一种基于结构相似度的杂波尺度

为定量研究光电场景杂波,提出了一种新的杂波尺度.首先建立目标结构特征空间,将背景矢量向之投影,通过衡量投影矢量的归一化长度评价背景与目标的相似度,实现对杂波的定量度量.与以往的杂波度量方法相比,该尺度通过强调空间分布特征,剥离灰度分布影响,有效抑制环境因素变化对杂波评估稳定性的影响,同时通过以目标作为参照物,降低对背景描述的要求,使对不同场景的杂波度量有很好的适应性.实验数据分析表明,该杂波尺度能较好地预测目标与背景在结构上的相似程度以及结构相似度随距离的变化关系.

基于多尺度结构相似度的印刷图像质量评价研究

目的为了简化印刷图像质量主观评价方法。方法提出基于多尺度结构相似度的印刷图像质量评价研究,将多尺度结构相似度应用在印刷图像质量评价上。结果实验仿真表明,多尺度结构相似度模型客观评价结果与主观评价结果的相关系数最高,为0.7698,表明两者是强相关关系。结论提出的基于多尺度结构相似度的印刷图像质量评价方法,是印刷图像质量评价的一种有效的新方法。

双尺度边缘结构相似度的图像质量评估

图像质量评价对于各种视频图像应用具有重要的意义。结构相似度准则SSIM在模糊图像及噪声污染的图像判定方面,存在偏差。该文提出了基于双尺度边缘结构特征的图像质量评价算法——MDESSIM,充分考虑了边缘信息在结构信息中的重要性,通过增加边缘结构的失真度量来综合评价图像质量。实验结果表明了MDESSIM算法的有效性。

基于结构相似度的多尺度局部社区发现算法

社会网络规模巨大且结构动态变化给传统社区发现算法带来了巨大挑战,局部社区算法通过种子节点进行扩展得到局部社区,较好解决了这些问题。结合节点结构相似度在传统社区定义的基础上提出了一种新的社区定义,在该定义基础上引入尺度因子并定义了结构模块度,基于该模块度提出了一种多尺度局部社区发现算法,并改进该算法使之应用到局部重叠社区发现。通过实验选择效果较好的节点结构相似度,在真实网络中和其他局部社区发现算法进行对比实验,结果表明该算法具有较好的性能。

基于结构化损失的单目深度估计算法研究

为了提高单目图像深度估计的精度,针对图像中几何形状无法准确预测以及边缘模糊的问题,该文提出了一种基于多尺度结构相似度和梯度匹配的单目深度估计算法,利用多尺度结构相似度损失和尺度不变梯度匹配损失组成联合结构化损失,对相对深度点对进行排序来实现单目深度估计,实现了对图像中几何形状的准确预测,减小了边缘模糊,提高了深度预测精度。在Ibims、NYUDv2、DIODE、Sintel 4个不同类型的数据集进行了数值实验和主观评测,结果表明该算法降低了深度预测误差,有效提高了预测的准确性,并具有一定的泛化性能。

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。

基于结构相似度的飞机油箱内窥图像配准方法

针对飞机油箱隔舱式的连通结构中遍布管、阀、桁条等部件,造成相邻图像匹配困难的问题,研究了一种基于结构相似度的图像配准方法,以解决飞机油箱内窥形貌全景图像拼接问题。该方法首先进行尺度不变特征变换(SIFT)特征点的检测和初匹配,并根据匹配特征点对间的几何特征关系进行初步筛选,然后基于结构相似度的计算找出关键匹配点对,求取最优单应矩阵的模型参数,从而实现飞机油箱内图像拼接。实验表明,该方法能够剔除明显的误匹配点对,增加飞机油箱内窥图像中不同平面结构上的内点,解决了特征点对误匹配、漏匹配的问题,配准效率和评价指标都有了明显的改善。

一种抗模糊失真的结构相似度图像质量评价法

针对人眼对不同图像纹理的敏感差异,提出了一种抗模糊失真的加权结构相似度(WSSIM)图像质量评价方法,它通过提取人眼敏感的边缘信息,将图像分割成不同区域,进行加权处理,获得加权结构相似度(WSSIM),解决了SSIM对于严重模糊图像的评价问题。在LIVE图库中的高斯模糊库(Gaussian_Blur)与PSNR,SSIM,多尺度结构相似度(MS_SSIM)进行仿真比较。实验结果表明,WSSIM模型计算简单,评价性能远远优于前两种方法而略优于MS_SSIM。

基于改进DFVDFF网络的变焦深度测量

针对差分聚焦体(DFV)与变焦深度测量(DFF)联合应用的网络(简称为DFVDFF)精度较低的问题,首先,将特征提取模块的网络结构替换为UNet++,并在深度信息提取模块内增加注意力机制,通过关注重要的特征并融合深层特征和浅层特征提升网络预测的精度;然后,针对DFVDFF生成的深度图纹理边界模糊的问题,使用结构相似度和平滑平均绝对误差融合的损失函数替换原有的平滑平均绝对误差损失函数,通过提升损失函数对纹理边界的敏感程度引导网络生成更清晰的边界。实验结果表明,改进后的网络在有噪声的DDFF-12数据集上,相较于原始DFVDFF网络,均方误差下降了7.40%;在无噪声的FoD500数据集上,相较于原始DFVDFF网络,均方误差下降了19.07%。并且,改进后的网络在两个数据集上生成的深度图比DFVDFF网络生成的深度图具有更清晰的纹理边界。

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。

基于小波变换的多尺度SSIM算法

提出一种基于小波变换的多尺度结构相似度的图像质量评价(WWMS-SSIM)算法。首先对原始图像和失真图像分别进行小波变换,在对应的低频子带图像中比较亮度和相关度差异,在对应高频子带图像中比较对比度、相关度和结构差异,然后赋予不同子带图像不同的视觉加权值,最后得到归一化的图像质量评价值。通过对不同失真类型图像以及Live数据库图像的评价,证明了提出的算法(WWMS-SSIM)相对均方误差、峰值信噪比、结构相似度以及改进的结构相似度评价算法更符合人类的主观视觉感受。

基于多尺度边缘结构相似性的图像质量评价

基于结构相似度(SSIM)的图像质量评价方法是从视觉区域提取图像的结构性信息,但在评价模糊较严重的图像时存在其局限性,因此本文将图像边缘和SSIM相结合,提出了基于多尺度边缘结构相似度(MESS)的图像质量评价方法。实验结果表明,由于MESS考虑了边缘信息对于人眼感知结构信息的重要性,评价结果比SSIM更加符合人眼视觉感知特性。

结合结构相似度的自适应多尺度SAR图像变化检测

目的结合高斯核函数特有的性质,提出一种基于结构相似度的自适应多尺度SAR图像变化检测算法。方法本文提出的算法包括差异图像获取、高斯多尺度分解、基于结构相似性的最优尺度选择、特征矢量构造以及模糊C均值分类。首先,通过对多时相SAR图像进行对数比运算获取差异图像,然后,利用基于图像的结构相似度估计高斯多尺度变换的最优尺度,继而在该最优尺度参数下逐像素构建变化检测特征矢量,最后通过模糊c均值聚类方法实现变化像素与未变化像素的分离,生成最终的变化检测结果图。结果在两组真实的SAR图像数据上测试本文算法,正确检测率分别达到0.9952和0.9623,Kappa系数分别为0.8200和0.8540,相比传统算法有了较大的提高。结论本文算法充分利用了尺度信息,对噪声的鲁棒性有所提高。实测SAR数据的实验结果表明,本文算法可以智能获取最优分解尺度,显著提高了SAR图像变化检测性能。

基于改进颜色自相似特征的行人检测方法

近年来多尺度行人检测在计算机视觉领域受到广泛关注。传统方法需对图像缩放,在不同尺度计算特征,大大降低了行人检测的速度。颜色自相似特征(CSSF)被提出以克服此不足。针对颜色自相似度特征具有维度高和分类器训练时间长等问题,提出一种改进的颜色自相似度特征。改进的颜色自相似度特征结合行人结构相似度,首先定义了固定尺寸的窗口,然后在不同的颜色空间滑动固定大小的窗口进行特征提取,最后结合自适应增强(AdaBoost)算法构建行人检测分类器。实验结果显示:相对于传统颜色自相似度特征的千万级维度,新的特征只有几千维,特征提取速度和分类器训练速度显著提高,检测效果略有下降;与梯度方向直方图特征(HOG)相比,特征提取速度提高5倍,检测效果基本不变,新的方法在实时行人检测和监控系统中有很好的应用价值。

基于广泛激活深度残差网络的图像超分辨率重建

为了得到更好的图像评价指标,均方误差损失是大多数现有的与深度学习方法结合的图像超分辨率技术都在使用的目标优化函数,但大多数算法构建出来的图像因严重丢失高频信息和模糊的纹理边缘而不能达到视觉感受的需求。针对上述问题,本文提出融合感知损失的广泛激活的非常深的残差网络的超分辨率模型,通过引入感知损失、对抗损失,并结合平均绝对误差组成新的损失函数,通过调整不同损失项的权重对损失函数进行优化,提高了对低分率图像的特征重构能力,高度还原图像缺失的高频信息。本文选取峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似度(structural similarity,SSIM)两个国际公认的评判指标作为客观评判标准,更换数据集进行实验分析、结果对比,在主观视觉上直观观察效果,结果从不同角度证明本文方法性能较对比模型有所提升,证明了引入感知损失后,模型更好地构建了低分辨率图的纹理细节,可以获得更好的视觉体验。

基于显著性区域检测的多尺度图像盲复原算法

针对大多数基于先验的盲图像去模糊算法耗时较长和显著边缘结构提取不理想的问题,提出一种基于显著性区域检测的多尺度图像盲复原算法。为了复原出更加清晰的图像,采用由粗略到精细的多尺度交替迭代框架构建图像金字塔。在图像单一尺度方面,首先提取出图像中具有强边缘结构的显著性区域,并对其施加l_(0)范数约束,提出显著映射先验;将显著性映射先验和最大后验概率相结合并引入传统图像去模糊模型中,构造出点扩散函数估算模型,利用半二次分裂算法解决模型的非凸问题;对点扩散函数进行复原时,利用点扩散函数相似度的变化量限制每个尺度中的过渡迭代;对模糊图像和最终估计的点扩散函数进行非盲解卷积,获得复原图像。实验结果表明:与现有的主流去模糊算法相比,新算法在合成数据集和真实数据集中都可以有效抑制振铃和伪影现象,得到了很好的视觉体验,且评价指标均优于对比算法,同时大大缩减了复原时间。

采用非采样Contourlet变换与区域分类的红外和可见光图像融合

提出基于多尺度变换和区域相结合的红外与可见光图像融合方法,用于有效保留红外图像与可见光图像中的空间信息及热目标信息,提升融合图像的可观测性和可理解性。首先,基于非采样Contourlet变换(NSCT)方法对红外和可见光图像进行初步融合,采用基于局部能量的规则融合低通子带系数,根据尺度内各方向子带的相关性原则融合带通方向子带系数。然后,计算初次融合后所得的融合图像与源图像的结构相似性(SSIM),根据源图像与初次融合图像的结构相似程度对图像进行区域分类,得到相似区域分类标识图。最后,依据区域内各自的相似度特性,分别采用不同的融合策略进行二次融合,从而得到最终的融合结果。实验结果表明:该方法能够充分提取源图像的区域特征和纹理特征,融合结果在主观和客观评价上均优于目前流行的融合方法。与仅使用NSCT法进行融合相比,实验所采用的两组图像的质量评价指标分别提高了16%、85%、54%、36%和18%、102%、84%、41%。表明该方法在主客观评价上均优于双树复杂小波变换(DTCWT)、NSCT、冗余离散小波变换(RDWT)等方法。

超分辨重建图像质量评价算法

超分辨率图像重建技术可以提高图像分辨率,但是通常会给图像带来相应的尺寸变化,如何评价质量提升是个难题。目前常用的图像质量评价算法很少涉及图像的尺寸变化。基于结构相似度(SSIM)和尺度空间理论(SIFT),提出了一种针对超分辨率重建图像的弱参考质量评价算法,算法将SSIM与SIFT融合,能够适用图像尺寸的变化。通过仿真和实验证明了该算法的有效性。实验结果表明,该算法能够很好地适应图像尺寸的变化,可以客观地评价超分辨重建图像质量的好坏。

基于支持向量回归的无参考MS-SSIM视频质量评价模型

多尺度结构相似度(multi-scale structural similarity,MS-SSIM)是一种常用的全参考视频质量评价准则,由于评价时需要原始视频作为参考,因此无法用于实时的网络视频质量评价中,故提出一种基于H. 264码流的无参考MS-SSIM视频质量评价模型.该模型从H. 264码流中提取出I帧和P帧的编码模式、运动矢量等参数,然后对这些参数进行统计分析,来表征视频的纹理丰富程度和运动剧烈与复杂程度;结合量化参数等信息构成码流特征参数集,使用支持向量回归(support vector regression,SVR)方法建立码流特征参数和MS-SSIM之间的映射关系模型,用于预测H. 264码流的MS-SSIM视频质量度量.该模型只使用从H. 264码流中提取的编码参数,无须原始的参考视频,也无须对视频进行解码.与现有的无参考码流预测模型相比,该模型可以获得更高的预测精度.

焊缝X射线探伤图像自动搭接检测方法

针对焊缝探伤图像造假的现象在工程中比较普遍,而目前主要通过人工读片方式进行检查,检查效率低下、容易漏检。提出了一种基于图像处理的方法对焊缝的搭接区域进行自动定位、分割和比对,建立了焊缝探伤图像搭接自动检测系统,检测是否存在焊缝图像造假的现象。基于拉东变换找到搭接定位标记,从焊缝图像中切割出搭接区图像,采用尺度不变特征变换算法进行搭接匹配,计算两个搭接区图像的结构相似度。最后根据SIFT关键点的匹配点数和结构相似度判断两个搭接区图像是否匹配。实验结果表明,该方法的焊缝图像搭接自动检测准确率达到87.3%。