基于记忆单元与多尺度结构相似性的异常检测

针对基于记忆单元的自编码器模型(Dynamic Prototype Unit Model,DPU)在检测视频异常时没有充分利用多层次特征、未考虑异常与正常事件间的结构性差异的问题,提出融合多尺度记忆模块和多尺度结构相似性的异常检测模型.新模型构建了多尺度记忆模块(Multi Scale Memory Module),利用不同尺度空间的记忆单元对编码层特征进行编码,并将编码结果与解码层特征拼接,既能保留网络的浅层细节信息,又能促进正常模式的多样性.为了约束对正常事件中结构信息的学习,组合多尺度结构相似性(Multi Scale Structure Similarity Index,MS-SSIM)误差与误差作为目标函数,使预测视频中的事件结构更接近正常事件,提高视频中异常事件的预测误差.在标准数据集UCSD Ped1、UCSD Ped2和Avenue数据集上的实验结果表明,提出模型的帧级AUC比原模型分别提高了0.8%、3.4%和1.0%,帧率达到142.9 fps.

基于内在生成机制的多尺度结构相似性图像质量评价

该文针对多尺度结构相似性(Multiple-scale Structural SIMilarity,MSSIM)图像质量评价算法对图像信息不确定部分度量能力的不足,结合人类视觉系统(HVS),提出基于内在生成机制(internal generative mechanism)的i MSSIM算法。首先采用基于逐段式自回归(Piecewise Auto Regressive,PAR)模型的内在生成机制将失真图像和原始图像分解成采用MSSIM算法评分的图像内容预测部分和采用PSNR评分的图像信息不确定部分;然后采用均方误差(MSE)进行加权来联合这两部分评分获得最终结果。在基准数据库上完成的对比实验表明:该算法不仅在不同失真类型上性能最好,且在6个公开数据库上的性能优于现有算法。

各向异性多尺度自相似随机场与地形构建

在长期自然环境的作用下,实际的地形表面是一个各向异性、非线性的2维场,且地形的自相似特性在整个尺度空间上并非恒定的,而是与度量的尺度范围相关。由于传统的自相似随机场的构建方法并不能准确反映地形的实际特性,因此提出一种首先应用多尺度自相似随机场构建各向同性地形表面,然后引入表征各向异性的结构滤波器,再通过谱变换构建具有各向异性的多尺度自相似地形的方法。实验结果表明,该地形构建方法不仅能够反映实际地形的自相似性依尺度而变化的特点,而且能构建山脉的走向。

基于多尺度非局部约束的单幅图像超分辨率算法

多尺度结构自相似性是指图像中的大量物体具有相同尺度以及不同尺度相似结构的性质.本文提出了一种基于多尺度非局部约束的单幅图像超分辨率算法,结合多尺度非局部方法和多尺度字典学习方法将蕴含在图像多尺度自相似结构中的附加信息加入到重建图像中.多尺度非局部方法在图像金字塔的不同层中搜索相似图像块,并利用多尺度相似图像块间的关系建立非局部约束项,通过正则化约束获取多尺度自相似结构中的附加信息;多尺度字典学习方法将图像金字塔作为字典学习的样本,通过字典学习使样本中的多尺度相似图像块在字典下具有稀疏表示形式,从而获取多尺度自相似结构中的附加信息.实验表明,与ScSR、SISR、NLIBP、CSSS、ASDSAR和mSSIM等算法相比,本文的算法取得了更好的超分辨率重建效果.

水下图像的多尺度分数列维稳定运动模型

分析了水下散射图像的增量分布及自相似特性.针对传统分数布朗运动(FBM)模型存在的不足,基于分数列维稳定运动(FLSM)模型,将纹理表面的自相似指数看作依度量尺度而变化的变量,提出了一种新的多尺度分数列维稳定运动(MFLSM)模型,并将该模型扩展至二维用于对水下散射图像的仿真.仿真结果表明,该模型具有对纹理多尺度自相似性以及散斑纹理的表征能力.

基于改进生成对抗网络的图像风格迁移方法研究

为了解决传统GAN(Generative Adversarial Network)进行图像风格迁移受到成对数据集的限制,以及CycleGAN学习高级特征时表现不佳和训练过慢的问题,本文采用ModileNetV2-CycleGAN模型进行图像风格迁移,并引入多尺度结构相似性指数(multi-scale structural similarity,MS-SSIM)作为惩罚项保留风格图片的特征,来提高特征学习的效果,从而提高风格化图片质量。采用客观结构相似性SSIM与峰值信噪比PSNR和主观投票作为评估指标,对迁移后的效果进行评估,实验结果表明了本文改进算法的有效性。

有监督深度学习的地震资料提高分辨率处理方法

地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。

基于变分的多尺度遥感图像融合算法

全色图像与多光谱图像融合时,忽略了上采样的重要性和通道间细节的差异性.针对前者,利用不同尺度下自相似块,估计出低分辨率图像丢失信息,从而修改了图像上采样的策略,并以此构造目标函数的保真项;针对后者,利用全色图像和光谱图像梯度域结构相似性,提出局部加权动态稀疏约束,构造目标函数的正则项.本文基于变分法理论,构造了新的目标函数,并提出了多尺度迭代融合框架,通过多次迭代逐步提高融合图像的分辨率,每一层的融合结果更加准确,从而提高最终的融合精度.本文算法与Brovey等成分替代算法、P+XS等变分算法、MTF_GLP等多分辨分析算法进行比较.实验结果表明,本算法的融合结果具有良好的视觉效果,且在客观评价指标上比所有对比算法的最优值平均值均有提高.

基于DCGANs的半片光伏组件电致发光图像增强技术

针对半片光伏组件电致发光(electroluminescence,EL)缺陷自动识别过程中训练用样本不足导致模型过拟合的问题,采用深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGANs)生成可控制属性的半片光伏组件EL图像,再采用多尺度结构相似性(multiscale structural similarity,MS-SSIM)指标对生成的EL图像与拍摄的EL图像之间的相似程度进行了评估。评估结果得到,使用DCGANs生成的所有类型半片光伏组件的EL图像与拍摄的EL图像的MS-SSIM指标都大于0.55,大部分的MS-SSIM值在0.7附近。在分类模型的训练过程中,测试集准确率随着训练集中生成图像数量的增加而升高,当生成图像数量达到6 000张时,测试集准确率达到97.92%。实验结果表明,采用DCGANs能够生成高质量且可控制属性的半片光伏组件EL图像,较好地解决因缺少训练样本而导致的模型过拟合问题。

全参考图像质量指标评价分析

图像是人类从外界获取信息的重要来源,通过客观的图像质量评价,能帮助人们在浏览图像时关注高质量的图像,提升感观体验。因此,如何对大量的图像质量进行客观而有效的评价,已成为图像信息处理领域的研究热点之一。根据对参考图像(即无失真的原始图像)的依赖程度,客观图像评价方法可分为全参考图像质量评价、部分参考图像质量评价和无参考图像质量评价。针对全参考图像质量评价方法进行分析,比较了常见的4种全参考图像质量评价指标,验证了这些评价指标分数与主观视觉评估相一致。

基于改进的邻域嵌入算法的图像超分辨率研究

本文提出了一种基于改进的邻域嵌入算法的图像超分辨率重建方法,基本思路是同时利用低分辨率图像自身和外部训练集的信息指导高分辨率图像的重建.邻域嵌入算法往往要求训练图像库包含广泛的细节信息,重建质量取决于测试图像和训练图像的相似程度,当在图像库中找不到相似的训练图像块时,重建结果局部就会出现失真或模糊,而且在此过程中低分辨率测试图像本身所含的先验信息常被忽视.针对此类问题,本文引入图像的多尺度相似性,即不同尺度的图像所包含的局部结构相似,同时在寻找近邻图像块时采用双层寻找的方式,并将固定的邻域数目K改为设定固定阈值.实验结果表明,本算法不仅能够减小测试图像对训练图像集的依赖,而且能够克服重建过程中欠拟合和过拟合造成的失真,具有较快的运行速度.

基于地震资料有效信息约束的深度网络无监督噪声压制方法

地震资料处理是地震勘探中的关键环节,由于地下构造和地表条件的复杂性,地震资料的处理需要经过一系列复杂流程,从而形成多种不同类型的地震数据。不同种类的地震数据具有不同的数据特征,充分利用和发掘其中的数据特征,不仅可以充分发挥处理方法的技术潜力,消除各类非地质因素对地震资料处理质量的影响,同时可以增强地震资料处理的可靠性,改善地震资料的资料信噪比及分辨率,在复杂油气藏勘探开发中具有非常重要的基础作用。叠前地震成像道集(CRP)中的有效信号同相轴近似水平,叠后地震成像数据因为地层沉积的规律性,有效信号相比于随机噪声、成像画弧噪声等干扰具有规律、简单等特点。具体表现为CRP道集及叠后地震资料有效信号具有多尺度自相似性的特征,其高维Fourier(FK或FKK)域主要能量集中在低频、低波数区域。针对上述地震数据的特点,提出一种基于先验信息约束的深度网络地震资料无监督噪声压制方法。受到深度图像先验(DIP)的启发,神经网络的结构可以视为一种特殊的隐式先验信息,合理设计网络结构可以使得网络具有多尺度自相似性特征的提取能力。由于叠前地震成像道集数据和叠后地震成像数据有效信号的多尺度自相似性,而噪声不具备这一特性,因此,特定结构的网络可以从原始数据提取出有效信号,从而达到噪声压制的目的。叠前成像道集和叠后成像的实际数据随机噪声压制试验结果表明,本文方法具有良好的保真性与鲁棒性。此外,由于本文方法具有强大的特征提取能力,因此,对常规方法不易压制的弧状成像噪声也有良好的效果。

基于改进CycleGAN的光学图像迁移生成水下小目标合成孔径声纳图像算法研究

针对循环生成对抗网络CycleGAN(Cycle Generative Adversarial Networks)在光学图像迁移生成水下小目标合成孔径声纳图像过程中存在质量差和速度慢的问题,本文提出一种新的特征提取单元SDK(Selective Dilated Kernel),并利用SDK设计了一个新的生成器网络SDKNet.与此同时,提出了一种新的循环一致损失函数MS-CCLF(Multiscale Cyclic Consistent Loss Function),MS-CCLF增加了图像多尺度结构相似性约束.在自建的图像迁移数据集OPT-SAS上,本文SM-CycleGAN(Selective and Multiscale Cycle Generative Adversarial Networks)比原始CycleGAN的图像迁移质量提升4.64%,生成器网络参数降低4.13MB,运算时间减少0.143s.实验结果表明,SM-CycleGAN更适合水下小目标光学图像到合成孔径声纳图像的迁移任务.

基于改进CycleGAN的浑浊水体图像增强算法研究

针对循环生成对抗网络(Cycle Generative Adversarial Networks,CycleGAN)在浑浊水体图像增强中存在质量差和速度慢的问题,该文提出一种可扩展、可选择和轻量化的特征提取单元BSDK(Bottleneck Selective Dilated Kernel),并利用BSDK设计了一个新的生成器网络BSDKNet。与此同时,提出一种多尺度损失函数MLF(Multi-scale Loss Function)。在自建的浑浊水体图像增强数据集TC(Turbid and Clear)上,该文BM-CycleGAN比原始CycleGAN的精度提升3.27%,生成器网络参数降低4.15MB,运算时间减少0.107s。实验结果表明BMCycleGAN适合浑浊水体图像增强任务。

基于增强生成器条件生成对抗网络的单幅图像去雾

大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。

基于块旋转和清晰度的图像超分辨率重建算法

针对传统基于学习的超分辨率重建算法训练时间过长,且对训练库依赖性大的不足,提出一种结合块旋转和清晰度的超分辨率重建方法。该方法引入了一种新的分类机制。为增加训练样本块的多样性,但又不增加计算复杂度,将样本块进行一定角度的旋转,然后引入块清晰度(Sharpness Measure,SM)对训练样本进行分类。对于块清晰度较高的纹理、角以及边缘块,利用分类好的对应样本库进行自相似性重建,而清晰度较低的块,则直接使用插值放大进行重建。在搜索匹配过程中改用Fast Library for Approximate Nearest Neighbors(FLANN)替代传统的Approximate Nearest Neighbors(ANN)搜索,提高了重建效率。最终利用迭代反投影算法和局部约束进行优化。实验结果表明,该算法既可以较大幅度减少计算的复杂度,也能够获得较好的视觉效果。

考虑加入聚类过程的小容量分布式能源聚合方法

大量小容量分布式能源可为电网提供调度服务,但同时也会带来管理负担。为此,本文提出一种基于同构多面体近似的分布式能源聚合方法。首先,建立分布式能源的广义可行域模型,并通过求不同分布式能源之间的闵可夫斯基和来获得聚合商的可行域模型。然后,采用基于同构多面体近似的方法简化闵可夫斯基和的求解。最后,考虑在大量异质参数分布式能源聚合的情境下,进行适当的聚类操作,以提升整体的近似精度。实验结果验证了所提方法的有效性和优势。