基于梯度引导的低剂量CT超分辨率重建算法

低剂量CT(Low-dose CT,LDCT)扫描在临床实践中起着关键作用,其能有效降低放射科医生和患者的患癌风险。然而,低剂量射线的使用会给生成的CT图像引入明显的噪声,这一问题凸显了LDCT降噪重建的必要性。图像重建领域中的另一个重要任务是超分辨率(Super-resolution,SR)重建,其目标是在减少计算开销的同时实现高分辨率的CT成像。高分辨率CT图像能够更准确地捕捉复杂的解剖细节。尽管这些任务在各自领域取得了显著进展,但目前仍缺乏能够有效利用这两个任务之间固有相关性并同时处理它们的有效方法。文中将边缘信息作为两个任务之间的纽带,并利用梯度提取强相关特征。这使得LDCT降噪重建过程能够辅助超分辨率重建过程,并最终生成具有清晰边缘的结果图像。文中提出的降噪和超分辨率重建网络(NRSR-Net)包括3个组成部分:1)边缘增强框架,该框架利用梯度信息引导和提取相关特征,从而充分利用两个任务之间的相关性,使降噪任务能够辅助超分辨率任务实现更好的性能;2)梯度门控融合模块(Gradient Guided Fusion Block,GGFB),该模块增强高度相关的边缘特征并抑制无关特征,从而实现边缘区域的有效重建;3)梯度损失,该损失函数为模型引入更加丰富的梯度特征,并使网络重点还原边缘区域。一系列的实验表明,NRSR-Net在定量评估中取得了令人满意的峰值信噪比(PSNR)、结构相似性(SSIM)和学习感知图像块相似度(LPIPS),并获得了高质量的可视化结果。这些优势表明NRSR-Net在临床CT成像中具有巨大潜力。

基于生成对抗网络的梯度引导太阳斑点图像去模糊方法

针对云南天文台拍摄的高度模糊的太阳斑点图像采用现有深度学习算法恢复难度大、高频信息难以重建等问题,提出了一种基于生成对抗网络(GAN)与梯度信息联合的去模糊方法来重建太阳斑点图,并很好地恢复出图像的高频信息。该方法由一个生成器与两个鉴别器构成:首先,生成器采用特征金字塔网络(FPN)框架来获取图像多尺度特征,再将这些特征分层次输入梯度分支以梯度图的形式捕获更小的局部特征;然后,联合梯度分支结果与FPN结果共同重建出具有高频信息的太阳斑点图像;其次,在常规对抗鉴别器的基础上,增加了一个鉴别器用于保证由梯度分支产生的梯度图更加真实;最后,引入一个包括像素内容损失、感知损失和对抗损失的联合训练损失来引导模型进行太阳斑点图像高分辨率重建。实验结果表明,进行图像预处理后的所提方法与现有的深度学习去模糊方法相比,高频信息恢复能力更强,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有显著提高,分别达到27.8010 dB与0.8510,能够满足太阳观测图像高分辨率重建的需要。

图像梯度引导的窗口形状自适应双边滤波

传统的滤波算法在重噪声区域易出现噪声抑制能力下降和边缘光晕效应,且在滤波过程中矩形滤波模板的两边总是分别平行于离散图像的坐标轴,必然导致模板跨边缘平滑滤波。为解决这些问题,提出一种窗口形状自适应的双边滤波算法。采用边缘梯度图作为引导图像,通过每个像素的梯度方向确定该像素处的边缘方向。然后使模板窗口的两边分别平行或垂直于当前像素处的局部边缘方向,实现模板“沿边缘”平滑滤波,在去除噪声的同时更好地保持边缘。实验结果证明,该改进算法滤波性能和保边能力较好,PSNR平均值提升13%左右,SSIM平均值提升4.6%左右,且对受到高强度的噪声污染的图像具有较好的噪声抑制和边缘保持能力。

基于多尺度梯度域引导滤波的煤矿井下图像增强方法

煤矿井下图像存在较严重的光照不均匀和噪声干扰,现有基于Retinex的方法直接应用于煤矿井下图像增强易出现光晕伪影、边缘模糊、过增强和噪声放大等问题。针对上述问题,提出了一种基于多尺度梯度域引导滤波的煤矿井下图像增强方法。首先,将多尺度思想引入梯度域引导滤波中,实现对非均匀光照的准确估计,有效解决了增强图像时光晕伪影及边缘模糊的问题。然后,利用Retinex模型分离出光照分量和反射分量:对于光照分量,通过自适应伽马校正函数逐像素地修正光照信息,实现对图像暗区域增强的同时,抑制亮区域过增强,并使用限制对比度自适应直方图均衡化方法调整图像对比度;对于反射分量,将梯度域引导滤波与多尺度细节提升相结合,在准确去除噪声后提升纹理细节,避免了增强图像时噪声放大的问题。最后,将处理后的光照分量及反射分量融合,计算图像增益系数,并使用线性色彩恢复方法实现对原始RGB图像的逐像素增强,提升方法处理效率。实验结果表明,从主客观角度与现有方法相比,经所提方法处理后的图像在色彩保持、对比度、噪声抑制、细节保留等方面均取得了较好的增强效果,同时处理效率较高。

基于多尺度梯度域引导滤波的弱光照图像增强技术

光照较弱会导致图像出现颜色失真以及部分图像细节消失等问题,提出了基于多尺度梯度域引导滤波的弱光照图像增强方法。对弱光照图像进行多尺度梯度域引导滤波图像增强和Gamma校正,将BIQME作为目标函数,将主观图像增强问题转换为最优解问题,采用改进鸡群算法对目标函数优化求解,获取图像增强所需要的最优多尺度梯度域引导滤波参数和色调平衡参数,最终达到弱光照图像增强的目的。实验测试结果表明,所提方法可以增强弱光照图像的同时,改善弱光照图像质量和提升图像处理速度,图像处理速度控制在0.85 s以内。

一种基于梯度域引导滤波的图像去雾算法

利用暗通道先验理论进行单幅图像去雾时,通常采用最小值滤波算法估计透射率,该算法直接导致了图像边缘模糊、出现光晕等现象,或天空等含大面积雾霾区域时,出现颜色失真等问题。梯度域引导滤波在保持像素边缘方面的独特性能,结合针对天空区域去雾的分段颜色补偿方法,准确的解决了上述问题。改进算法与其他去雾算法进行了仿真比较,实验结果表明:改进算法可对图像景物和天空进行准确的去雾,与此同时该算法在颜色细节增强和高动态分布方面具有较大优势。

梯度引导的高阶几何彩色图像去噪模型

目的为了消除低阶彩色图像去噪模型产生视觉上不希望得到的"阶梯效应"并提高去噪过程中的边缘保持效果,提出一种黎曼几何驱动的高阶彩色图像去噪模型,并在扩散中使用一阶梯度信息引导高阶信息驱动的扩散,以改善去噪过程中的边界探测和保持能力。方法在黎曼几何框架下,对低阶彩色图像去噪模型进行分析,并由面积微元出发得到对应的二阶微分形式,利用二阶导数矩阵的Frobenius范数构造高阶彩色图像变分能量泛函,由此得到一个彩色图像去噪的高阶扩散模型。为在扩散中保持边界,使用高斯卷积后的一阶梯度信息引导高阶扩散,得到一个多通道耦合的高阶非线性彩色图像去噪模型。分析表明,该模型在扩散时兼顾了单通道和多通道、低阶和高阶等多种信息之间的关系进行耦合去噪。结果在实验中对不同噪声水平下的1维彩色信号、合成彩色图像和标准彩色测试图像进行去噪,并使用峰值信噪比(PSNR)与结构相似性(SSIM)作为客观评价指标,将本文结果与相关彩色图像去噪扩散模型的结果进行对比。在不同噪声水平下本文模型去噪结果的平均PSNR与相关模型相比提高了2.33%,平均SSIM提高了0.4%。结论本文模型能够有效去除彩色图像中不同噪声水平的高斯白噪声,能较好消除视觉上的"阶梯效应",得到分片线性光滑的彩色图像,同时还能够较好保持图像边界信息。

基于多尺度梯度域引导滤波的低照度图像增强算法

针对低照度彩色图像整体亮度较低,增强图像中颜色易失真,部分图像细节淹没在较低灰度值像素中等问题,提出一种改进的低照度图像增强算法。首先,把待处理图像转换到色调、饱和度、亮度(HSI)颜色空间,对亮度分量进行非线性全局亮度校正;然后,提出多尺度梯度域引导滤波的亮度增强模型,利用该模型对校正后的亮度分量进行增强,接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正;最后,将图像再转换回红绿蓝(RGB)颜色空间。实验结果表明,增强后的图像亮度平均提高90.0%以上,清晰度平均提高123.8%以上,这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力;同时由于减小了颜色失真,使增强图像的细节表现能力平均提高18.2%以上;由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法,使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。

基于HMSD和改进的显著性检测的图像融合

针对由于可见光与红外图像的特点不同,使得融合图像中会存在目标不突出、对比度低、伪影多的问题,提出了一种基于混合多尺度分解和改进的显著性检测的红外与可见光图像融合方法。利用梯度引导滤波器的边缘保持特性和高斯滤波器的平滑特性将红外和可见光分解为不同特征的层次。对不同层次的图像采用不同的融合策略,针对基层,使用一种改进的显著性检测进行融合。结合各层融合的子图像来重构的融合图像具有突出目标和清晰背景。实验结果表明:所提出的方法与其他经典融合算法相比,融合质量更高、视觉效果更好。

基于多权重融合策略的Retinex矿井图像增强算法

受粉尘、湿度、照度等环境因素的影响,煤矿井下监控视频易出现光照不均、对比度低和细节模糊等问题,影响视觉伺服系统和视频分析系统的应用效果。传统图像增强算法存在亮区域增强过度、暗区域细节增强不足等问题,易产生不自然的光晕伪影和颜色失真。针对这一问题,提出一种基于多权重融合策略的Retinex矿井图像增强算法。算法基于HSV颜色空间,保持色调分量不变,仅对亮度分量和饱和度分量进行增强。首先,采用多尺度梯度域引导滤波算子从亮度分量中估计光照分量,并结合井下图像曝光过度和曝光不足共存的特性,应用自适应伽马函数对光照分量进行校正,实现照度均衡;同时,采用限制对比度自适应直方图均衡算法对反射分量进行对比度增强;然后,将亮度校正后的光照分量和对比度增强后的反射分量进行多权重融合,所采用的规范化权重由局部对比度权重、亮度权重和清晰度权重组合而成;针对色彩偏移问题提出新的映射函数对饱和度分量进行非线性拉伸;最后将图像由HSV空间变换回RGB空间,完成图像增强。实验结果表明,相较于MSRCR、NPE、SRIE、BIME算法,本算法在平均梯度、信息熵、标准差等图像指标方面均有不同程度的提升,可有效提高矿井图像的对比度、清晰度、色彩准确度,并减少光晕伪影。

非局域样本填充和自适应曲率驱动模型的遥感图像修复算法

遥感图像修复技术对于后续遥感图像的处理与应用具有重要意义.文中在深入研究曲率驱动(CDD)模型和样本填充算法的基础上,针对遥感图像对纹理细节和边缘区域要求较高的特点,提出非局域样本填充和自适应曲率驱动模型的遥感图像修复算法.该算法较好地避免CDD模型修复过程中在一些极端情况下可能出现的假边缘、阶梯效应和扩散速度缓慢等缺点,保证遥感图像修复后的纹理细节信息和边缘信息.仿真实验验证文中算法的有效性.

基于多注意力图的孪生网络视觉目标跟踪

在视觉跟踪应用中,目标外观通常由包含目标的矩形区域来建模,这种矩形化边框的描述方式不可避免地引入了背景干扰,并随着场景变化导致跟踪关注点的模糊及歧义,进而产生跟踪漂移。针对以上问题,提出了一种基于多注意力图的孪生网络视觉目标跟踪算法。首先,建立了一种关注于前景目标区域特征表达的孪生网络。该网络通过构建梯度注意力图损失函数项来引导网络训练,提升网络区分目标和干扰背景的能力。此外,嵌入通道注意力和空间注意力进一步强化目标的特征表达,自动发掘有区分的特征表示。在多个公共数据集上的实验验证了提出算法的有效性,以及算法可完成实时的视觉目标跟踪。

一种改进的暗通道先验图像去雾算法研究

传统的暗通道先验去雾算法通过软抠图方法来优化大气透射率,得到较好的去雾结果,但该算法存在复杂度高,去雾后图像边缘信息不足够丰富、对比度不高等问题。针对上述问题提出一种改进的梯度引导算法,该算法在引导滤波器中构造一个能量函数,并在能量函数中加入一个边缘保持项,以此来进一步优化大气透射率。实验结果表明,使用改进后的算法运算速度快,增加去雾后图像的清晰度和对比度。

谈“教”转为“学”在课堂实践中的应用与反思——以“机械能守恒定律”一课为例

本文从课堂的设计思路出发，通过对课堂教学中实际片段的分析，探讨如何提升学生自主研究学习的能力及如何在课堂实践中实现“教”转为“学”．让学生回归到课堂的本体位置中。

轮毂高动态X射线图像分层色调映射算法

在目前的轮毂X射线成像系统中,常采用的图像显示算法为窗位窗宽算法,此算法操作过程繁琐,效率不高,不能同时还原图像的各部分细节,图像显示质量较差.鉴于此,本文借鉴HDR色调映射技术,提出了基于梯度域引导滤波的分层色调映射算法,利用梯度域引导滤波器进行图像分层,然后对基础层进行自适应对数压缩,对细节层进行补偿,最后将图像合并输出,使高动态范围图像在普通显示屏上显示效果更优.实验结果表明,本文算法还原了图像细节信息,提高了图像对比度和清晰度,产生了较好的视觉效果.

基于光照分量校正和补偿的低照度图像增强算法

为了解决低照度图像光照不均、对比度较低、细节展现较差的缺点,本研究提出了一种基于光照校正和补偿的低照度图像增强算法。首先将低照度图像进行颜色空间转换,由RGB颜色空间转换到HSV颜色空间,得到H、S、V三个分量,对饱和度分量S进行自适应增强,采用多尺度梯度域引导滤波对亮度分量V进行处理,从而提取图像的光照分量,并对光照分量采用二维自适应Gamma变换进行校正,用Retinex模型将其进行融合得到新的亮度分量。然后用改进的同态滤波算法对合成之后的RGB图像进行光照补偿,提升图像的暗处细节和整体亮度。实验结果表明,该算法不仅解决低照度图像光照不均的问题,提升了图像的对比度和细节,同时也保持了图像原有的自然性,使图像更加符合人眼的视觉效果,图像质量更高。