基于超分辨率重建与机器学习的油菜苗情监测方法

为优化养分管理和确保植株正常生长,以无人机遥感技术高效且非破坏采集田间作物苗情信息,监测油菜苗期的叶面积指数(LAI)与叶绿素相对含量(SPAD)。针对无人机因飞行高度与图像分辨率相互制约,监测效率与监测精度难以兼顾的问题,采用超分辨率重建方法,融合较低飞行高度拍摄高分辨率影像,重建较高飞行高度拍摄影像,建模完成后可通过拍摄飞行影像监测LAI和SPAD。试验设置3个氮肥梯度、3个播期、3个种植密度处理,在苗期利用无人机分别采集20m及40m 2个飞行高度的油菜苗影像,采用SRRestnet方法,对40m影像进行超分辨率重建。基于20m、40m及40m重建影像中提取的3种特征组合,利用偏最小二乘回归(PLSR)、随机森林(RF)、支持向量回归(SVR)3种机器学习方法对LAI和SPAD进行监测。结果表明,超分辨率重建后的图像在表型苗情监测中表现出良好效果,PLSR监测LAI、RF监测SPAD的监测精度最高,且40m重建图像的作业效率相比于20m图像提高48.6%。

基于像素对比学习的图像超分辨率算法

目前,深度卷积神经网络(Convolutional neural network,CNN)已主导了单图像超分辨率(Single image superresolution,SISR)技术的研究,并取得了很大进展.但是,SISR仍是一个开放性问题,重建的超分辨率(Super-resolution,SR)图像往往会出现模糊、纹理细节丢失和失真等问题.提出一个新的逐像素对比损失,在一个局部区域中,使SR图像的像素尽可能靠近对应的原高分辨率(High-resolution,HR)图像的像素,并远离局部区域中的其他像素,可改进SR图像的保真度和视觉质量.提出一个组合对比损失的渐进残差特征融合网络(Progressive residual feature fusion network,PRFFN).主要贡献有:1)提出一个通用的基于对比学习的逐像素损失函数,能够改进SR图像的保真度和视觉质量;2)提出一个轻量的多尺度残差通道注意力块(Multi-scale residual channel attention block,MRCAB),可以更好地提取和利用多尺度特征信息;3)提出一个空间注意力融合块(Spatial attention fuse block,SAFB),可以更好地利用邻近空间特征的相关性.实验结果表明,PRFFN显著优于其他代表性方法.

基于迁移学习的GOCI超分辨率重建与海洋漂浮藻类探测

遥感技术是进行海洋漂浮藻类目标识别与变化监测的重要手段。GOCI遥感卫星影像具有高时间分辨率、低空间分辨率的特点,其低空间分辨率影响了海洋漂浮藻类遥感探测的效果。本研究通过对具有较高空间分辨率的Sentinel-2遥感卫星影像结构特征的迁移学习,应用ESRGAN超分辨率重建技术,将GOCI影像的空间分辨率提升至125 m;在此基础上,构建了基于超分辨率重建GOCI遥感影像的U-Net深度学习语义分割网络,实现了海洋漂浮藻类的较高精度探测。实验结果表明:超分辨率重建的GOCI影像显著提升了影像的空间细节清晰度,基于此实现的海洋漂浮藻类探测结果取得了较高的精度,其中面积相对误差下降了51.87%,F1值提高了2.41%。本研究是应用GOCI遥感影像进行海洋漂浮藻类高精度探测的一次成功实践,为实现海洋目标的动态精细化监测提供有益的参考。

基于对比学习的深度残差网络图像超分辨率方法

传统的基于对比学习的图像超分辨率方法,一般将原始图像作为正样本,将退化图像或其他类图像作为负样本,存在对纹理细节恢复差的问题。本文提出基于对比学习的深度残差网络图像超分辨率(depth residual image super-resolution based on contrast learning,CEDSR)方法,针对残差超分辨率模型,采用对高分辨率图像锐化后的图像作为正样本,对高分辨率图像轻微模糊的图像作为负样本,利用正负样本下的对比损失提升对纹理细节的恢复增强。增强锐化后的正样本图像携带更丰富的纹理信息,基于不同函数生成的模糊负样本图像刻画了纹理模糊特征,正负样本构建的对比损失有利于图像超分辨率图像对纹理细节的恢复。本文模型在4个标准数据集DIV2K、Set14、BSDS100和Urban100上与经典算法进行实验对比,定性和定量实验结果均表明本文模型可以获得效果更好的超分辨率图像。

基于优化深度学习的低照度图像超分辨率重建方法的研究

为提升低照度多波段谱密度图像的分辨和检测能力,本文提出基于优化深度学习的低照度图像超分辨率重建方法。首先,构建低照度多波段谱密度图像超分辨特征采样模型,通过图像压缩感知方法实现对低照度图像的向量像素重构;其次,通过模糊度辨识和匹配滤波方法进行低照度图像的降噪滤波,构建低照度多波段谱密度图像的压缩光谱维度检测模型;再次,通过图像去噪、压缩重建和谱特征重组建立正则化约束模型来恢复图像的光谱信息;最后,根据同一空间区域的全体光谱数据的关联性特征分布,采用优化深度学习算法实现对低照度图像的特征分配和结构重组,实现对低照度图像的超分辨率重建。该方法对低照度图像超分辨率重建时可对图像细节部分进行补全,且其去噪和去模糊能力较好,可有效保留图像的关键信息,其信噪比均为26 dB,结构相似度高于0.94,均优于对比方法,具有较好的应用价值。

基于深度学习的红外图像超分辨率重建方法

为了提高红外图像的超分辨率重建效果,提出基于深度学习的红外图像超分辨率重建方法。利用红外图像的反射特性与红外辐射特性建立红外图像的显著性区域检测模型;通过可见光与近红外图像之间样貌差异度水平检测图像的边缘轮廓特征,提取可见光与近红外光融合性特征参数;根据融合层次不同对图像信号级、像素级、特征级、决策级四个维度进行重建,提取图像的边缘、形状、纹理特征;根据特征分布的噪声水平与配准质量,采用深度学习算法实现对红外图像超分辨率重建。仿真测试结果得出,该方法进行红外图像重建的显著性特征检测能力较强,重建后将图像分辨率提升到1280×960 PPI,模板匹配准确率为49.4%,峰值信噪比PSNR值高于36.34 dB,结构相似度SSIM值高于0.972,重建效果较好,更适合用于特定场景下的红外图像目标特征识别。

基于深度学习的太赫兹去卷积图像超分辨率重建

太赫兹光谱成像技术不仅能获取检测对象在三维图像空间中的几何信息,同时也能提取其在太赫兹波段的光谱信息,因此该技术已在众多领域表现出巨大的应用潜力.但由于技术设备结构复杂,成本较高,且太赫兹波长较长导致其成像空间分辨率较低,边缘细节模糊,如何在现有设备基础上提高太赫兹成像分辨率成为目前亟需解决的关键问题.针对该问题,以STC89C51单片机为检测对象,利用太赫兹时域光谱数据,结合深度学习,实现了太赫兹光谱成像的超分辨率重建.试验采用太赫兹时域光谱检测系统对样品进行逐点扫描,指定0.738 THz进行频域成像,通过构建点扩散函数对太赫兹图像去卷积增强,并确定以光束穿透深度z=2 mm的去卷积太赫兹图像作为参考图像.考虑太赫兹图像实际采集过程中可能受到多种复杂噪声的影响,通过双三次插值降采样(BI)、高斯模糊下采样(BD)、双三次插值下采样+高斯白噪声(BN)与高斯模糊下采样+高斯白噪声(DN)4种不同的降采样方式模拟太赫兹降质图像.采用Real-ESRGAN深度学习方法对降质图像进行超分辨率重建,同时与SRResNet、EDSR、SRGAN、ESRGAN方法的重建结果进行对比.采用峰值信噪比、结构相似性以及主观平均得分3种评价指标对重建结果进行评价.评价结果表明:Real-ESRGAN的BI、BD、BN、DN 4种降质图像的超分辨率重建效果的各项指标表现均优于其他算法,实现了对芯片特征信息的增强和图像成像精度的提高,为太赫兹图像超分辨率重建技术提供了一种新的优化思路.

医学CT影像超分辨率深度学习方法综述

图像超分辨率(SR)是计算机视觉领域提高图像分辨率的重要处理方法之一,在医学图像领域有重要的研究意义和应用价值。高质量和高分辨率的医学CT影像在当前的临床过程中非常重要。近年来,基于深度学习的医学CT影像超分辨率重建技术取得了显著的进展,对该领域内的代表性方法进行了梳理,系统回顾了医学CT影像超分辨率重建技术的发展。介绍了SR基本理论,给出常用的评价指标;重点阐述基于深度学习的医学CT影像超分辨率重建方向的创新与进展,对各个方法的主要特点和性能进行了综合比较分析。最后,讨论了医学CT影像超分辨率重建方向上存在的困难和挑战,并对未来的发展趋势进行了总结与展望,希望能为相关研究提供参考。

基于多任务学习的超分辨率辅助小目标检测

小目标通常具有低分辨率和模糊不清的特点,并容易受到遮挡和背景的影响,导致难以实现准确且实时的小目标检测。为提升检测效果,提出一种基于多任务学习的超分辨率辅助小目标检测算法Multi-YOLO。首先,引入一个超分辨率辅助分支引导主干网络提取有效特征,减少小目标信息丢失;其次,采用Anchor based协同监督Anchor free的双检测头训练方法来辅助提升检测准确性,另外,在骨干网络尾部使用CTR3模块加强目标信息与位置感知的关联性;最后,在推理阶段仅使用检测分支进行推理以保证推理速度。实验结果表明,Multi-YOLO相对于基准网络在VEDAI、COCO MiniTrain和SPCD数据集上均取得了一定的性能提升,其中在VEDAI数据集上,Multi-YOLO实现了10.9%的平均精度均值(mAP)提升,且与基准模型大小相近。同时,与主流的单阶段目标检测网络相比,Multi-YOLO在小目标检测方面表现出色,并在精度和速度之间取得了平衡。

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。

一种自学习的新型单幅图像超分辨率高质量重建算法

经典的基于稀疏表示和字典学习的超分辨率算法在图像重建质量和计算复杂度上都具备较好的表现。然而,基于外部样本训练得到的字典和待重建图像缺少相关性,会伴随算法鲁棒性较差的问题。为克服这一缺点,提出了一种基于自学习的新型单幅图像超分辨率高质量重建算法。该算法无需引入外部训练图像,即完全通过待重建图像自身构建的样本进行字典学习和图像重建;这一机制增强了训练字典与待重建图像的相关性。具体而言,在字典训练阶段,针对输入的待重建图像,基于二维经验模态分解进行高频修复预处理,以增强样本源的高频特征;随后构建训练样本集,使用K-奇异值分解算法获得自学习主字典和自学习残差字典,构成双字典。在图像重建阶段,将双字典结构与自学习相结合,先通过主字典实现主高频恢复,再进一步通过残差字典恢复图像的残差高频信息。实验结果表明,所提算法在重建图像的主观视觉效果以及专业质量评价指标上,相对于传统插值算法及经典的字典学习算法具有显著优势。

基于层次交互动态注意力与序列学习的图像超分辨率重建

针对图像超分辨率中网络关注度不足、模块间协同性弱和深层特征表征消失等问题,提出了一种结合层次交互动态注意力与序列学习单元的多级残差聚合超分辨率重建模型。模型采用多层次特征融合与跳跃连接的网络结构,结合不同层次的特征,捕获从低到高的不同级别的信息,生成更丰富和准确的表征。模块里通过残差连接避免梯度消失,实现深度网络的平滑损失空间和灵活增加。提出动态层次融合注意力模块动态计算各个特征的重要性权重,进行有选择性的特征融合,并通过序列学习单元捕获更长范围的上下文信息。提出多尺度特征融合模块将不同感受野的特征信息提取融合,以挖掘更深层的特征表示。模块尾部引入轻量化无参注意力机制自适应加权特征图,恢复图像高频细节。实验结果表明,相较于主流算法,提出的算法在各种公开测试集(Set5、Set14、BSD100、Urban100、Manga109)上进行3倍超分辨率重建评估,平均峰值信噪比提升约0.47dB,平均结构相似性提升约0.0068。且在遥感图像超分辨率重建方面展示出实际应用潜力。证明其在图像超分辨率重建方面的优越性。

基于深度学习网络的视频超分辨率恢复技术

近年来,人工智能发展迅速,超分辨率恢复也成为深度学习研究中的一个重要问题。视频超分辨率恢复是更复杂的超分辨率恢复,在图像超分辨率恢复的基础上,视频超分辨率恢复的计算量更大,技术也更复杂。基于此,文章分析了基于深度学习网络的视频超分辨率恢复技术。

深度学习在磁共振图像超分辨率重建中的应用

磁共振成像(MRI)是医学影像学中一项重要的非侵入性检查技术,受限于磁共振硬件设备和扫描时间,有些磁共振图像具有较低的空间分辨率;深度学习技术的兴起为解决MRI图像分辨率问题提供了新的途径。本研究首先概述了MRI图像超分辨率重建的背景;其次,深入探讨了在MRI图像超分辨率重建任务中,各种深度学习方法的应用,并对这些方法进行详细的分析,对每种算法的工作原理、优势及其在图像重建过程中的效能表现进行评估;最后,讨论了深度学习技术在MRI图像超分辨率重建中的关键挑战,并对未来研究趋势进行展望。

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。

基于深度学习的图像超分辨率重建算法研究

本文针对图像超分辨重建领域,深入研究了超深超分辨率(very deep super-resolution,VDSR)模型的结构和原理,并利用BSDS100数据集进行验证。首先,探讨了图像超分辨重建技术的背景和意义,以及国内外研究现状。其次,分析了VDSR模型的数学原理和工作过程,包括卷积操作、修正线性单元激活函数和残差学习机制等关键内容。最后,在实验部分,使用Python搭建实验环境,并通过BSDS100数据集对VDSR模型进行测试。实验结果表明,VDSR模型能够有效提高低分辨率图像的质量和清晰度,重建图像在纹理、边缘和细微结构等方面与高分辨率图像接近,验证了其在图像超分辨重建任务中的优越性和有效性。

基于深度学习的图像超分辨率综述

随着时代的发展,图像逐渐取代文字和音频,成为人们认识世界的主要手段。同时,卫星遥感与医学影像分析等领域对于图像质量的要求越来越高,使得图像超分辨率成为研究的重点发展方向。首先,文章通过数学建模的方式建立了图像退化模型,根据模型分析了图像退化的原因和图像超分辨率的原理。随后,介绍了基于深度学习的单幅图像超分辨率的研究现状与优缺点,并阐述了多种主流深度学习模型在该任务上的应用。最后,基于深度学习应用现状,介绍了其未来的发展方向和应用前景。

基于深度学习算法的图像超分辨率重建研究

该文首先概述了基于深度学习算法的图像超分辨率内容,深入分析了基于多层次特征提取的图像超分辨率重建算法理论方法,并通过图像重建技术与软件设计探讨了算法应用实践过程。最后,针对当前图像超分辨率重建存在的问题提出了一系列改进策略,以期为探索基于深度学习算法的图像超分辨率重建技术在实际应用中的可行性和有效性,为图像处理领域的发展和应用提供新的思路和方法。

基于多尺度学习、特征映射网络的图像超分辨率重建研究

图像超分辨率的重建技术,是针对传统卷积神经网络重建(SRCNI)方法,存在的像素特征利用率低、高频细节恢复能力弱等问题,提出利用多尺度卷积核、特征映射网络,进行多图像像素递归学习、特征映射的重建执行方法。通过搜集低分辨率(LR)图像数据集、图像像素特征,基于SR图像超分辨率重建技术,使用1×1、3×3等尺度的卷积核,作出图像像素数据的降维处理、浅层特征提取、特征映射、特征信息融合等操作,并结合递归学习后的局部残差、全局残差特征反馈结果,将多尺度的低分辨率(LR)像素特征,映射到高分辨率(HR)像素特征空间,可得到特征融合后的、重建的超分辨率图像。

基于深度学习的交通标志图像超分辨率重建技术研究

本研究致力于基于深度学习的交通标志图像超分辨率重建技术,通过构建深度学习模型,实现对低分辨率交通标志图像的重建。优化模型结构和参数,提高重建图像的清晰度和准确性。实验结果表明,该技术能够显著增强交通标志的识别效果,为智能交通系统的应用提供了有力支持。本研究的成果不仅丰富了深度学习在图像处理领域的应用,也为交通标志的识别与检测提供了新的技术手段。