-Hydro开展径流模拟在我国北方山区中小尺度流域的适用性。结果表明:融合降水的误差指标相比传统插值降水有不同程度的改善,融合降水的时空准确性也更为突出;采用雨量站插值降水和融合降水均可有效改善WRF-Hydro的关键产汇流参数,其中融合降水率定参数组的洪水模拟效果要优于雨量站插值降水;以高分辨率融合降水数据为驱动,可获得更准确的WRF-Hydro关键产汇流参数,有效提高WRF/WRF-Hydro陆气耦合系统在研究流域的适用性。

基于多分辨率融合的无人机图像拼接匀色研究

虽然图像的拼接技术已经得到了深入研究,但是无人机图像的拼接并没有取得理想效果,其在拼接过程中的鬼影和曝光差异问题仍然没有得到有效解决,拼接后图像的匀色效果也并不理想。本文将最佳缝合线和多分辨率融合技术联合应用于无人机图像拼接,以待有效解决上述两大问题。试验表明,该方法用于无人机图像拼接可以有效消除鬼影和曝光差异,图像的拼接匀色能够达到理想的目视效果。

保细节自适应超分辨率融合算法

超分辨率融合是把配准好的低分辨率图像信息进行综合,形成高分辨率栅格上的均匀采样为了改善图像超分辨率融合效果,对鲁棒超分辨率融合算法进行改进.分析图像局部模式,给出角点和连接点的识别方法,进而设计了保细节自适应适用度函数,提出了保细节自适应超分辨率融合算法.实验结果表明,算法不仅对配准误差具有鲁棒性,而且能很好地保存图像的边缘和细节特征,提高了融合图像的质量.

全相位内插交错采样超分辨率融合

利用超分辨率重建技术可提高图像的空间分辨率,但是低分辨率图像序列的配准精度直接影响超分辨率重建的效果。如果能在现有硬件设备的基础上,通过合理安排CCD线阵对图像进行错位,就能对图像间的子像素位移进行精确控制,消除运动参数估计对图像超分辨率重建的制约,从而提高图像的空间分辨率。对超模式影像所代表的交错采样图像的超分辨率重建进行了研究,基于全相位滤波理论,构造了具有交错采样结构的全相位内插滤波器,并将其用于交错采样图像超分辨率内插融合。为交错采样图像超分辨率重建提供了快速、实用且性能优异的高分辨率图像初始估计,大大提高了图像超分辨率重建质量。

面向螺丝锁附序列的多分辨率融合卷积神经网络

为了准确识别螺丝锁附是否发生故障和具体故障类型,提出了一种多分辨率融合卷积神经网络。使用原始序列数据作为输入以提高识别速度和精度;为了提取多尺度特征,分别在分辨率(数据长度)为4 000、2 000和1 000的特征向量上进行一维卷积运算;在Fusion层通过上采样、下采样和1×1卷积等策略,将各分辨率特征向量融合得到3组新特征向量,使得该网络能够获得锁附序列的整体和局部特征信息;在输出层使用类别加权交叉熵(CWCE)损失,通过为损失函数设置惩罚系数来加大对样本较少类别的惩罚力度,缓解了各类别数据不平衡的问题。收集了3 149条螺丝锁附序列,并在该数据集上进行了实验,结果表明:在6分类实验中,所提方法的准确率为96.00%,宏F1为93.93%,均高于其他方法;在2分类实验中,所提方法的准确率为99.36%,CWCE损失的有效性得到了验证;所提方法能够有效地判别锁附故障,并具有较好的实时性。

基于模型集成的高分辨率融合车道线检测算法

针对无人机航拍视角下车道线形状复杂、细节特征易丢失、车道线前后景像素占比不均衡等问题,提出一种基于模型集成的高分辨率融合车道线检测算法.首先使用高分辨率融合结构和双线性插值算法改进全卷积神经网络的卷积模块和上采样模块;然后依据模型集成思想,使用改进后的模型结构作为车道线前后景语义分割模型及车道线多类别语义分割模型,用于分步骤解决车道线检测问题,并使用阈值化交叉熵损失函数和Lovasz损失函数组成联合损失函数对2种模型进行训练;最后使用局部色选区域生长算法为检测结果添补细节.实验结果表明,所提算法在自定义无人机航拍视角的15类车道线语义分割数据集中达到0.5484的平均交并比和0.9931的像素精度,在NVIDIA Tesla V100平台对分辨率为512×512的图像的检测速度达到23.08帧/s.

无人机影像拼接多分辨率自适应无缝融合方法

本文针对无人机影像拼接中存在的几何错位和拼接缝问题,提出了一种联合应用最佳拼接缝算法和图像融合的方法,对影像几何错位和拼接缝区域进行修复和无缝融合。首先利用图切割算法搜索帧间拼接最小差异线,修复帧间几何错位;然后基于差异线建立条带融合兴趣区,且融合兴趣区范围大小随帧间色调曝光差异大小自适应变化;最后引入融合兴趣区掩膜改进拉普拉斯多分辨率图像融合算法,对帧间色调曝光差异进行平滑处理,实现无人机影像拼接的无缝融合。试验结果表明,相较于传统拉普拉斯融合算法,本文影像融合成果互信息平均提升了12.79%,峰值信噪比平均提升了21.48%,取得了自然无缝的目视效果,具有一定应用价值。

稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测

列车长期运行产生的震动易导致接触网螺栓处于松动、脱落等不良状态,接触网取流异常会严重影响行车安全。针对高速铁路接触网螺栓病害检测时,易受复杂背景干扰及螺栓松动病害难以检测等问题,提出一种稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测方法。首先,构建稀疏动态可变形卷积构成的特征提取网络,通过增大感受野范围,来捕捉不同尺度下螺栓的形状特征,加强模型对螺栓小尺寸对象特征的提取能力。然后,设计高分辨率特征金字塔融合模块,将螺栓深层特征和浅层特征的高分辨率特征图进行充分融合,提高多尺度特征图的利用率。其次,提出基于连通域统计的螺栓松动判别方法,通过统计被截断螺栓的连通域个数,完成螺栓松动病害状态检测。最后,由高速铁路接触网螺栓检测试验得出:所提方法可以准确检测螺栓的缺失和松动病害,且具有较高的检测精度,相比改进前Mask R-CNN检测方法准确率增加了41.4个百分点、召回率增加了27.3个百分点、像素精确度提升28.11个百分点、F1-score达83.4%。同时,对接触网螺栓网络模型的检测效率进行试验,较Mask R-CNN的浮点计算效率提升了36.23%。对不同场景下接触网螺栓检测对比试验表明,所提方法具有良好的适应性和精确度,对于螺栓松动和缺失病害检测提供了更为准确的方法,对后期接触网智能化检测具有一定的参考意义。

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。

基于多分辨率特征融合的任意尺度图像超分辨率重建

传统深度学习的图像超分辨率重建网络仅在固定分辨率上提取特征,存在无法综合高级语义信息、只能以特定尺度因子重建图像、泛化能力较弱、网络参数量较大等问题。提出一种基于多分辨率特征融合的任意尺度图像超分辨率重建算法MFSR。在多分辨率特征融合编码阶段设计多分辨率特征提取模块以提取不同分辨率特征,通过构建双重注意力模块增强网络特征提取能力,使不同分辨率特征之间进行充分交互,以获取信息丰富的融合特征图。在图像重建阶段利用多层感知机对融合特征图进行解码,实现任意尺度的图像超分辨率重建。实验结果表明,在Set5数据集上分别以尺度因子2、3、4、6、8进行测试,所提算法的峰值信噪比分别为38.62、34.70、32.41、28.96、26.62 dB,模型参数量为0.72×106,在大幅减少参数量的同时能保持重建质量,可以实现任意尺度的图像超分辨率重建,性能优于SRCNN、VDSR、EDSR等主流算法。

结合最佳缝合线和多分辨率融合的图像拼接

目的针对图像拼接过程中,缝合线通过运动物体或配准不准确区域等情况导致融合图像出现鬼影、重影的问题,提出了一种基于差异图像加权的改进最佳缝合线算法,采用基于多分辨率和加权平均的分区图像融合算法解决了拼接线问题。方法首先将两幅图像的重叠区域划分为缝合线区域和过渡区域;在缝合线区域内,使用差异图像加权的最佳缝合线搜索准则构建准则值图像,基于动态规划思想来搜索得到最佳缝合线;基于缝合线生成掩码图像,并对重叠区域图像进行扩展,采用多分辨率融合算法实现了非严格重叠区域的融合;在过渡区域采用加权平均算法来消除拼接线。结果采用含有大量运动物体的图像序列对算法进行测试,实验结果表明,基于差分图像加权的最佳缝合线有效避开了大部分运动物体,当缝合线难以绕开运动物体时,能够尽量少地穿过运动物体;通过多分辨率和加权平均融合算法消除了拼缝等问题。结论提出的最佳缝合线算法能够有效地避免缝合线通过运动物体、配准不准确的区域,将多分辨率图像融合算法应用于非严格重叠图像融合,能够合成高质量的全景图像。

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%。

基于归一化相关矩的多分辨率遥感图象融合

多传感器数据融合技术已广泛应用于遥感图象处理方面 .针对遥感多光谱图象空间分辨率较低的问题 ,提出了一种基于归一化相关矩的多分辨率图象融合方法 .该方法首先对图象进行二维小波变换 ,然后根据所得到的高频小波系数的一阶、二阶统计特征来定义图象局部灰度相关矩 ,并以此作为图象融合测度来对遥感图象进行多分辨率特征融合 ,从而得到包含更多信息和有效特征的融合图象 .仿真结果表明 ,融合后的图象在保留多光谱信息和提高空间分辨率上均能获得较好的效果 ,因而可以更好地用于目标识别。

基于多分辨率特征融合的葡萄尺寸检测

针对葡萄特征提取不够充分且果粒排列密集相互遮挡难以准确检测的问题,以陕西省鄠邑区户太8号葡萄为研究对象,提出一种基于特征金字塔网络(FPN)特征融合的Faster R-CNN卷积神经网络模型完成复杂背景情况下葡萄果粒的检测与识别。以ResNet50为主干网络,引入金字塔结构,增强网络模型对葡萄果粒不同分辨率特征的提取能力,同时加入GA-RPN网络生成自适应锚框,引入遮挡补偿机制,以解决密集葡萄果粒存在的遮挡问题。模型验证结果表明,本研究提出的模型精度均值(AP)在候选框与原标记框的重叠率(IOU)阈值为50时可达95.9%,对葡萄果粒、果穗的检测准确率分别为95.8%、96.1%,相比于原始Faster R-CNN模型识别性能更优。利用双目视觉算法对葡萄果粒进行尺寸测量,在最佳测量距离(0.6~1.4 m)其相对误差可控制在2%以内。

针对高分辨率遥感图像的融合拼接算法

为给观测人员提供视角宽广、内容丰富、真实客观的全景图像,通过对无人机航拍相邻图像间的位置关系的研究结合改进的特征检测与描述算法,提出一种针对高分辨率遥感图像的特征查找与匹配算法,同时提出一种基于最佳缝合线的多分辨率融合算法,制定多幅高分辨率遥感图像的分层拼接策略。在实验阶段,特征点匹配数目相比传统SURF算法平均减少44%,运行时间减少37%,相比文献[10]算法匹配数目平均减少26%,运行时间减少22%,结合最终给出的50幅高分辨率遥感图像拼接结果,说明了优化算法在多幅高分辨率遥感图像拼接中的有效性,为进一步研究打下坚实基础。

基于多分辨率相干融合的管道小泄漏识别方法研究

成品油管道内径小、站间距大使得泄漏信号小而难以识别。本文将小波多分辨率分析与相干分析相结合,提出了基于多分辨率相干融合的小泄漏识别方法。通过对信号的小波多分辨率分析,得到不同尺度下的信号,然后将小泄漏信号和干扰信号序列在细节尺度上的重构信号进行相干融合分析。利用模糊C均值聚类得到细节尺度上的频率相干特征向量,解决小泄漏识别难题。现场应用结果表明该方法的有效性。

基于压缩传感和图割的多分辨率影像融合方法

针对像素级融合方法对高分辨率影像融合存在较大光谱细节保持问题,提出一种基于压缩传感和图割理论的多分辨率融合。在给定的全色和多光谱图像上用压缩传感的概念来获得融合图像的初始估计;用图割方法来最小化能量函数获得最终的融合图像。实验结果表明文中方法在相对整体维数综合误差(ERGAS),相关系数(CC),相对平均光谱误差(RASE)和光谱角映射(SAM)等方面有了很大提高,且融合后光谱细节特征保持较好。

多分辨率曝光融合在安卓平台上的实现

数码成像设备只能表示非常有限的动态范围,因此亮度差异很大的物体很难在一副图像中清楚显示。曝光融合就是将不同曝光条件下采集的图像合并成一幅所有细节都清晰的图像,而多分辨率曝光融合是其中一种简单且高效的方法。该文阐述了该算法在安卓平台上的设计和实现方法,并在手机上进行测试,实验结果表明该算法能运行在手机上,为以后测试更多曝光融合算法提供了一个平台。

融入双注意力的高分辨率网络人体姿态估计

在人体姿态估计任务中,针对高分辨率网络提取和融合特征图的特征信息时不能有效获取多通道信息和空间特征信息,导致人体姿态估计结果不够精确。在高分辨率网络(HRNet)的基础上,提出一种融入双注意力的高分辨率人体姿态估计网络ENNet。通过引入通道注意力,构造E-ecaneck模块和E-ecablock模块作为基础模块,最大程度地对多通道提取足够多的有用信息,在每一阶段子网的多分辨率融合阶段融入空间注意力机制,提取并融合不同分辨率特征信息,通过上采样的方式输出所有融合低分辨率的高分辨率表征。在公开数据集MS COCO2017上进行验证和测试,结果表明,相比于高分辨率网络,该方法mAP提高3.4%,有效改善网络多分辨率表征的信息融合能力,明显提升基础高分辨率网络HRNet的估计精确度。

基于优化HRNetV2的高分辨率遥感影像土地利用自动分类

研究目的:基于语义分割模型HRNetV2实现高分辨率遥感影像的土地利用自动分类,以期推动深度学习语义分割方法实现遥感影像的土地利用自动分类研究,并为该类研究提供可参考的案例。研究方法:首先对语义分割模型HRNetV2从损失函数、特征提取方面进行优化,以提高模型的分割精度;其次用优化后的HRNetV2模型对民乐县2 m的高分辨率遥感影像进行土地利用分类,并基于混淆矩阵对分类的结果进行评估。研究结果:(1)优化后的HRNetV2语义分割模型的MIOU达81.9%,相较于优化前提高了4.4%,证明了优化方法的有效性;(2)针对民乐县进行的土地利用自动分类总体精度达89.72%,Kappa系数达0.888。研究结论:优化后的HRNetV2语义分割模型在高分辨率遥感影像的土地利用自动分类中具有较强的应用前景。