基于双线性特征融合方法的畸变失真图像质量评价

针对畸变失真图像影响后续图像信息获取的问题,提出了一种基于双线性特征融合方法的畸变失真图像质量评价算法。首先基于人类视觉对图像结构特征敏感的特点提取结构图像,然后将原始图像和结构图像作为双流卷积网络的输入,将两支路网络输出的低层结构特征和高层语义特征通过双线性池化层进行特征融合,最后通过全连接层输出图像质量预测分数。为了验证算法的有效性,在4个公开的图像数据集LIVE、CSIQ、MLIVE与TID2013上进行实验。结果表明,所提算法与当前的失真图像质量评价算法相比,在LIVE、CSIQ和MLIVE数据集上斯皮尔曼等级相关系数(Spearman rank-order correlation coefficient,SROCC)和皮尔逊线性相关系数(Pearson linear correlation coefficient,PLCC)指标至少提升0.2%左右,在TID2013数据集上SROCC值至少提升0.5%左右。所提算法评价结果与人类视觉主观感知有较好的一致性,对多种失真图像质量评价可以取得不错的效果。

基于深度学习的轨道车辆线阵相机图像畸变校正方法

由于轨道车辆运行速度时刻变化,造成轨旁线阵相机在不同时间采集同一类型车辆的图片张数和分割点不同,导致采集到过车图像存在畸变失真,畸变失真给后续基于图像的轨道车辆故障检测和识别带来困难,因此需要对采集图像进行畸变校正。本文在综合分析轨道车辆图像畸变失真原理的基础上,提出一种基于深度学习的轨道车辆线阵相机图像畸变校正方法。该方法基于RetinaNet网络设计了一种新的损失函数,用于车辆零部件位置的准确定位,并实现位置框的紧密贴合。同时,文中提出采用定位框的长宽比计算图形畸变率,通过畸变率数值对图像对应区域进行校正。试验结果表明,与其他畸变校正方法相比,本文所提算法具有更好的畸变校正能力,较好的检测速度,对不同畸变程度的图像具有较好的稳健性和泛化能力。

基于LUT实时图像矫正的行缓存优化

基于反向映射的图像矫正被广泛应用于解决光学镜头透视引起的非线性畸变失真问题,该方法将映射坐标固化在LUT内,避免了复杂的坐标计算,但需要大量行缓存储备图像数据用以执行反向映射.为了减少行缓存的使用,本文提出了一种基于读扩展的环形行缓存读写算法,利用行同步信号的消隐间隔扩展读周期,使读写指针循序错开,保证上下映射的空间.相比传统的以最大偏移作为行缓存的结构,改进的专用控制算法可以减少近一半的内存使用.本文中的实时图像矫正系统已经在FPGA上实现,实验结果表明所提出的读扩展行缓存算法显著地改善了内存的消耗,并且获得良好的实时图像矫正效果.