抗噪声的分步式图像超分辨率重构算法

基于卷积神经网络的图像超分辨率重构方法大多数假设低分辨率图像是从高分辨率图像双三次降采样得到,而现实环境低分辨率图像带有未知噪声,不可避免地导致网络性能较差。针对这一普遍问题,本文提出了一种抗噪声的分步式图像超分辨率重构算法。首先,将信息蒸馏图像降噪网络结合生成对抗网络进行网络训练,以提高降噪网络的图像降噪能力;其次,将降噪网络的中间网络纯净特征图和降噪后的图像与分步式图像超分辨率重构网络结合,配合分步式网络训练,实现网络对真实环境低分辨率图像的有效超分辨率重构。在自建含有高斯噪声的BSD100^(*)与BSD100^(#)数据集上对本文提出的网络进行了训练和评估。实验结果表明:所提网络与已有先进网络相比,在图像质量评估和视觉对比上均取得较大提升。

基于无监督网络的手机屏幕缺陷分割方法

针对工业上手机屏幕缺陷检测准确度不高,分割精度低等问题,提出一种基于无监督网络的方法,实现手机屏幕的缺陷分割。首先,通过无监督的卷积去噪自编码器构建多尺度特征的图像重构网络,实现从缺陷图像中重构出多层背景纹理图像。然后,将缺陷图像与多层背景重构图像分别进行减法运算,消除背景纹理的影响。最后,通过自适应阈值策略进行分割处理,再将多层分割结果进行融合,提升缺陷分割准确度。为提升重构性能,在网络中结合一种改进的损失函数进行训练。在分割处理中,根据残差图像的像素直方图是单峰的特点,使用三角法进行自适应阈值分割,提升分割精确度。经实验验证,通过本文方法进行手机屏幕的缺陷分割,分割精度达到90.30%,准确度和实时性满足工业要求,并具有实用性。