雨滴实地拍摄基准图像数据集及评估

在雨天透过玻璃窗拍摄时,附着在玻璃表面的雨滴通常会出现在图像中,这不仅降低了图像的可见度,还会使许多计算视觉算法无法正常工作。图像雨滴去除研究,是指从这类雨天图像中去除雨滴的具体科研研究。该研究领域面临着很大的挑战,主要原因是自然界中的雨滴形态多种多样、各不相同,不同透明度的雨滴也会影响背景图像的成像质量,从而增加了识别并去除雨滴的困难度,对去雨滴算法的性能提升造成了负面影响。为了方便研究者全面了解该领域,将从以下两个方面详尽介绍单幅图像去雨滴研究:单幅图像去雨滴算法和单幅图像联合去雨算法;同时也对该领域的所有算法进行了总结与评估。在基于深度学习的方法中,算法的性能往往受限于数据集的质量,但现有的雨滴数据集中均存在雨滴图像质量不高、图像数量不足等常见情况。为此,建立了雨滴实地拍摄基准图像数据集(HEMC),在拍摄过程中,尽量避免相机抖动、窗户反射和其他外界条件的干扰,从而提高了数据集中训练集的图像质量和测试集的精准度,进而间接提升了算法性能。同时,利用主观视觉效果以及客观指标对数据集进行了多方面的评估,实验结果展现了HEMC数据集中图像的多样性以及客观指标的稳定性。此外,通过对雨滴数据集间的交叉验证,证实了HEMC数据集在已有去雨滴算法中的通用性与稳定性。

川中地区中三叠统雷口坡组碳酸盐岩显微图像数据集

雷口坡组碳酸盐岩在川中地区广泛发育,展示出了良好的勘探前景和较大的勘探潜力。川中地区碳酸盐岩储集层十分发育,各类孔隙发育、保存良好,表生溶蚀、埋藏溶蚀和白云石化作用等改善了储集物性,提高了储层的渗透率。孔隙类型包括粒内溶孔、粒间溶孔、铸模孔等,可见连通型溶蚀缝。顶部在岩溶作用下,形成良好的古风化壳储层。通过采集川中北部地区LG19井、LG173井、ZT1井、TN112井、Y105井和PL19井等钻遇的雷口坡组地层为研究对象,制作了岩石显微薄片数据集。川中地区雷口坡组以藻纹层白云岩、砂屑白云岩和角砾状白云岩为主。沉积相为碳酸盐岩蒸发-局限台地相沉积,亚相可分为潮坪、台内滩亚相,潮坪有云坪、膏云坪等微相,而台内滩又可细分为生屑滩、砂屑滩等。本图片数据集,可用于划分该地区雷口坡组沉积微相,研究微相对储层形成及分布的控制,判断出有利储集微相,为油气勘探开发提供有效指导。本数据集能进一步用于机器学习图像数据集制作,提供基础数据支撑。

一种新的大规模图像数据集分割方法

图像分割是图像识别过程中的一个重要步骤,在计算机视觉研究中占有非常重要的地位,图像分割的好坏直接影响图像识别的效果。为提高大规模图像数据集的分割效果,实现自动、快速、高质量分割,首先采用均值漂移算法对大规模图像进行预分割以降低图像规模,然后根据图像的颜色特征使用层次聚类算法对分割后的小区域进行聚类处理,以实现快速分割图像。实验结果表明,该方法能够有效减少图像分割时的运算时间和空间复杂度,提高图像分割效率,获取良好的图像分割效果,为后续图像分析、理解和识别打下基础。

基于前后端分离技术的图像数据集标注系统构建

图像数据集及其标注信息是计算机视系统进行模型训练时的关键,传统的数据标注系统多基于B/S架构,前后端系统耦合度高,不适于众包模式的应用。因此本文利用微服务架构设计技术,采用前后端分离的方式,提出了一种适合众包的图像数据集标注系统。并详细阐述了系统设计中的前端MVC模式、后端微服务架构、以及前后端数据交互约束等关键技术。

多景深图像聚焦信息的三维形貌重建:数据集与模型

受限于数据采集方式的多源异性与三维重建结果的昂贵标注,现有基于多景深图像聚焦信息的三维形貌重建方法通常需要根据具体应用场景设计,缺乏场景适应性.本文提出一种多景深图像数据集构建的理论与方法,并在此基础上设计具有良好鲁棒性的深度网络模型.构建的多景深图像数据集(MDFI Datasets)旨在剥离图像实际语义与深度信息的强关联性,通过联合输入图像序列的富纹理特性与三维形貌固有的同质与阶跃特性,提出形貌核函数非线性空间映射方法扩展数据集的多维性与多样性.设计的深度三维形貌重建网络模型(DSFF-Net)以U-Net为基础网络,添加可变形卷积模块(Deformable ConvNets v2)增强网络的特征提取能力,全新设计的局部-全局关系耦合模块(LGRCB)有助于提升模型全局聚焦信息的聚合能力.为验证MDFI Datasets的跨场景适用性和DSFF-Net模型的鲁棒性与泛化性,本文从四个不同方面进行实验对比分析.实验结果表明,相较于最先进的鲁棒聚焦体积正则化的聚焦形貌恢复算法(RFVR-SFF)和全聚焦深度网络(AiFDepth-Net),本文提出的DSFF-Net模型在RMSE指标上分别下降15%和29%;大景深场景实验表明,本文提出的数据集构建方法能够适应实际应用场景。

公开SAR图像目标数据集及其在深度学习中的应用综述

由于合成孔径雷达(SAR)图像可读性较差,所以对其进行目标检测与识别处理的难度也较大。近年来,随着深度学习(DL)方法的不断发展,许多学者将其引入SAR图像目标检测与识别研究中。该类方法以数据为驱动。其中,监督学习方法更以已标注的数据为基础。但是,SAR图像目标的标注通常是昂贵且耗时的。鉴于此,本文对已公开的SAR图像目标数据集进行了归纳总结。首先,对典型的SAR系统平台进行了介绍,具体包括星载SAR和机载SAR。其次,按照是否包含目标类型信息将已公开的SAR图像目标数据集分为两类,并分别对其进行了介绍。最后,为了说明上述数据集的建立具有现实意义,对近年来基于DL方法的SAR图像目标数据集的应用情况进行了总结。这也从侧面说明国内外公开的SAR图像目标数据集可助力基于DL的SAR图像目标检测与识别方法的研究。本文能够为后续展开基于DL方法的SAR图像目标的检测与识别方法研究提供数据和研究思路的参考。

冠状位头部标本切削冷冻包埋及图像采集技术

目的:构建人头部结构冠状切面图像数据系统。方法:遴选合适捐献的新鲜遗体尸头,采用数字人标本铣切技术,冠状位由前向后对尸头逐层切片、采集图像,图像经后期处理构建数字头部图像数据集。筛骨部分切片间隔为0.03 mm,其他部位间隔为0.06 mm。利用佳能5DⅢ照相机采集图像,采取RAW和JPEG两种格式存储照片。结果:采集RAW格式和JPEG格式图像各3 854幅,其中切片间隔0.03 mm的图像有1 437幅,间隔0.06 mm的图像有2 417幅,形成的RAW格式图像平均每幅24.5 MB,形成的JPEG格式图像平均每幅5.9 MB。图像分辨率为2 210万像素(5 760×3 840)。RAW格式和JPEG格式图像总计117.162 G。结论:建立了世界上切削厚度最薄的人类头部切面图像数据集,同时也是世界上第一套冠状位人类头部切面图像数据集。

基于图像的数据增强方法发展现状综述

现阶段,基于深度学习的图像处理和识别技术已经发展的十分成熟,但在某些图像识别任务中由于深度学习技术的特点,一些深度神经网络模型层数较多导致的学习能力较强,将图像数据样本中的特征学习的过于充分,使得神经网络模型在训练数据上出现过拟合现象。同时,基于深度学习的图像处理算法训练的模型的好坏与数据集的质量、规模息息相关,但由于客观原因存在获得的图像数据集小、图像质量差,样本分布不均衡等现象。针对上述问题,研究人员提出通过使用图像数据增强技术实现对模型的输入数据的规模、质量和分布情况进行优化,将数据增强后的数据集用于深度学习模型将有效降低出现过拟合现象的概率。本文的主要工作是对现有的图像数据增强技术进行讨论,从传统图像处理方法和基于深度学习数据增强方法两方面进行梳理总结,其中传统图像处理方法有几何变换、颜色变换和像素变换;基于机器学习的图像数据增强方法有自动数据增强方法、基于生成对抗网络数据增强方法和基于自动编码器和生成对抗网络组合的数据增强方法。本文着重对图像融合、信息删除以及基于生成对抗网络的图像数据增强方法等技术进行介绍,并且对文中提出的数据增强方法的思想及其优缺点进行讨论,为研究人员在不同图像任务中利用对应的数据增强方法来优化数据集从而提高模型准确率提供研究思路。

低光照图像增强研究方法综述

低光照图像增强目的是从低光照条件下恢复细节完整的图像,并逐渐成为计算机图像处理研究的热点。图像成像的质量对于智能安防、视频监控等场景至关重要,且在相关行业中有着十分广阔的应用前景。为了深入研究低光照图像增强,对传统低光照图像增强方法进行详细地分类阐述与分析,列举了基于深度学习的图像增强方法,对所用到的各种网络以及所解决的问题进行了详细的梳理,并将所提到的方法进行了细致的对比。又对数据集进行了细致的分析和研究,并对一些常用的评价指标进行了简单梳理。对所述内容做出总结以及指出了当前研究中存在的困难,并指出了未来的研究目标。

基于深度学习的遥感图像舰船目标检测算法综述

海面舰船目标检测是遥感图像处理和模式识别领域备受关注的重点研究方向,对舰船目标的自动检测在民用和军用方面都具有重大意义。梳理和分析了典型基于深度学习的目标检测算法的优缺点,并进行了对比和总结;归纳了基于深度学习的舰船目标检测的技术现状,并从多尺度检测、多角度检测、小目标检测、模型轻量化和大幅宽遥感图像舰船目标检测等方面对技术现状进行了详细的介绍。最后,介绍了舰船目标识别算法常用的评价标准和现有的舰船图像数据集,探讨了遥感图像舰船目标检测算法现在所面临的问题和未来的发展趋势。

基于图语法的视觉知识表达与标注图像数据库

莲花山数据集采用与或图作为视觉知识模型,实现对客观世界中视觉模式的多层次表达,从而将多种标注任务统一到图像语法模型框架下。配套数据库通过两层模型分别管理视觉模型与标注数据,提供了灵活方便的数据导入、管理、查阅、输出功能,这是其他数据集所不具备的。最后给出基于该数据集标注结果的内容检索实验,该算法加入到标注工具中,作为一种自动功能用于辅助加速人工标注过程。

基于深度学习的图像去雾方法综述研究

图像去雾作为常见的图像处理技术,主要是通过改善模糊图像质量,以保证后续高层次视觉任务顺利进行。近年来,基于深度学习方法在面对大规模复杂数据集时有较好的表现,大量学者将深度学习应用在图像去雾领域。取得了诸多研究成果。基于此,对基于深度学习的图像去雾方法进行分类梳理,总结各个算法的优势以及存在的问题,并介绍了用于图像去雾实验的常用数据集和图像质量评价指标,最后探讨图像去雾算法发展受限的原因以及未来发展趋势。

多分支修复网络的沙尘降质图像增强算法

目前基于深度学习的沙尘图像增强算法大多类似于图像去雾算法,但由于以下两个方面的原因效果并不理想且弱于一些传统图像处理算法:由于沙尘图像整体色彩偏黄,去雾算法会忽略沙尘图像的色彩恢复问题;由于缺乏大规模基准数据集,深度神经网络在有限的数据上学习从沙尘图像到清晰图像的映射是非常困难的。提出一种基于多分支修复网络的沙尘降质图像增强算法;此外,基于大气散射模型构建了一个新型沙尘图像数据集。算法将神经网络分为三个子网,包括迁移学习子网、色彩恢复子网和数据拟合子网,每个子网有其特殊的作用,沙尘图像分别经过三个子网处理,然后将三子网结果通过一个可学习的融合层映射为清晰图像。实验结果中定性比较表明该方法可以有效恢复沙尘图像细节,并较好恢复图像的视觉色彩,且该方法对比其他先进的方法可以产生更加符合人眼视觉体验的清晰图像;从定量比较中,在合成数据集上提出的算法相比于所对比的先进算法PSNR和SSIM指数分别提高了0.783和0.012,在真实图像数据集上提出的算法取得了最好的NIQE和PIQE指数。

基于DeepCluster的朝鲜语古籍文字图像的无监督聚类方法研究

为了提高朝鲜语古籍文字图像的标注效率,提出了一种基于DeepCluster的朝鲜语古籍文字图像的无监督聚类方法.首先,基于DeepCluster对AlexNet卷积网络进行简化;然后,采用Sobel滤波器的线性变换消除图像域中的颜色和增加局部图像的对比度;最后,利用数据增强方法强化模型对朝鲜语古籍样本特征的学习能力.在无标注的朝鲜语古籍文字图像数据集上进行实验显示,该方法的准确率和NMI指标比DCN方法分别提高了15.32个百分点和0.180.由此表明,该方法可有效提高文字图像的标注效率,可应用于朝鲜语古籍文字标注数据集的构建中.

基于多尺度信息交互的深度学习图像去沙算法

沙尘天气下,入射光线的散射和吸收,会导致图像退化,出现色彩偏移、细节丢失等问题,户外计算机视觉系统的工作性能受到严重影响。为此,提出了一个端到端的基于多尺度信息交互(multi-scale information interaction,MSII)的网络结构。该网络采用并行的两个不同分辨率子网,通过上下采样使两个子网信息交互,引入交叉注意力机制进行空间、特征融合,以获得更丰富的细节;提出了一个简单有效的沙尘合成方法,并以此构建了一个配对沙尘数据集。实验可得,与所比较方法中最好的结果相比,在合成数据上,结构相似度提高5.94%,峰值信噪比提高0.403 dB;在真实数据上,自然图像质量指标提高0.4407,对比度、标准差、信息熵分别提高1.5315、1.0152、0.3352。由此可知,所提方法可获得细节清晰且色彩鲜明的图像。

单帧非自然图像深度估计与动态合成

深度学习在单目深度估计任务上表现优异,通过学习单帧图像与深度图像之间存在的映射关系来估计图像的深度。但是,目前单目深度估计的研究仅关注于自然图像,当把它应用于非自然图像,如绘画图像时,相对于自然图像,它们有着低纹理、切边锐利、平滑过渡相对少的特点,会出现深度估计中前后不同物体的层次感不明显,以及同一物体上出现深度不一致的问题。本文根据这类图像设计了一个由单目深度估计模块和RGB图像指导的精细化模块构成的精细单目深度估计网络RefineDepth来改善以上问题。同时,由于绘画图像缺乏对应深度信息,本文通过三维场景卡通风格渲染图像来模拟绘画类非自然图像的方式,制作了两个绘画图像数据集SSMO和SU3D,并建立了一个真实的山水画测试集。实验结果表明,模型在测试的数据集上都取得了出色的结果。最后,将绘画图像进行基于深度图像渲染,动态合成立体效果。

图像目标类别检测综述

随着移动设备与社交网络的迅速发展,数字图像的数据规模急剧增加,图像目标类别检测已经发展成为目前计算机视觉领域内的一个研究热点。对图像目标类别检测的关键问题进行了综述。首先对目标类别检测的研究背景进行了介绍;然后对目标类别检测技术进行了综述,其中包括外观模型、分类器和定位策略3个核心技术,以及数据集和评价标准;最后列出了目前目标类别检测算法的测试结果,并总结了目标类别检测的主要研究难点和发展方向。

光学遥感图像海面船舶目标检测技术进展

海面船舶目标检测一直是遥感图像处理、模式识别与计算机视觉等领域的研究热点,船舶作为海上运输载体和重要军事目标,对其进行自动检测在军用与民用领域有着广阔的应用前景和重要现实意义。本文梳理了用于海面船舶目标检测的光学成像卫星的发展情况,分析了光学遥感成像船舶目标的物理特性和特征,归纳了国内外该领域海面船舶检测技术研究现状,围绕构建相关目标检测模型和架构的相关理论与关键技术进行了分析、比较和总结,探讨了当前光学遥感图像船舶目标检测方法面临的问题与挑战以及未来的发展趋势。

深度学习在农作物病害识别中的研究进展

农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题,并对其发展进行了展望,为今后农作物病害识别的深入研究与发展提供参考。

图像去雾方法质量评价

针对近年来去雾算法质量的评价方法普遍依赖主观评价结果,但缺乏定量描述;现有的客观质量评价方法与主观评价方法之间的一致性不稳定,使两者有时会出现分歧的问题。为提升针对去雾方法的客观质量评价性能,本文提出了一种基于人工合成图像的全参考去雾方法质量评价。首先,建立合成图像数据集,数据集包括参考无雾图像,合成有雾图像,对这些合成有雾图像使用8种主流去雾算法得到的去雾图像。然后,将去雾后图像可能引入的一些质量问题进行分类。最后,通过结合清晰度相关特征和现有的客观质量评价,针对性地提出了一种由图像可视性、结构相似性和颜色恢复度相互融合的去雾方法质量评价。在合成图像数据集中,将本文方法与现有典型的图像质量评价方法进行对比实验,实验结果表明:对于合成图像数据集,本文提出的方法在SRCC、PLCC和RMSE指标上表现最优。本文方法与主观评价的一致性更高,更有利于支持去雾算法的研究。