基于本征图像分解的焊缝提取算法

基于被动式视觉传感器的焊缝提取算法受自然光照等条件的制约,发展较为缓慢。针对这一问题,提出了一种基于本征图像分解的焊缝提取算法。首先,通过预处理抑制原始焊缝图像中的噪声;其次,基于梯度稀疏先验,将预处理图像分解为前景图层和背景图层,其中,前景图层仅包含图像边缘等结构信息,背景图层中则包含光照等平滑信息;最后,对前景图层进行Gamma变换,增强焊缝区域特征,削弱光照条件对算法的影响。试验结果表明,该算法满足检测的准确度和实时性要求,达到了辅助爬壁机器人定位焊缝位置的目的。

本征图像分解的稀疏表示彩色图像去噪算法

为解决传统彩色图像去噪算法容易出现细节模糊、伪色彩及去噪效果不佳等问题,文中提出了一种基于本征图像分解的稀疏表示彩色图像去噪算法。利用本征图像分解良好的色彩保持和细节恢复等优点,将含噪彩色图像分解成反映图像真实颜色特征的反射率部分和反映图像亮度特征的光照率部分。一方面,反射率部分仅含有部分孤立噪声点且是具有分段平滑特性的彩色图像,因此文中采用在去除彩色图像轻度污染方面表现良好的基于稀疏表示的彩色图像去噪算法对其进行处理。另一方面,光照率部分包含了主要噪声成分且是具有较强稀疏性的灰度图像,因此文中采用能够保持图像细节的非局部集中稀疏表示灰度图像去噪算法对其进行处理。为了有效地求解所提算法,文中结合正交匹配追踪法和软阈值法设计了一种新的数值解法。数值实验结果表明,新算法明显优于经典的彩色图像去噪算法。以256×256的Boat图像为例,在噪声方差等于20时,新算法的PSNR值比K-SVD算法和NCSR算法分别提高了1.7 dB和0.67 dB,SSIM值比K-SVD方法和NCSR算法分别提高了0.11和0.09。文中所提算法在提高彩色图像去噪效果的同时能够有效地保留图像细节,在视觉效果和客观评价指标等方面均优于传统的ROF算法、K-SVD算法和NCSR算法。

单幅RGB-D图像本征图像交互分解算法

为使分解结果可保留光照的空间变化性,获取较为准确的本征图像分解结果,提出一种单幅RGB-D图像本征图像交互分解算法.首先提出了一个包含远距离光照项、近距离光照项和材质项3个本征属性部分的本征图像模型,以模拟光照的空间变化性;之后利用球面调和函数估计场景远距离光源分布,为提高分解的准确性,将恢复的光照分布作为先验约束,设计能量函数求解远距离光照项;最后通过用户交互指定部分材质相同但光照条件不同的像素,并设计算法将用户交互约束传递至全图,从而实现对于场景材质图像及近距离光照图像的求解.实验结果证明,该算法是有效的.

基于深度残差生成对抗网络的本征图像分解算法

针对现有方法分解质量不佳、特征信息不够清晰的问题,提出一种基于深度残差生成对抗网络的本征图像分解算法,用于将单个图像本征分解为反照率和阴影分量。该算法是基于一个全卷积神经网络。通过引入残差块的单个端到端深序列以及两个经过对抗训练的判别器形成了对图像敏感的感知动机度量网络,在不需要任何物理先验和几何信息前提下,实现了单幅图像本征分解。实验结果表明,相对于其他算法,该方法具有更优的性能,而且获得对尺度敏感的反照率。

彩色图像中的本征图像的抽取

光源的位置和颜色影响到景物在摄像机中的成像,高光(highlight)的出现使一般的分割算法得不到理想的分割结果。文中根据二色反射模型(Dich-romatic Reflectioa Model),将图像分解成两个本征图像(intrinsic image)——本色图像(matte image)和高光图像(highlight image)。本色图像是去掉高光后的图像,反映了景物本身的不变性,不受外部因素(如光源的位置和颜色)的影响。而高光图像是只含有高光的图像,反映了外部因素的影响,有助于确定物体的形状。文中的彩色图像是指单一颜色光照(非单一波长的光照)下的单色物体在彩色CCD 摄像机中成的像。

基于反射模型的本征图像分解

针对传统本征图像分解无法获取完整的解决方案的问题。该文提出一种基于深度的图像本征分解方法,首先,采用迭代法进行镜面高光分解以获取镜面反射明暗图,并且计算图像中光照的颜色和色度,然后结合深度信息和光源位置进行漫反射分解,从而得到漫反射色明暗图和反射率图,进而完成本征图像分解。实验结果表明,与相关工作相比较,该方法能够比较彻底地对图像地进行分解,分解所得的反射率效果图像更为令人满意。

基于卷积神经网络的本征图像分解的实现

卷积神经网络(CNN)是目前深度学习中对于图像特征提取效果较好的神经网络。大数据时代所带来的海量数据,也为卷积神经网络带来了更加丰富的图像数据,使其获得的特征信息更加准确。本文基于卷积神经网络和计算机视觉与相关理论,采用深度学习,依托海量的图像数据集,给出并实现了基于卷积神经网络进行本征图像分解的方法。首先对利用深度学习进行本征图像分解的工作进行了分析,利用多尺度卷积神经网络,实现了原图直接到本征图的分解过程。

基于本征图像滤波处理可见光图像的方法

在可见光图像处理领域,为了进一步改善频域滤波法去除噪声的能力,提出了本征图像滤波法去除图像噪声的方法.以经典SVD算法为研究对象,首先探讨了奇异值重构维数的选取方法,然后分别对高斯噪声和椒盐噪声污染的图像进行去噪,验证不同重构维数的去噪效果,最后以S_(NR)和P_(SNR)为参数作出评价.结果表明,重构时,过小的维数不能恢复原始图像,过大的维数则会引入更多的噪声,只有恰当的维数才能达到理想效果.相比椒盐噪声,处理高斯噪声所得P_(SNR)值和S_(NR)值更高,表明本征图像滤波法更擅长处理高斯噪声.

基于本征图像分解的高光谱图像空谱联合分类

高光谱图像分类是许多应用的第一步,也是极其重要的一步。针对目前分类方法存在误分现象,尤其是在地物边缘附近区域,以及现有空谱联合分类方法计算复杂度高的问题,提出一种基于本征图像分解以及导向滤波的高光谱图像空谱联合分类方法:利用AP聚类进行波段选择,提高计算效率;利用基于局部稀疏约束的本征图像分解方法进行高光谱本征图像分解,获取反射率本征图;利用导向滤波器对初始分类结果进行优化。实验结果表明:文章提出的空谱联合分类方法在分类精度与计算时间方面优势明显。

本征图像分解的可变尺度局部分析与集成方法

针对自然图像与磁共振图像,提出本征图像分解的统一的数学模型与算法,解决这两类图像中的重要问题:1)自然图像的光照和反射图像的估计,2)磁共振图像中的偏移场估计与分割.文中数学模型只需要一个基本的假设,即观察到的图像可近似为两个具有不同特性的本征图像的乘积:一个光滑的图像,简称为S-图像;一个近似为分片常量的图像,简称为L-图像.为了充分利用本征图像的特性,提出可变尺度局部分析与集成的方法.由于S-图像的光滑性,使用低阶泰勒展开式或更一般的光滑基函数的线性组合以局部逼近.得到的局部光滑逼近可通过整个感兴趣区域(ROI)的局部区域覆盖及其对应的单位分解扩展成整个ROI上的光滑图像,同时得到图像分割结果和L-图像.实验表明,文中方法对图像的两个本征因子的假设较弱,适用于更广泛的图像.目前方法已在磁共振图像及自然图像中进行测试,得到较优结果.

基于本征图像滤波的可见光图像处理方法

在可见光图像处理领域中,为了进一步改善频域滤波法去除噪声的能力,提出了本征图像滤波法去除图像噪声的方法.以经典SVD算法为例,首先探讨了奇异值重构维数的选取方法,然后分别对高斯噪声和椒盐噪声污染的图像进行去噪,验证不同重构维数的去噪效果,最后以PSNR和SNR为参数进行评价.结果表明,重构时,过小的维数不能恢复原始图像,过大的维数则会引入更多的噪声,只有恰当的维数才能达到理想效果.相比椒盐噪声,处理高斯噪声所得PSNR值和SNR值更高,表明本征图像滤波法更擅长处理高斯噪声.

交互式室外复杂光照条件下的本征图像分解

本征图像分解分解是将一张图片分解成本征图和光照图的过程。虽然本征图像分解已经经过几十年的研究,但是如何快速且准确地分解出两张图片仍然是一个艰难过程,仍然有很大的研究意义,尤其是复杂场景下的本征分解。室外的场景由于光照条件的多变、阴影、高光反射,等等,室外的本征分解极具挑战。本文提出在室外复杂场景下的本征分解。在手工交互的方式指导下,引入大气散射模型对光照图进行约束,然后进行分解,最终得到更好的效果。因为缺少真实场景的本征图像分解Ground Truth数据库,所以本文主要是在视觉效果方面进行实验结果评估。

面向本征图像分解的高质量渲染数据集与非局部卷积网络

目的本征图像分解是计算视觉和图形学领域的一个基本问题,旨在将图像中场景的纹理和光照成分分离开来。基于深度学习的本征图像分解方法受限于现有的数据集,存在分解结果过度平滑、在真实数据泛化能力较差等问题。方法首先设计基于图卷积的模块,显式地考虑图像中的非局部信息。同时,为了使训练的网络可以处理更复杂的光照情况,渲染了高质量的合成数据集。此外,引入了一个基于神经网络的反照率图像优化模块,提升获得的反照率图像的局部平滑性。结果将不同方法在所提的数据集上训练,相比之前合成数据集CGIntrinsics进行训练的结果,在IIW(intrinsic images in the wild)测试数据集的平均WHDR(weighted human disagreement rate)降低了7.29%,在SAW(shading annotations in the wild)测试集的AP(average precision)指标上提升了2.74%。同时,所提出的基于图卷积的神经网络,在IIW、SAW数据集上均取得了较好的结果,在视觉结果上显著优于此前的方法。此外,利用本文算法得到的本征结果,在重光照、纹理编辑和光照编辑等图像编辑任务上,取得了更优的结果。结论所提出的数据集质量更高,有利于基于神经网络的本征分解模型的训练。同时,提出的本征分解模型由于显式地结合了非局部先验,得到了更优的本征分解结果,并通过一系列应用任务进一步验证了结果。

基于深度学习的图像本征属性预测方法综述

真实世界的外观主要取决于场景内对象的几何形状、表面材质及光照的方向和强度等图像的本征属性。通过二维图像预测本征属性是计算机视觉和图形学中的经典问题,对于图像三维重建、增强现实等应用具有重要意义。然而二维图像的本征属性预测是一个高维的、不适定的逆向问题,通过传统算法无法得到理想结果。针对近年来随着深度学习在二维图像处理各个方面的应用,出现的大量利用深度学习对图像本征属性进行预测的研究成果,首先介绍了基于深度学习的图像本征属性预测算法框架,分析了以获得场景反射率和阴影图为主的本征图像预测、以获得图像中材质BRDF参数为主的本征属性预测及以获得图像光照相关信息为主的本征属性预测3个方向的国内外研究进展并总结了各自方法的优缺点,最后指出了图像本征属性预测的研究趋势和重点。

基于自动子空间划分的高光谱本征图像分解

受传感器状态、成像机理、气候、光照等条件的影响,高光谱遥感图像存在严重的畸变和失真。本征图像分解是计算机视觉及图形学领域广泛应用的图像处理技术,采用该技术能够获得图像的本质特征。本研究将本征图像分解引入到高光谱图像处理中对原始图像进行本征图像分解。提出了一种基于自动子空间划分的高光谱本征图像分解方法。首先对高光谱图像进行子空间划分,再对每个子空间应用基于最优化的本征图像分解方法进行分解,然后对分解得到的反射率本征图像进行高光谱图像分类处理。实验结果表明:基于自动子空间划分的高光谱本征图像分解能够在较大程度上提高高光谱图像的分类精度。

基于颜色统计不变性的纹理图像光照分析

针对目前纹理光照分析方法计算效率慢且需要过多用户交互的缺点,提出一种基于颜色统计不变性的快速纹理光照估算方法。首先,定义纹理图像的颜色统计特征、颜色统计不变性和窗口稳定尺寸,据此估算白色光照和彩色光照图像;其次,通过对纹理图像上-下采样的方法,降低彩色光照估算和本征图像提取的计算复杂度。实验结果表明该方法不但缓解了光照图像中含有纹理结构信息的问题,同时有效提高了运算效率。

单帧图像下的环境光遮蔽估计

环境光遮蔽(ambient occlusion)被广泛用于近似计算低频全局光照、消除间接光照和阴影等计算机图形学和视觉应用中.已有算法直接通过场景的3维几何,或不同光照下的多幅图像计算每个点的环境光遮蔽,存在着对光照和输入图像数量要求高等问题.针对以上不足,提出了一种基于单张图像的环境光遮蔽估计算法.算法利用一个在大量仿真图像数据集上训练的卷积神经网络,直接从自然光照条件下场景的单张图像中恢复每个点的环境光遮蔽.提出并比较了3种不同的神经网络结构设计,实验分析验证了端到端的设计方案可以获得最佳的结果.和已有的环境光遮蔽算法方法比较,所提出的方法不仅计算速度快,而且在数值和视觉上具有更好的结果.

图像驱动的三维模型外观细节增强

随着计算机游戏与电影视觉特效的普及应用,仅通过纹理贴图已不能满足用户需求。然而,为三维模型制作视觉真实的表面外观,即在包含几何细节变化(如金属腐蚀、石料风化、木质裂纹等)同时辅之以与几何变化合理匹配的材质颜色却是一件困难且耗时的工作。文章提出了一种能够从单幅图像中提取物体的外观细节(材质与几何信息)并增强至三维模型表面的方法。该方法是一种新型的几何约束的非刚性2D-3D融合配准算法,可以通过将配准后的模型提供的几何信息作为先验知识实现更好的本征图像分解结果。利用图像中同步分解出的互相关的多尺度几何信息与材质纹理信息组成的非参数外观模型,文中提出了一种法向量约束的几何变形算法将外观纹理恢复到代理模型上。通过上述步骤,文章提出的方法能够帮助建模师制作具有多尺度外观细节的三维模型。

不均匀光照车牌增强算法研究

当车牌光照不均匀时,会给车牌的进一步处理带来很大的困难.针对这一问题,提出基于本征图像分解的不均匀光照车牌的增强算法.把定位好的车牌图像转换成灰度图像,对图像中包含相似亮度分量的像素集合,用本文所提出的约束进行处理.该约束和传统的Retinex邻近像素约束有效地减少了分解中的不确定性.使用这两个约束,使得分解问题转换成求二次函数最小值的问题,即形成了用封闭解来求本征图像分解.由实验可知,本文算法增强效果较好,降低了车牌进一步处理的难度.

基于SVD的倾角扫描叠加算法在去噪中的应用

针对SVD对非水平同相轴去噪效果不佳的问题,引入了基于SVD的倾角扫描叠加算法.采用Ricker子波合成倾斜同相轴的地震波,经线性时移后成为水平同相轴,然后用SVD算法提取信号,再作反线性时移恢复其时间轴坐标数据,将反线性时移后的结果叠加作为最终输出,模型验证此方法去噪效果明显.将倾角扫描叠加算法和传统SVD算法进行对比,可知前者所需的本征图像个数更少,但重构信号和去噪效果更好.