基于纹理恢复的低剂量CT去噪算法

目前深度学习方法广泛应用于低剂量CT去噪领域,但大多使用均方差损失,容易造成组织的过度平滑。针对这一问题,提出了一种基于纹理恢复的自注意力残差编解码网络,与原始的残差编解码网络相比,主要有以下两点改进:一、引入自注意力机制来捕获CT内部的远程相关性信息;二、设计特征提取网络,构建边界和纹理损失,以便恢复CT图像特征。实验结果表明,自注意力残差编解码网络可以很好地达到降噪与纹理恢复的平衡。

城市三维可视化中规则房屋墙面纹理图像的压缩与恢复

以城市三维可视化中的房屋墙面纹理图像为对象 ,就其压缩与恢复的方法进行了研究 ,提出了一种基于自相似性墙面纹理分割的纹理图像压缩与恢复方法 ,以及对由于遮挡而墙面不完整的纹理图像的复原方法 。

基于尺度不变特征的从纹理回复形状

提出一种估计纹理平面方向的方法。该方法提取纹理图像中具有尺度不变特征的关键点,求出以这些关键点为中心的局部模式尺度和方向正规化特征,按特征将模式分类。假定图像中同类局部模式的尺度变化仅由成像时的透视效果产生,利用纹理图像中局部模式尺度变化与射影变换的关系估计纹理平面的方向。实验结果证明,此方法简单有效。

基于雾层特征提取与增强网络的端到端去雾算法

卷积神经网络在图像处理中发展迅速。大多数图像去雾算法仅专注于去雾,忽略了去雾图像的整体质量,进而导致诸如信息丢失和纹理模糊等问题。为此,提出了一种去雾和增强卷积神经网络。通过编码和解码获得雾层图像和一阶段去雾图像,增强网络用于恢复去雾图像的纹理和细节。实验表明,该方法在主观评价和质量指标上均具有优异的效果,获得了去雾程度更加彻底、细节和纹理更加清晰的去雾图像,有效地解决了信息丢失和纹理模糊的问题。

基于图像分解与字典分类的单幅图像去雨算法

针对单幅图像下,基于稀疏表示的去雨算法存在残差较大而导致图像恢复效果不理想的问题,提出了一种优化图像高频部分几何分量的去雨方法.首先采用平滑滤波做图像分解,得到雨图像的高频部分;然后结合稀疏表示与近邻传播算法分离出图像高频部分的雨分量,用图像的高频部分减去雨分量并做平滑处理,以此作为几何分量;此外,对稀疏表示过程得到的字典进行再分类,完善雨分量与非雨分量的区分,最后完成图像恢复.实验结果表明,该方法能有效利用图像的几何信息来解决纹理恢复误差较大的问题,实现更精确的纹理恢复和雨分量去除.

基于形变模型的三维人脸快速重建改进算法

针对传统三维人脸重建算法效率低且难以满足实际应用的缺陷,提出一种三维人脸重建改进算法。该算法基于ASM(Active Shape Model)增强算法,自动地对特定二维人脸特征区域进行准确定位,并实现三维人脸数据库的归一化;利用稀疏形变模型对特定正面二维人脸进行快速三维重建;采用明暗纹理恢复算法对重建后的三维模型人脸特征区域的每个顶点法线进行约束,并将其应用于人脸识别中。实验结果表明,该方法可实现对特定正面二维人脸快速三维重建,并取得较好的三维重建精度与识别率,与经典ASM算法相比,精度提高12.3%,迭代次数减少6次。