基于边缘特征增强的多尺度监督图像篡改检测

正确定位图像篡改区域需要准确的边缘区域信息,而模糊、平滑等篡改后处理手段使得篡改边缘信息丢失。为充分利用篡改图像的边界特征从而提升图像篡改区域定位精度,提出一种基于边缘特征增强的多尺度监督图像篡改检测方法,采用特征增强模块融合篡改区域边缘特征和篡改区域特征,使用双注意力解码模块强化融合后的特征信息,最后在多个尺度上监督模型训练过程,实现篡改区域的定位。为提升模型训练效率,提出交叉熵损失和均方差损失结合的损失函数监督训练过程。实验证明该方法与主流篡改定位方法相比在AUC和F_(1)指标上提升10%~30%,对于不同类型的篡改也有较好的检测性能。

一种边缘特征增强的多源遥感影像融合方法研究

基于分频分策略的融合思想,提出了一种边缘特征增强的多源遥感影像融合方法。实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。

基于边缘增强与注意力机制的SAR舰船检测模型

合成孔径雷达图像用于舰船检测时,不可避免地受到相干斑噪声影响,并且近岸舰船检测易被复杂背景信号淹没。对此提出一种基于边缘特征融合网络的舰船检测算法RBox-YOLO,以YOLOv8为基线网络通过优化Canny算子边缘来增强图像中的边缘轮廓,形成较完整的物体边界。引入一种基于坐标注意力机制的FDN模块融合去噪后图像,以提高复杂背景下捕获关键信息的能力。采用双线性插值法的上采样与注意力机制结合的CAU模块,减少上采样带来的细节特征损失。另外,使用一种基于旋转框的损失函数来提高复杂背景下舰船的检测效果。实验结果表明,RBox-YOLO算法既保持了YOLOv8算法实时检测速度,平均精度还提高了8个百分点。初步判定RBox-YOLO算法具有良好的检测性能和较高的应用价值。

增强边缘特征的肺结节分割模型

针对在肺结节分割过程中结节边缘像素点模糊导致模型分割精度低的问题,提出一种用于增强边缘特征的对称双分支结构分割模型GEU-Net(Gabor edge U-Net)。其主干分支使用U-Net来捕获结节整体视觉特征以及全局上下文信息,边缘分支则设计Gabor卷积模块提取结节边缘纹理特征,并通过跳跃连接对主干分支与边缘分支编码器提取到的特征进行融合。此外,提出一种融合交叉熵和Focal Loss的混合损失函数,用于解决两个分支在训练过程中存在的正负类样本不均衡问题。在公开数据集LIDC-IDRI以及LNDb上进行了结节分割实验,实验结果表明,GEU-Net分割模型在两个数据集上的Dice系数分别为92.79%和86.78%、平均交并比分别为87.53%和79.09%、召回率则分别为94.35%和87.43%,与基线算法相比分割性能得到了一定程度的改善。

增强边缘梯度特征局部量化策略驱动下的车标识别

目的车标是车辆的显著性特征,通过车标的分类与识别可以极大缩小车辆型号识别的范围,是车辆品牌和型号识别中的重要环节。基于特征描述子的车标识别算法存在如下缺点:一方面,算法提取的特征数量有限,不能全面描述车标的特征;另一方面,提取的特征过于冗杂,维度高,需要大量的计算时间。为了提取更加丰富的车标特征,提高识别效率,提出一种增强边缘梯度特征局部量化策略驱动下的车标识别方法。方法首先提取车标图像的增强边缘特征,即根据不同的梯度方向提取梯度信息,生成梯度大小矩阵,并采用LTP(local ternary patterns)算子在梯度大小矩阵上进一步进行特征提取,然后采用特征码本对提取的特征进行量化操作,在确保车标特征描述能力的同时,精简了特征数目,缩短了局部向量的长度,最后采用WPCA (whitened principal component analysis)进行特征降维操作,并基于CRC (collaborative representation based classification)分类器进行车标的识别。结果基于本文算法提取的车标特征向量,能够很好地描述车标图像的特征,在HFUT-VL1车标数据集上取得了97. 85%的识别率(平均每类训练样本为10张),且在识别难度较大的XMU车标数据集上也能取得90%以上的识别率(平均每类训练样本为100张),与其他识别算法相比,识别率有明显提高,且具有更强的鲁棒性。结论增强边缘梯度特征局部量化策略驱动下的车标识别算法提取的特征信息能够有效地描述车标,具有很高的识别率和很强的鲁棒性,大大降低了特征向量的维度,提高了识别效率。

一种基于àtrous小波变换的遥感影像融合方法

针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出了一种在àtrous小波变换基础上,可以使边缘特征增强的遥感影像融合方法。实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。