基于复合神经网络提升亚米级卫星影像质量

低能见度情况下,大气粒子对太阳辐射的散射和吸收效应,降低了卫星影像像质和空间分辨率,传统图像处理方法和现在普遍应用的深度学习算法无法同时提升图像像质和空间分辨率。为了改变该现状,文章提出了基于网格去雾网络(GridDehazeNet)和真实超分辨率生成对抗网络(Real-ESRGAN)组合的复合神经网络。首先采用GridDehazeNet卷积神经网络架构提升卫星影像的清晰度和对比度,再利用Real-ESRGAN增强型超分辨率生成对抗网络以提升卫星影像空间分辨率;最后利用Worldview-3多光谱图像对不同算法进行了测试,并对比不同算法的测试效果。结果表明:该复合神经网络在改善图像像质和分辨率方面效果显著,其中清晰度提高了39.11倍,对比度提高了3倍,信息熵值提高了34%;且同时避免了传统算法所带来过度增强和噪声问题,对小目标物的识别和解译的准确率有显著提高。

基于感知模式纹理的人脸识别

稀疏表示分类法和局部二值模式是目前广泛运用的人脸表示方法.虽然稀疏表示分类法通过重构算法能很好的稀疏表示人脸,但在人脸的局部特征表示上不够理想.局部二值模式是基于局部纹理特征表示人脸,其提取的局部纹理简单、不连续、不光滑,造成纹理损失严重.提出局部纹理特征的感知模式纹理的概念,克服了稀疏表示分类法在局部特征表现不佳的缺点,同时又比局部二值模式纹理光滑、鲁棒.利用感知模式纹理特征在Yale和ORL数据库取得了较好的识别效果.