基于形心的二值图像多尺度表示方法

首先提出了一种新的二值图像多尺度表示方法.该方法针对人的视觉特点,从图像内物体的形心出发,通过建立局部坐标系,将图像内各物体在各自坐标系下进行较为"紧密"的收缩变换.该方法有别于以往方法,能保持源图像的对称性,并且具有形状乃至拓扑的基本保持.其次,本文又提出了图像多尺度表示的优化方案,该方案可看成评判图像表示优劣的准则,也可作为图像多尺度表示的数学描述.

基于形心的灰度图像多尺度表示方法

图像的多尺度表示在多种领域有着重要应用.基于形心的多尺度表示方法能有效应用于二值图像.作者提出了应用于灰度图像的基于形心的多尺度表示方法.同样,该方法能保持源图像的对称性,并且具有形状乃至拓扑的基本保持.其次,还提出了将灰度图像转为三维二值图像进行多尺度表示的方法.实例表明,以上方法在多种领域均能有效应用于灰度图像的多尺度表示.

移动GIS多尺度表示技术的软件结构设计

提出了一种基于设计模式的多尺度表示框架,该框架集成了现有的基于空间索引技术的多尺度表示算法,它作为中间层衔接了移动GIS应用和空间数据访问。BRIDGE、STRATEGY和VISITOR三个设计模式的有机结合构成了框架的核心,其中,BRIDGE模式在上层GIS应用与底层GIS SDK之间起到了桥接的作用,STRATEGY模式以统一的接口抽象了不同的多尺度算法,VISITOR模式提供了方便扩展访问底层数据的能力。因此,基于该框架的移动GIS应用能够很容易的扩展到以多尺度表示的方式处理海量的数据集。将该多尺度表示框架集成至移动GIS平台上的土地利用调查软件,实际运行结果表明相对于单一尺度的表示方法,该框架的在处理大容量数据集方面表现出良好的性能。

基于不规则二阶树的多尺度表示和多尺度建模

多数现象或过程具有Markov性,对在不同尺度上拥有对同一目标进行观测的多传感器系统,利用Markov过程的条件独立性,提出了不规则树的新概念,建立了动态过程基于不规则二阶树的多尺度表示方法,给出了确定多尺度模型中各种参数的具体步骤,并通过计算机仿真实验验证了所建立的动态过程基于不规则树的多尺度表示方法和多尺度模型的有效性与实用性.

二值和灰度图像的直接多尺度表示算法

图像多尺度表示是图像处理的重要内容.常规的离散处理方法常依赖于坐标或网格的选取,因此处理结果很不稳定.本文提出了不依赖网格划分方法、不依赖坐标选取方式的快速、直接多尺度表示算法.应用该算法可直接得到任意指定一层(指定尺度)的图像,因而没有大多数算法因为逐层计算所带来的误差传播或误差扩散现象,同时该算法因保持处理前后图像的“整体”相似,因而能最大限度地体现形状保持乃至拓扑保持.算法计算非常简单,且不局限于特定类型的图像,可用于高要求的图像处理领域.

基于非线性多尺度表示的脑电消噪方法

为了有效地从混有噪声的非平稳、非线性、低信噪比的脑电信号中抽取出有用信息,提出了一种新的基于非线性多尺度表示的脑电信号消噪方法。首先检测出脑电信号奇异点的位置,其次在跳跃奇异点的附近区间采用多项式单元平均插值构成的非线性预测算子,而在其他区间采用线性预测算子,对脑电信号进行非线性多尺度表示,然后在各个尺度上对变换系数进行阈值处理,重构处理后的系数得到去噪后的脑电信号。采用仿真数据和实际脑电数据BCI Competition Ⅳ dataset 1对所提方法进行实验测试,并与其他现有方法进行比较分析。实验结果表明,所提方法的消噪效果优于Garrote阈值、小波硬阈值、软阈值、自适应阈值,具备一定的实用性,可用于脑-机接口系统中脑电信号消噪。

FMLED:细粒度级多尺度特征表示的轻量级边缘检测方法

针对现有基于深度学习的轻量级边缘检测方法存在检测效果不佳的问题,本文提出一种细粒度级多尺度特征表示的轻量级边缘检测方法——FMLED.首先,以细粒度方式提取图像多尺度特征,得到更细致并具有全局性的特征图;其次,对特征图进行上采样,得到不同阶段的中间边缘图;最后,使用学习滤波器为每个像素分配不同权重并融合中间边缘图特征,使生成的边缘更加清晰准确.本文方法可用于任何边缘检测任务,而无需进行预训练或微调;并以较小的模型复杂度产生优质边缘.在BIPED、BSDS500和NYUD 3个数据集上的实验结果表明,FMLED框架在不增加计算负载的情况下,可以得到更高质量的边缘.

一种基于多尺度表示的二值图像细化算法

在给出二值图像多尺度表示方法的基础之上，提出一种基于多尺度表示的细化算法。与目前已有的算法相比较，它的计算量小、抗噪性能好、便于硬件实现。实验结果表明，该算法很好地克服了传统细化算法的不足，为处理受强噪声污染的二值图像提供了一个新的思路。

基于多尺度稀疏表示的图像融合方法

针对目前基于稀疏表示的常用图像融合算法计算复杂度高以及忽略图像局部特征的问题,提出多尺度稀疏表示(multi-scale sparse representation,MSR)的图像融合方法。充分利用小波多尺度分析较好突出图像局部特征的特点,将其和过完备稀疏表示有效结合;待融合图像在小波解析域中进行小波多层分解,对每个尺度的特征运用K-SVD(kernel singular value decomposition)多尺度字典进行OMP(orthogonal matching pursuit)稀疏编码,并在小波域中各个尺度中进行融合。实验结果表明,与传统的小波变换、轮廓波变换、稀疏表示融合算法相比,该算法更能保证图像局部特征的完整性,实现更好的性能。

基于多尺度特征表示的城市道路检测

基于图像的车辆周边场景分析是近来车辆主动安全的热门研究方向,但对于复杂路况的道路识别目前依然是一个难题。该文提出一种适用于城市复杂道路场景的单目视觉路面识别算法。该方法结合多尺度的稀疏编码,在大尺度上利用道路的局部纹理信息,在较小尺度,特别是中等尺度上利用空间上下文信息,对车辆的可行驶区域进行识别。实验表明,该方法提高了道路与周边环境中相似纹理的区分能力;在铺设良好的结构化道路,或者车道线、路界缺失,光照复杂的道路场景中,该方法都取得了较好的检测结果。

多尺度稀疏表示的Contourlet域图像去噪

提出了Contourlet域多尺度稀疏表示的自适应阈值图像去噪算法.首先,在分析了Contourlet域多尺度图像稀疏表示的基础上,提出了Contourlet域自适应阈值去噪算法;其次,详细地讨论了该算法选择不同的Contourlet域参数对图像去噪性能的影响,并比较了在等同的条件下Contourlet域与Wavelet域的去噪效果.实验结果表明,本文算法以及选择合适的Contourlet域参数进行图像去噪能有效地抑制图像噪声、保留边缘和轮廓信息.

用于SAR遥感图像车辆型谱级识别的高阶特征表示多尺度残差卷积网络

合成孔径雷达(Synthetic Aperture Radar,SAR)对地观测具有覆盖面积广、多极化、多分辨率、全天时全天候观测的特点,被广泛应用于智能化监测系统。随着SAR遥感图像分辨率的提升,目标型谱级识别成为了一项挑战。本文使用聚束成像模式下10种型号车辆的0.3 m分辨率、HH极化、多方位角的观测数据,针对型号类间差异小而导致的传统分类算法性能较差的问题,提出了多尺度特征提取残差结构,并结合高阶特征表示提升了深度卷积网络的分类性能,实现了高精度的SAR遥感图像车辆型谱级识别。所提出的方法在公开的MSTAR数据集上开展了详细的实验验证,结果表明本文提出的方法优于现有的智能化分类算法,对10种型号车辆目标识别的总体精度(Overall Accuracy,OA)达到了99.88%。

一种基于小波多尺度边缘表示的图像滤波方法

该文首先介绍了信号小波变换的模极大值点和过零点的特性以及信号的多尺度边缘表示方法，然后介绍了一种在尺度空间基于小波多尺度边缘表示的图像非线性滤波方法。实验结果表明，这种滤波方法能取得令人满意的结果。

基于局部结构的多尺度协作表示人脸识别算法

人脸识别在实际应用中,往往存在无法获取足够多的训练样本的情况,而在小样本情况下,协作表示的识别性能会受到严重影响。多尺度块协作表示算法能有效集成不同尺度下的分类结果,但其分类框架中子块的计算是相互独立的,忽略了块之间的结构关系。而局部结构法将图像划分为多个局部区域,每个局部区域的重叠块分布在相同的线性子空间中,该子空间可以反应块之间的结构关系,能提高多尺度块协作表示在小样本下的鲁棒性。因此提出了基于局部结构的多尺度块协同表示算法(Local Structure based Multi-Patch Collaborative Representation,LS_MPCRC),在Yale B和AR人脸库上的实验结果证明,该算法在训练样本数目较少时具有优秀的识别性能。

基于时序多尺度互补特征的视频行人重识别

视频行人重识别在监控场景中起着非常重要的作用.但是,大多数现有方法没有充分利用行人视频序列的时空信息.具体来说,这些方法以相同的分辨率和网络结构处理每一帧图像,造成连续帧特征的高度相似.此外,现有方法通常通过引入各种复杂的操作提高精度,过多的计算开销使其不利于真实场景的部署.针对上述问题,本文提出了一个时序多尺度互补网络,旨在高效地为视频的连续帧提取互补的特征.具体来说,时序多尺度互补网络包含多个具有不同输入分辨率的分支.其中,高分辨率分支处理原始分辨率帧,用于保留行人的细节线索;低分辨率分支处理以不同降采样率得到的低分辨率帧,用于捕捉更全局的行人信息.通过将连续帧输入到不同分支中,连续帧能关注不同粒度的空间区域,生成互补的特征.进一步,设计了一个多分支批量归一化层,保证了训练时分支之间的互补性.最后,提出一个跨分支融合模块,将低分辨率分支的全局信息逐步传播到高分辨分支中,得到一个融合了多尺度全局粗粒度和局部细粒度互补信息的特征.在iLIDS-VID,MARS和LS-VID三个数据集上的实验显示,本文提出的方法达到了比目前最好方法更好的性能,例如,在LS-VID上提升了4.5%mAP和3.1%top-1精度,证明了该方法的有效性.此外,通过降低输入帧的分辨率和使用更小的网络处理低分辨率帧,本文方法大幅度降低了计算开销,仅需要大多数现有方法约35%的计算开销.

基于多尺度稀疏表示分割肾上腺肿瘤CT图像

肾上腺肿瘤的形状和肿瘤内统计信息是两个主要的临床诊断依据.本文提出了一种基于多尺度稀疏表示的肾上腺肿瘤自动分割方法.首先,利用多尺度稀疏表示和区域生长方法获取肿瘤初始轮廓.随后利用基于局部区域的水平集方法完成对肿瘤的分割.本方法与传统的手工勾勒初始轮廓、单字典自动获取初始轮廓,再用同样的水平集分割这两种方法比较.实验表明本方法分割结果更为准确.该方法提高了肾上腺肿瘤分割的自动化程度,可以为医生获取诊断信息提供更加便利的手段.

基于深监督跨尺度注意力网络的深度图像超分辨率重建

消费级深度相机拍摄的深度图像具有分辨率较低的问题,深度图像超分辨率重建是解决该问题的有效方法 .为了提高重建性能,提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大,在损失函数中对每一级的输出都进行约束,实现深监督的目的 .采用高阶跨尺度注意力模块,将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来,实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素,以提高网络对复杂非线性关系的学习能力.实验结果表明,本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.

空间数据的多尺度特征与自动综合

尺度是地理现象、地理数据所共有的重要特征之一。就地理现象的多尺度描述和数据的多尺度特征进行了简要的分析,介绍了GIS中空间数据多尺度特征的表示方法,并对空间数据自动综合的理论、方法问题进行了探讨。

一类随机动态过程基于q阶树的多尺度建模方法

利用多尺度随机模型能建立处理问题有效并行算法的这一优势,提出一类随机动态过程基于一般q阶树的多尺度建模方法。首先,利用Markov过程的条件独立性给出一类过程基于q阶树的多尺度表示方法;其次,基于q阶树多尺度表示和具体实例推导出多尺度模型中的状态转移矩阵、扰动阵、初始状态和相应的协方差矩阵等的具体形式,为具有Markov统计特性的过程或信号建立起多尺度随机模型,这将为有效地解决多源同类信息和多源异类信息的数据融合等实际问题提供了理论基础;最后,给出一类Gauss-Markov过程基于三阶树和五阶树多尺度表示的计算机仿真结果,进一步验证建立模型的实用性和有效性。

多尺度自路由胶囊网络的构建方法

胶囊网络(capsule network,CapsNet)是近些年新提出的一种网络模型.相比于传统卷积神经网络,胶囊网络能有效编码不同特征的空间位置关系,但是其特征提取模块难以捕捉不同尺度的特征信息.为了进一步提升CapsNet的性能,提出了一种多尺度自路由胶囊网络(multi-scale self-routing capsule network,MSSR-CapsNet).首先利用多分支结构改进CapsNet胶囊的生成过程,增加模型多尺度特征提取能力;然后提出了一种胶囊注意力机制,选择性筛选出重要的低级特征;最后在SVHN、CIFAR-10和CIFAR-100数据集上对MSSR-CapsNet进行实验,分类准确率分别为97.46%、91.22%和63.84%.此外,实验结果也验证了改进方法的高效性,有助于提升模型的性能.