改进残差网络下体操动作逆光图像超分辨增强

超分辨图像有利于信息获取与传递,但当下缺少对逆光低分辨率图像的研究。为解决逆光图像中阴影噪声的问题,提出一种基于改进Retinex逆光图像分解增光算法,通过结合DRAN双重残差注意力网络,构建出逆光图像超分辨率增强模型,即NRE-DRAN模型。模型首先将基于Retinex理论将逆光图像分解成光照量图与反射量图,并通过调节网络与恢复网络处理两分量图,然后将处理后的分量图融合,降低逆光噪声的影响;接着采用DRAN特征提取模块提取浅层纹理特征与深层语义特征,然后利用信息蒸馏模块增强特征信息,并串联拼接成融合特征图,最后基于残差图与上采样图重构出超分辨图像。多组基线算法叠加模型仿真对比结果表明,在GBI体操动作逆光图像数据集上,NRE-DRAN模型具有最优的SSIM指标(较其它叠加模型相比平均提升了3.93%)与较优的PSNR指标(指标排名第二)。综上所示,NRE-DRAN逆光图像超分辨率增强模型在解决逆光阴影噪声问题的同时有效的增强了图像的超分辨率,且该模型具有较高的时效性。

基于轻量级金字塔密集残差网络的红外图像超分辨增强

现有的红外制导武器严重依赖操作手对目标的捕获,其捕获的精度与目标的纹理细节正相关。为了提升弱小区域的显示质量,满足现有导引头小型化、模块化、低成本的设计要求,本文设计了一种基于轻量级金字塔密集残差网络的图像增强模型,该模型在密集残差网络基础上通过密集连接层和残差网络来学习不同尺度图像之间的非线性映射,充分利用多尺度特征进行高频残差预测。同时,采用深度监督模块指导网络训练,有利于实现较大上采样因子的超分辨增强,提高其泛化能力。大量仿真实验结果表明本文所提出的超分辨模型能够获得高倍率的超分辨增强效果,其重建质量也优于对比算法。

基于超分辨率增强网络的输煤皮带撕裂检测方法

文章旨在开发一种基于超分辨率增强网络的输煤皮带撕裂检测方法。具体而言,该方法首先将图像输入超分辨率增强网络中,通过分辨率增强技术获得高分辨率图像。然后,将生成的高分辨率图像输入目标检测网络中,以获取输煤皮带的撕裂检测结果。实验结果表明,该方法在实际输煤皮带缺陷检测中取得了良好的效果,展现出了很高的检测精度和成本效益,可以有效地提升工业产品检测的质量,并在节约成本方面具有实际应用的潜力。

基于小波变换的全景图像超分辨率增强算法

在研究和分析小波变换理论的基础上提出了一种基于小波变换的全景图像超分辨率增强算法,该算法充分利用了小波多分辨率分解思想,体现图像降低的自然过程;通过高分辨率小波系数,经插值逆变换可得到重构的高分辨率图像。实验结果证明该算法克服了传统的插值算法致使图像高分辨部分损失、细节被模糊的缺点,是超分辨率图像处理的一种行之有效的途径。

基于图像增强与迁移学习的破损绝缘子识别

输电线路是电力系统中电能传输的关键,随着无人机技术和机器视觉的快速发展,为电力线路绝缘子识别提供了便捷。基于无人机拍摄的输电线路破损绝缘子图像识别,能有效降低人工巡检的成本和安全隐患。为了提高绝缘子识别精确度,提出一种基于图像灰度均衡化和超分辨率卷积神经网络的图像增强算法。灰度均衡化算法能够改善图像的对比度,提高图像清晰度;超分辨率卷积神经网络图像增强算法实现了图像的超分辨率重建,从而使图像清晰度更高、真实度更强。通过使用VGG16作为特征提取和分类器,结合迁移学习实现模型的训练,对增强后的彩色图像数据集进行训练,进一步提高了识别精度。在权威数据集CPLID上验证了所提出算法的有效性与高识别精度,并比较了不同算法模型的精确度,所提出的深度迁移学习算法在实际应用中能有效降低人工巡检的成本和安全隐患。

一种基于频域的序列图像超分辨率增强方法

针对探测器奈奎斯特频率不足和光学系统点扩展效应造成的成像系统像质下降问题,在频域框架下提出一种改进的多帧图像超分辨率增强方法。在图像序列配准方面,考虑了频谱混叠和插值变换等因素对图像频谱相位差的影响,建立了更准确的亚像元位移提取模型;在图像复原方面,基于同步纹理自回归先验,建立了图像的联合高斯分布模型,并结合贝叶斯方法对插值重建结果进行复原。实验表明,该方法较为全面地考虑了像质下降因素,具有较好的超分辨率增强效果,且计算复杂度较低。

被动微波遥感数据超分辨率增强与混合像元分解研究综述

星载被动微波遥感数据以其全天候、穿透性以及不受云干扰等特点,在全球变化研究领域取得了广泛的应用,然而其较低的空间分辨率,限制了后期地物参数的反演精度。对国内外被动微波遥感数据空间分辨率提高方法进行介绍,重点介绍了基于图像处理技术的超分辨率增强和混合像元分解方法。通过对两类方法的介绍和评价,展望被动微波遥感数据混合像元分解方法的研究前景。被动微波遥感数据空间分辨率的有效提高,可以为更多的研究和应用领域服务。

基于超分辨率重建的小目标智能检测算法

针对小目标占有像素少导致检测精确率低的问题,提出一种基于超分辨率重建的小目标检测算法。首先,通过图像预处理对高分辨率图像分块并筛选出含有目标的子图像;其次,构建超分辨率锐化增强模块,引入锐化图像和锐化损失,以获得边缘更清晰的高分辨率子图像;然后,采用多尺度锐化目标检测模块检测目标,该模块添加边缘锐化模型,在深层特征层中进一步锐化图像边缘,弥补深层卷积对细节的损失;最后,根据子图像编号将小目标检测结果回归到原图像中,完成小目标图像检测。在PASCAL VOC数据集和COCO 2017数据集上的实验结果表明,所提算法的平均精确率(mAP)分别为85.3%和54.0%,对COCO数据集的小目标检测精确率为43.5%,高于次优值9.7个百分点。因此,所提算法可以有效减少小目标漏检的次数,提高检测精确率。

高帧频虚拟图像无损防失真压缩算法仿真

高帧频虚拟图像的特征较密集且变化速度较快,其压缩处理易导致失真问题。为优化虚拟图像的交互式质量,提出高帧频虚拟图像无损防失真压缩算法。将高帧频虚拟图像输入深度学习网络中,去除高帧频虚拟图像中存在的噪声。依据像素点在两个图像块的差值对应的绝对值和SAD最小原则,对高帧频虚拟图像实施逐点划分操作。基于此,通过细节增强超分辨率算法对去噪后的图像做增强处理。采用LZW算法编码高帧频虚拟图像中像素的数据流以及掩膜图,完成高帧频虚拟图像无损防失真压缩。仿真结果表明,所提方法的图像保真度高,在保证图像质量的前提下,所提方法下的图像压缩比可保持在9以上。

新型超分辨显微技术浅析

随着荧光探针的出现,超分辨成像技术发展迅速,多种不同的超分辨显微技术产生并得到广泛应用。超分辨成像技术的发展为生命科学领域的研究提供了极大便利,也越来越受到研究者的重视。由于传统超分辨显微成像技术在成像速度、观察视野范围、系统成本等方面仍存在一定的限制,新型超分辨显微成像技术的发展让研究人员再次看到超分辨成像领域的曙光。介绍了近年来出现的几种新型超分辨成像技术,包括膨胀样品超分辨技术、表面增强超分辨技术和荧光偏振超分辨技术,旨在总结这些新型超分辨技术的发展,为生命科学领域提供新的技术参考。

Enhanced dSTORM imaging using fluorophores interacting with cucurbituril

Advanced fluorescence microscopy including single-molecule localization-based super-resolution imaging techniques requires bright and photostable dyes orproteins asfluorophores.The photophysical properties of fluorophores have been proven to be crucial for super-resolution microscopy's localization precision and imaging resolution.Fluorophores TAMRA and Atto Rho6 G,which can interact with macrocyclic host cucurbit[7]uril(CB7) to form host-guest compounds,were found to improve the fluorescence intensity and lifetimes of these dyes.We enhanced the localization precision of direct stochastic optical reconstruction microscopy(dSTORM) by introducing CB7 into the imaging buffer,and showed that the number of photons as well as localizations of both TAMRA and Atto Rho6 G increase over 2 times.